張會(huì)云，黃鶴鳴*，李 偉，黃志東

(1.青海師范大學(xué)計(jì)算機(jī)學(xué)院，青海 西寧 810008；2.藏文信息處理教育部重點(diǎn)實(shí)驗(yàn)室，青海 西寧 810008；3.青海省藏文信息處理與機(jī)器翻譯重點(diǎn)實(shí)驗(yàn)室，青海 西寧 810008)

1 引言

語(yǔ)音包含豐富的語(yǔ)言、副語(yǔ)言和非語(yǔ)言信息[1]，這些信息對(duì)人機(jī)交互具有非常重要的意義。僅理解語(yǔ)言信息并不足以使計(jì)算機(jī)能夠完全理解說(shuō)話者的意圖。為了使計(jì)算機(jī)類同人類，語(yǔ)音識(shí)別系統(tǒng)需要能夠處理非語(yǔ)言信息，尤其是說(shuō)話者的情感狀態(tài)[2]。因此，語(yǔ)音情感識(shí)別(Speech Emotion Recognition，SER)受到越來(lái)越多研究者的廣泛關(guān)注[3-4]。

情感語(yǔ)音包括語(yǔ)義內(nèi)容和情感特征，大量SER研究主要集中于尋找最能表示情感的不同語(yǔ)音特征[1]。文獻(xiàn)[5-6]提出了關(guān)于情感的各種短期特征和長(zhǎng)期特征，但仍不清楚哪些特征更能提供情感方面的信息。傳統(tǒng)方法是提取大量統(tǒng)計(jì)特征，并使用機(jī)器學(xué)習(xí)算法分類。很明顯，特征提取包括兩個(gè)階段。首先，從短幀中提取情感聲學(xué)特征，即低級(jí)描述符；其次，每個(gè)低級(jí)描述符用不同統(tǒng)計(jì)聚合函數(shù)表示成特征向量，表達(dá)了句子級(jí)不同低級(jí)描述符的時(shí)間變化和輪廓[5]。常用的低級(jí)描述符和高級(jí)統(tǒng)計(jì)函數(shù)如表1所示[6]。

表1 常用的低級(jí)描述符與高級(jí)統(tǒng)計(jì)函數(shù)

2 相關(guān)工作

人類通過(guò)潛意識(shí)識(shí)別情感，為了實(shí)現(xiàn)更好的人機(jī)交互，需要考慮語(yǔ)音中的情感。由于人類情感界限模糊，因此，識(shí)別情感具有很大的挑戰(zhàn)性。首先，很難確定語(yǔ)音片段的開(kāi)始和結(jié)束；其次，每個(gè)語(yǔ)音片段通常表示不同情感[5-7]。

最近深度學(xué)習(xí)自動(dòng)學(xué)習(xí)SER中的情感特征受到很多研究者的關(guān)注[8-10]。對(duì)情感的識(shí)別需要考慮上下文信息，而LSTM網(wǎng)絡(luò)恰好用于序列輸入動(dòng)態(tài)建模，且能夠解決網(wǎng)絡(luò)訓(xùn)練中的梯度消失或爆炸問(wèn)題。這是由于LSTM的輸入通常來(lái)自底層和先前時(shí)刻時(shí)間步長(zhǎng)的輸出，且LSTM中的記憶單元和門(mén)能夠控制信息記憶、輸出或遺忘[2，10]。

SER受益于神經(jīng)網(wǎng)絡(luò)，文獻(xiàn)[8，9，11]表明神經(jīng)網(wǎng)絡(luò)更高層可獲取更多時(shí)間步長(zhǎng)時(shí)，其網(wǎng)絡(luò)性能將大幅提升，但這僅針對(duì)傳統(tǒng)神經(jīng)網(wǎng)絡(luò)，并未討論時(shí)間序列問(wèn)題。文獻(xiàn)[12-14]表明語(yǔ)音時(shí)間信息有利于情感識(shí)別。因此，很多研究者提出了將循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network，RNN)應(yīng)用于SER研究，文獻(xiàn)[13]使用RNN在幀級(jí)學(xué)習(xí)短期聲學(xué)特征，并將傳統(tǒng)表示映射到句子級(jí)表示。由于Attention機(jī)制能夠選擇情感集中區(qū)域[14-15]，文獻(xiàn)[5]提出了將其應(yīng)用于LSTM網(wǎng)絡(luò)來(lái)提取聲學(xué)特征。在此基礎(chǔ)上，文獻(xiàn)[6]引入先進(jìn)的LSTM(Advanced LSTM，A-LSTM)網(wǎng)絡(luò)來(lái)提取聲學(xué)特征，能更好地實(shí)現(xiàn)上下文建模，實(shí)驗(yàn)表明，基于Attention機(jī)制的A-LSTM(Attention Advanced LSTM，AA-LSTM)網(wǎng)絡(luò)對(duì)情感的識(shí)別性能更優(yōu)。

