基于去噪自編碼器的語音情感識別

雷沛之 傅洪亮

摘要：為了更加準確地進行語音情感識別，提出了一種基于去噪自編碼器的語音情感識別模型。該模型用Open SMILE提取了語音中的聲學特征，利用構建好的去噪自編碼器獲得更高階的特征，用SVM分類器對語音中的情感進行識別分類。在EmoDB情感語料庫上進行了實驗，結(jié)果表明，與直接使用SVM進行分類相比，該模型對語音情感的識別準確率至少提高了2%。

關鍵詞：情感識別；語音特征；SVM；去噪自編碼器

中圖分類號：TP391.41文獻標志碼：A文章編號：1008-1739（2018）18-67-2

Speech Emotion Recognition Based on Denoising Autoencoder

LEI Peizhi1， FU Hongliang2

（College of Information Science and Engineering， He爺nan University of Technology， Zhengzhou， He爺nan 450001， China）

0引言

語音是人們相互交流情感和信息的最直接方式，語音情感識別就是機器根據(jù)語音信號分辨出這些語音所表達的各種情感[1]。隨著各種電子產(chǎn)品的更新?lián)Q代，人們在使用這些電子產(chǎn)品時都希望它能具有更好的人機交互功能、更加智能化，所以語音情感識別逐漸成為了具有廣泛前景的研究方向。科學家對于語音情感識別的研究，可以追溯到20世紀80年代左右，那時科學家的研究重點是語音中的聲學統(tǒng)計特征，例如麻省理工學院設計的可以采集各種情感信息的“情感編輯器”[2]，由于實驗條件及語音樣本較少等條件的限制，并沒有在該領域產(chǎn)生較大的突破。

近些年來，隨著人們逐漸意識到研究語音情感識別對計算機科學、信息科學及心理學等諸多學科的推動作用，以及人工智能和深度學習等領域的發(fā)展，情感識別取得了長足的進步[3]。如今，利用語音特征進行分類仍然是情感識別的主流，然而隨著提取的特征維數(shù)不斷增加，特征中的冗余信息也逐漸增加，不利于機器進行情感識別分類。去噪自編碼器可以把提取好的特征進行特征變換，去除其中的無用冗余信息，并抽象出更高階的特征。

1去噪自編碼器

機器學習能夠順利完成的關鍵在于能夠輸入好的特征數(shù)據(jù)，自編碼器本質(zhì)上是一種神經(jīng)網(wǎng)絡[4]，它有2個特點：①輸入輸出層單元數(shù)一致：就是具有相同的維數(shù)；②能夠保留數(shù)據(jù)中更有效的信息。在實踐中，噪聲和一些特征差異性都會影響到分類器的性能，需要更深層次的特征，因此研究出了去噪自編碼器（Denoising Autoencoder，DAE），即人為的在輸入信息中加入干擾信息，一般為高斯噪聲，在這種條件下重構出輸入信息并力求最小化誤差[5]。因此，更深層次的表達性的特征就被提取了出來，結(jié)構框圖如圖1所示。

去噪自編碼器的任務就是讓盡可能的小[6]，若原始數(shù)據(jù)為，重構后的數(shù)據(jù)為，則誤差函數(shù)則可以表示為：

2語音情感識別的流程

情感識別具體流程如圖2所示，分為4個步驟。

2.1特征提取

EmoDB是由柏林工業(yè)大學錄制的情感語音庫，語言為德語，由10名演員對7種情感進行錄音。本文用OpenSMILE軟件提取特征，根據(jù)2009年首次舉辦的國際語音情感識別挑戰(zhàn)賽所創(chuàng)建的特征集，提取出的特征有384維，然后將其輸入去噪自編碼器中。

2.2特征重構

構建的去噪自編碼器如圖3所示，其中各項參數(shù)如表1所示。

3實驗結(jié)果及分析

本文將EmoDB數(shù)據(jù)庫提取出特征并重構后，將特征集按8：2分為訓練集和測試集，在Tensor flow上進行實驗，其中SVM中的核函數(shù)選線性核函數(shù)，C值取為1～5，對于每個C值，都進行10次實驗最后取平均值，實驗結(jié)果如圖4所示。

從圖4中可以看出，與傳統(tǒng)的SVM分類器相比，本文涉及的情感識別系統(tǒng)對于語音情感的識別正確率最低提升2.01%，最高提升3.02%，因此本文設計的分類系統(tǒng)具有更好的分類性能。

4結(jié)束語

針對傳統(tǒng)SVM對語音情感識別的正確率不高的問題，本文構建了去噪自編碼器重構出了更高階的語音特征用于分類，并在EmoDB數(shù)據(jù)庫上進行了實驗，結(jié)果表明了該方法具有更好的分類性能，提升了SVM對語音情感分類的正確率。

參考文獻

[1] Haytham M. F，Margaret L，Lawrence C. Evaluating deep learning architectures for Speech Emotion Recognition[J]. Neural Networks，2017（92）：60-68.

[2] Liu Pan，Rigoulot S，Pell M D. Cultural Immersion Alters Emotion Perception： Neurophysiological Evidence fom Chinese Immigrants to Canada.[J]. Social Neuroscience， 2017，12（6）：685-700.

[3] Revathi A，Venkataramani Y. Text Independent Speaker and Emotion Independent Speech Recognition in Emotional Environment[M].Springer India：2015.

[4] Yihui Xiong，Renguang Zuo. Recognition of Geochemical AnomaliesUsinga Deep Autoencoder Network[J]. Computers and Geosciences，2016（86）：75-82.

[5] Chandra B， Sharma R K.Adaptive Noise Schedule for Denoising Autoencoder[M].Springer International Publishing： 2014.

[6] Zhang Ying， Liu Rui，Zhang Saizheng，et al.Occlusion-Robust Face Recognition Using Iterative Stacked Denoising Autoencoder[M].Springer Berlin Heidelberg，2013.