基于主輔網(wǎng)絡(luò)特征融合的語音情感識(shí)別

胡德生，張雪英，張 靜，李寶蕓

(太原理工大學(xué) 信息與計(jì)算機(jī)學(xué)院，太原 030024)

語言是人類交流最方便、最快捷的方式，語言中包含的情感信息在交流時(shí)發(fā)揮著重要作用。讓機(jī)器像人一樣具備說話、思維和情感能力，是人工智能領(lǐng)域一直追求的目標(biāo)。語音情感識(shí)別的研究，將推動(dòng)這一目標(biāo)的逐步實(shí)現(xiàn)。

典型的語音情感識(shí)別模型由語音情感數(shù)據(jù)庫、特征提取和識(shí)別3部分組成[1]，提取有效情感特征是語音情感識(shí)別的關(guān)鍵。傳統(tǒng)的語音情感識(shí)別首先分幀提取Mel頻率倒譜系數(shù)(Mel frequency cepstral coefficients，MFCC)等聲學(xué)特征，然后提取所有幀的最大值、最小值、均值、方差等統(tǒng)計(jì)特征作為語音信號(hào)的全局特征[2-4]。由于全局特征是在句子級(jí)別上提取統(tǒng)計(jì)特征，所以其只能粗略反映語音情感隨時(shí)間變化的特性。針對(duì)這個(gè)問題，段特征的概念被提出，首先將語音信號(hào)分段，每段包含若干幀語音，對(duì)這若干幀語音各自提取聲學(xué)特征后，再計(jì)算這段語音的多個(gè)統(tǒng)計(jì)特征作為段特征。文獻(xiàn)[2]將段特征直接輸入基于注意力機(jī)制的長短時(shí)記憶單元(long short-term memory，LSTM)網(wǎng)絡(luò)提取深度特征并分類，與全局特征相比取得了較好的效果。

語譜圖是一維語音信號(hào)在二維時(shí)頻域的展開，能夠充分反映語音信號(hào)在時(shí)頻域大部分信息。卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks，CNN)由于其自動(dòng)學(xué)習(xí)特征的能力和適用于二維圖像數(shù)據(jù)的特點(diǎn)，目前被廣泛用在語譜圖中提取特征，進(jìn)一步提高語音情感識(shí)別性能[5-8]。如文獻(xiàn)[8]先將語譜圖輸入全卷積網(wǎng)絡(luò)(fully convolutional networks，F(xiàn)CN)，并在最后一層卷積層使用注意力機(jī)制，最后進(jìn)行情感識(shí)別，在IEMOCAP數(shù)據(jù)集上其WA(weighted accuracy)和UA(unweighted accuracy)分別達(dá)到70.4%，63.9%.

近年來，國內(nèi)外學(xué)者提出多種混合網(wǎng)絡(luò)模型用于將不同類型的特征進(jìn)行特征融合，提升了語音情感識(shí)別的性能[9-11]。文獻(xiàn)[9]提出HSF-CRNN模型，采用CRNN網(wǎng)絡(luò)對(duì)語譜圖提取深度特征，將全局特征輸入全連接層，最后將兩者拼接進(jìn)行情感識(shí)別；文獻(xiàn)[10]提出Attention-BLSTM-FCN模型，在Mel語譜圖上分別應(yīng)用Attention-BLSTM網(wǎng)絡(luò)和Attention-FCN網(wǎng)絡(luò)，然后將兩個(gè)網(wǎng)絡(luò)提取的深度情感特征以直接拼接的方式進(jìn)行特征融合，最后輸入全連接層進(jìn)行分類識(shí)別。雖然這些方法取得了一定的效果，但將不同類型的特征簡(jiǎn)單拼接起來作為識(shí)別網(wǎng)絡(luò)的輸入，沒有考慮不同特征的量綱和維度的差異，以及各類型特征實(shí)際物理意義的不同，會(huì)對(duì)識(shí)別結(jié)果帶來不利影響。