為了提取語(yǔ)音中的潛在情感，研究了AA-LSTM網(wǎng)絡(luò)在不同參數(shù)集對(duì)情感識(shí)別系統(tǒng)性能的影響。

3 語(yǔ)料庫(kù)描述與特征提取

為了評(píng)估基于AA-LSTM網(wǎng)絡(luò)的SER系統(tǒng)性能，本研究在EMO-DB語(yǔ)料庫(kù)上進(jìn)行了大量實(shí)驗(yàn)。EMO-DB語(yǔ)料庫(kù)由柏林工業(yè)大學(xué)在專業(yè)錄音室錄制，采樣率16kHz，16bit量化，共535句語(yǔ)料，由10位演員(5男5女)對(duì)10個(gè)語(yǔ)句(5長(zhǎng)5短)模擬生氣W、無(wú)聊L、厭惡E、害怕A、高興F、悲傷T及中性/N等7種情感。

所提取的聲學(xué)特征包括13維MFCC、過(guò)零率、譜重心、諧波噪聲比及音高等，并對(duì)提取的特征進(jìn)行歸一化處理[16-17]。

4 語(yǔ)音情感識(shí)別系統(tǒng)

4. 1 基于Attention機(jī)制的LSTM

基于Attention機(jī)制的LSTM網(wǎng)絡(luò)依賴Attention機(jī)制學(xué)習(xí)每個(gè)步長(zhǎng)的權(quán)重并將其表示為加權(quán)組合，多任務(wù)學(xué)習(xí)可更好地學(xué)習(xí)句子級(jí)特征[5]。其結(jié)構(gòu)如圖1所示。

圖1 基于Attention機(jī)制的加權(quán)池化LSTM

該結(jié)構(gòu)分為主干和分支，分支包含情感、說(shuō)話者和性別分類[5]，主干共享所有任務(wù)，并處理分類的輸入和特征表示，其頂部是加權(quán)池層[2]，[18]，計(jì)算如(1)式所示

(1)

(2)

其中，hT是T時(shí)LSTM的輸出，AT是T時(shí)相應(yīng)權(quán)重的標(biāo)量，計(jì)算過(guò)程如(2)式，W是學(xué)習(xí)參數(shù)，exp(W·hT)是T時(shí)的能量。若T時(shí)幀能量很高，其權(quán)重就增大，關(guān)注更高；反之，則關(guān)注較低，即模型可分配權(quán)重[19]。

本研究主干是具有256個(gè)ReLU節(jié)點(diǎn)的全連接層和128個(gè)節(jié)點(diǎn)的雙向LSTM層，隨后進(jìn)入加權(quán)池層。在分支部分，每個(gè)任務(wù)均有隱含層，即包含256個(gè)ReLU神經(jīng)元和Softmax層。

4. 2 A-LSTM

傳統(tǒng)LSTM的輸入來(lái)自底層和前一刻時(shí)間步長(zhǎng)的輸出并將其反饋到更高層。門(mén)機(jī)制通過(guò)點(diǎn)乘法控制信息流動(dòng)[6]，記憶單元更新信息如(3)式。其中，ft和it是t時(shí)遺忘門(mén)和輸入門(mén)的輸出；Ct是新的候選單元值，計(jì)算如(4)式。其中，tanh是激活函數(shù)，WC是學(xué)習(xí)的權(quán)重集合，bC是偏置；[ht-1，xt]是先前時(shí)間步長(zhǎng)(h值)和底層(x值)的串聯(lián)，t時(shí)h值計(jì)算如(5)式。其中，Ot是輸出門(mén)，基于ht-1和Ct-1計(jì)算Ct。

(3)

(4)

ht=ot⊙tanh(Ct)

(5)