針對(duì)上述問題，本文提出了通過主輔網(wǎng)絡(luò)方式將不同類別特征進(jìn)行融合的方法。首先將段特征輸入BLSTM-Attention網(wǎng)絡(luò)作為主網(wǎng)絡(luò)，提取深度段特征；然后，把Mel語譜圖輸入CNN-GAP網(wǎng)絡(luò)作為輔助網(wǎng)絡(luò)，提取深度Mel語譜圖特征；最后，用深度Mel語譜圖特征輔助深度段特征，將兩者以主輔網(wǎng)絡(luò)方式進(jìn)行特征融合。在IEMOCAP數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明，使用主輔網(wǎng)絡(luò)深度特征融合的WA和UA分別達(dá)到74.45%、72.50%，比將特征直接拼接的WA和UA分別提高了1.24%、1.15%.

1 不同類別的特征提取

1.1 段特征提取

1) 語音信號(hào)采樣率為16 kHz，分幀處理時(shí)取窗長256，窗移128；

2) 使用截?cái)嗷蜓a(bǔ)零的方式使所有語音長度為1 000幀；

3) 計(jì)算每一幀信號(hào)的平均過零率、能量、基音頻率、共振峰、MFCC，共18維聲學(xué)特征[12]；

4) 每5幀組成一段[13]，共200段。計(jì)算一段內(nèi)聲學(xué)特征的最大值、最小值、平均值、中值和方差等統(tǒng)計(jì)特征，得到一段信號(hào)的18×5=90維特征；

5) 標(biāo)準(zhǔn)化處理，得到每一句情感語音信號(hào)的90×200的段特征，段內(nèi)的聲學(xué)特征如表1所示。

表1 段內(nèi)的聲學(xué)特征及其統(tǒng)計(jì)類型Table 1 Acoustic feature and statistical feature within a segment

1.2 Mel語譜圖生成

首先對(duì)語音信號(hào)進(jìn)行STFT變換，使用漢明窗，窗長256，窗移128.

大量實(shí)驗(yàn)表明人耳聽到的聲音高低和實(shí)際頻率(Hz)不呈線性關(guān)系，Mel頻率更加符合人耳的聽覺特性，Mel頻率fMel和Hz頻率f的關(guān)系如式(1)所示。

(1)

然后通過40階Mel濾波器組得到Hm(k)，再將Hm(k)×|X(k)|2求和得到Mel語譜圖。

Mel濾波器組的輸出計(jì)算如式(2)所示，每個(gè)濾波器具有三角濾波特性，

(2)

式中：f(m)為中心頻率，m表示Mel濾波器的階數(shù)；k表示FFT中點(diǎn)的編號(hào)。

Mel語譜圖計(jì)算如式(3)所示，

(3)

其中，|X(k)|2表示頻譜能量。

最后使用截?cái)嘌a(bǔ)零的方式使所有Mel語譜圖大小對(duì)齊，得到大小為40×432的Mel語譜圖。

1.3 基于BLSTM-Attention的深度段特征提取

LSTM適合對(duì)序列問題進(jìn)行建模，因此被廣泛應(yīng)用在語音識(shí)別和語音情感識(shí)別中。BLSTM由正向LSTM和反向LSTM組成。BLSTM不僅可以考慮輸入數(shù)據(jù)以前的信息，還可以考慮輸入數(shù)據(jù)未來的信息，可以更好地對(duì)序列問題進(jìn)行建模。采用BLSTM對(duì)段特征進(jìn)行建模可以提取考慮上下文情感信息的深度情感特征。本文使用兩層BLSTM，隱藏神經(jīng)元個(gè)數(shù)為300，為了減輕過擬合使用dropout，棄權(quán)率為0.5.