與傳統(tǒng)LSTM不同，A-LSTM釋放了時(shí)間t狀態(tài)依賴于t-1狀態(tài)的假設(shè)，并使用多個(gè)狀態(tài)的加權(quán)和計(jì)算C值和H值，如圖2所示。將LSTM中的(3-4)式修改為(6-7)式，C是選定狀態(tài)的加權(quán)和，T是選定時(shí)間步長(zhǎng)的集合，(9)式中的是標(biāo)量，表示時(shí)間步長(zhǎng)對(duì)應(yīng)的權(quán)重；(10)式用于計(jì)算t時(shí)刻隱含值，與(5)式相同，但此時(shí)單元值是C′，h′通過(guò)(11-12)式進(jìn)行計(jì)算，在(9)(12)式中，W是學(xué)習(xí)到的共享參數(shù)，C′和h′包含集合T中的所有狀態(tài)和隱含值。

圖2 A-LSTM的展開(kāi)圖

(6)

(7)

(8)

(9)

(10)

(11)

(12)

A-LSTM具有更靈活的時(shí)間依賴建模能力，類同人類學(xué)習(xí)機(jī)制，能夠回憶起先前時(shí)刻信息，使學(xué)習(xí)變得更好。

4.3 AA-LSTM

將Attention機(jī)制與A-LSTM網(wǎng)絡(luò)相結(jié)合得到AA-LSTM網(wǎng)絡(luò)，其結(jié)構(gòu)如圖3所示。與圖1不同之處在于該網(wǎng)絡(luò)將圖1中的LSTM網(wǎng)絡(luò)改為圖2中的A-LSTM網(wǎng)絡(luò)結(jié)構(gòu)，其計(jì)算過(guò)程如式(6～12)。

5 實(shí)驗(yàn)與結(jié)果

本研究在EMO-DB德語(yǔ)情感語(yǔ)料庫(kù)上研究了AA-LSTM網(wǎng)絡(luò)中的最優(yōu)參數(shù)設(shè)置和優(yōu)化器選擇。首先，比較了不同批處理(Batchsize)、迭代周期(Epoch)、交叉驗(yàn)證次數(shù)(K_folds)以及訓(xùn)練終止條件(Patience)對(duì)AA-LSTM網(wǎng)絡(luò)系統(tǒng)性能的影響；其次，選擇不同的優(yōu)化器對(duì)系統(tǒng)進(jìn)行優(yōu)化，其評(píng)價(jià)指標(biāo)采用準(zhǔn)確率、均值和方差。

圖3 基于Attention機(jī)制的A-LSTM網(wǎng)絡(luò)

表2給出了該模型在不同Batch size下得到的混淆矩陣、最優(yōu)性能及均值和方差。為了研究不同Batchsize下模型所獲得的性能，在該系統(tǒng)中，使K_folds=5，Epoch=100，Patience=10，Optimiser=′Adam′。

由表2可知，在其它參數(shù)確定的情況下，不同Batch Size對(duì)系統(tǒng)性能影響有所差異。當(dāng)Batch Size=16時(shí)，系統(tǒng)最佳性能達(dá)到66.39%，但均值為61.78%且偏離程度較大；Batch Size=64雖偏離程度較小，但耗時(shí)相當(dāng)大。綜合來(lái)看，當(dāng)Batch Size=32時(shí)不僅系統(tǒng)平均性能較穩(wěn)定，耗時(shí)也非常小，主要是由于選取的批量大小合適，提高了訓(xùn)練速度；同時(shí)，選取合適Batch Size使梯度下降方向更加準(zhǔn)確，從而提升了網(wǎng)絡(luò)整體性能。

表2 不同Batch Size下的混淆矩陣與性能

表3給出了該模型在不同優(yōu)化器(Adam，Rmsprop，Sgd)下得到的混淆矩陣、最優(yōu)性能及均值和方差。為了研究不同優(yōu)化器下模型所獲得的性能，在該系統(tǒng)中，使K_folds=5，Patience=10，Epoch=100，Batch size=32。

由表3可知，在其它參數(shù)確定的情況下，不同優(yōu)化器對(duì)系統(tǒng)性能影響有所差異。綜合考慮準(zhǔn)確率、均值及方差，與Adam，Sgd等優(yōu)化器相比，選擇Rmsprop優(yōu)化器優(yōu)化模型時(shí)，系統(tǒng)最佳性能可達(dá)到67.29%，平均性能為62.26%且偏離程度較小，表明Rmsprop是該系統(tǒng)中的最佳優(yōu)化器，Adam次之，Sgd優(yōu)化器不適用于該模型結(jié)構(gòu)。

表3 不同優(yōu)化器下的混淆矩陣與性能

表4給出了該模型在不同訓(xùn)練終止條件(Patience)下所獲得的混淆矩陣、最優(yōu)性能及均值和方差。為了研究不同Patience下模型所獲得的性能，在該系統(tǒng)中，Batchsize=32，Optimiser=′Rmsprop′，K_folds=5，Epoch=100。

由表4可知，在其它參數(shù)確定的情況下，不同Patience對(duì)系統(tǒng)性能影響有所差異。綜合考慮準(zhǔn)確率、均值及方差等因素，當(dāng)Patience=10時(shí)，系統(tǒng)性能達(dá)到最優(yōu)、整體性能穩(wěn)定、偏離程度較小且耗時(shí)較小。隨著Patience值不斷增大，系統(tǒng)性能有所下降，這是由于過(guò)擬合現(xiàn)象造成的。

表5給出了該模型在不同交叉驗(yàn)證次數(shù)(K_folds)下得到的混淆矩陣、最優(yōu)性能及均值和方差。為了研究不同K_folds下模型所獲得的性能，在該系統(tǒng)中，使Batchsize=32，Optimiser=′Rmsprop′，Patience=10，Epoch=100。

由表5可知，在其它參數(shù)確定的情況下，不同K_folds對(duì)系統(tǒng)性能影響有所差異。綜合考慮準(zhǔn)確率、均值及方差等因素，隨著K_folds逐漸增大，模型最佳性能可達(dá)到70.09%，且整體性能有所提升，這是一個(gè)非?？捎^的結(jié)果，但系統(tǒng)偏離程度較大且非常耗時(shí)。

表4 不同Patience下的混淆矩陣與性能

表5 不同K-folds下的混淆矩陣與性能

表6、表7給出了該模型在不同迭代周期(Epoch)下得到的混淆矩陣、最優(yōu)性能及均值和方差。為了研究不同Epoch下模型的性能，在該系統(tǒng)中，使Batchsize=32，Optimiser=′Rmsprop′，Patience=10，K_folds=5。

由表6、表7可知，在其它參數(shù)確定的情況下，不同Epoch對(duì)系統(tǒng)性能影響有所差異。綜合考慮準(zhǔn)確率、均值及方差，當(dāng)Epoch增大到100時(shí)，模型最佳性能可達(dá)到67.29%，且整體性能有所提升，但偏離程度較大；當(dāng)Epoch繼續(xù)增大到200時(shí)，模型的性能有所下降且非常耗時(shí)。同時(shí)，縱觀表6，表7可得出：針對(duì)同一Epoch，K_folds越大，系統(tǒng)性能越好。進(jìn)一步證明了K_folds對(duì)系統(tǒng)性能的作用。

表6 K_folds=5在不同Epoch下的混淆矩陣與性能

表7 K_folds=10在不同Epoch下的混淆矩陣與性能

6 結(jié)論與展望

本研究采用AA-LSTM網(wǎng)絡(luò)對(duì)SER系統(tǒng)中的參數(shù)進(jìn)行了驗(yàn)證，該實(shí)驗(yàn)中涉及到的網(wǎng)絡(luò)參數(shù)有：模型交叉驗(yàn)證次數(shù)(K_folds)、模型在訓(xùn)練集上運(yùn)行的周期(Epoch)、每次訓(xùn)練模型時(shí)選取的批量大小(Batch size)、檢測(cè)模型終止的條件(Patience)以及模型優(yōu)化器(Adam，Rmsprop，Sgd)等。實(shí)驗(yàn)結(jié)果表明：網(wǎng)絡(luò)結(jié)構(gòu)中的參數(shù)對(duì)情感識(shí)別系統(tǒng)性能影響較大，即選取適當(dāng)參數(shù)集不僅能夠提高網(wǎng)絡(luò)模型的性能，還能大大減少模型的訓(xùn)練時(shí)間；同時(shí)，優(yōu)化器的選擇對(duì)系統(tǒng)性能影響也較大。本研究通過(guò)大量實(shí)驗(yàn)以選擇AA-LSTM網(wǎng)絡(luò)性能達(dá)到最優(yōu)時(shí)的參數(shù)設(shè)置，今后將利用對(duì)抗網(wǎng)絡(luò)生成足夠數(shù)量SER數(shù)據(jù)，并在最優(yōu)參數(shù)設(shè)置下將跳躍連接引入該網(wǎng)絡(luò)以研究其性能，或?qū)⒔Y(jié)合多時(shí)間步長(zhǎng)狀態(tài)的思想擴(kuò)展到門(mén)控循環(huán)單元(GRU)。