通過對(duì)BLSTM輸出應(yīng)用注意力機(jī)制可以關(guān)注輸入的情感語音信號(hào)中更顯著的情感片段，增強(qiáng)BLSTM網(wǎng)絡(luò)提取顯著深度段特征的能力。更具體地說，以LSTM為核心的識(shí)別器在時(shí)間上展開的長度是T，則LSTM在每一時(shí)刻都對(duì)應(yīng)一個(gè)輸出。相比于平均池化輸出和最后時(shí)刻輸出，注意力機(jī)制可以兼顧LSTM層每一時(shí)刻的輸出，其對(duì)LSTM網(wǎng)絡(luò)每一時(shí)刻的輸出分配不同的權(quán)重來考慮上下文情感信息的深層特征。注意力機(jī)制的具體計(jì)算如式(4)所示：

(4)

式中：st∈RD是輸入序列的某一元素；T表示LSTM的某一時(shí)刻；αt為加權(quán)系數(shù)。加權(quán)系數(shù)可以通過式(5)、(6)算出，并通過網(wǎng)絡(luò)訓(xùn)練進(jìn)行更新。

αt=softmax(βt) .

(5)

(6)

1.4 基于CNN-GAP的深度Mel語譜圖特征提取

由于CNN適合于二維圖像數(shù)據(jù)，而Mel語譜圖是一維語音信號(hào)在二維時(shí)頻域的展開，因此CNN可以用來在Mel語譜圖上提取深度特征。CNN由卷積層和池化層組成，卷積層用來提取特征，池化層用來降低網(wǎng)絡(luò)規(guī)模和過擬合，通常采用最大值池化或均值池化。

Mel語譜圖是一維語音信號(hào)在二維時(shí)頻域的展開，能夠充分反映語音信號(hào)在時(shí)頻域大部分信息。針對(duì)Mel語譜圖的這一特點(diǎn)，可以分別在時(shí)間軸和頻率軸設(shè)計(jì)較大的卷積核，提取Mel語譜圖的頻率和時(shí)間特性，進(jìn)而提取顯著的情感特征。設(shè)計(jì)的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

卷積核大小表示為長×寬×輸入通道×輸出通道，池化層大小表示為長×寬圖1 設(shè)計(jì)的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 Design of the convolutional neural network structure

第一層卷積層在時(shí)間軸上設(shè)計(jì)較大的卷積核，提取Mel語譜圖的時(shí)間特性；第二層卷積層在頻率軸上設(shè)計(jì)較大的卷積核，提取Mel語譜圖的頻率特性；第三層卷積層使用3×3卷積核；第四層卷積層在頻率軸上使用全卷積，最后再使用全局平均池化(global average pooling，GAP).用GAP代替全連接層可以減輕過擬合，使網(wǎng)絡(luò)易于訓(xùn)練。每一層卷積層都使用了批歸一化(batch normalization，BN)以及Relu激活函數(shù)。具體網(wǎng)絡(luò)參數(shù)經(jīng)過調(diào)參得到。

2 主輔網(wǎng)絡(luò)特征融合模型

2.1 主輔網(wǎng)絡(luò)特征融合的網(wǎng)絡(luò)結(jié)構(gòu)

將段特征輸入BLSTM-Attention網(wǎng)絡(luò)提取了深度段特征，將Mel語譜圖輸入CNN-GAP網(wǎng)絡(luò)提取深度Mel語譜圖特征，通常將兩者以直接拼接的方式進(jìn)行特征融合，但是沒有考慮不同特征的量綱和維度的差異，會(huì)對(duì)識(shí)別結(jié)果帶來不利影響。因此，本文提出基于主輔網(wǎng)絡(luò)特征融合的語音情感識(shí)別。

主輔網(wǎng)絡(luò)特征融合的網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。傳統(tǒng)聲學(xué)特征以時(shí)域特征為主，具有明確的物理意義，因此將其作為主網(wǎng)絡(luò)輸入特征。主網(wǎng)絡(luò)是基于BLSTM-Attention的深度段特征提取模塊，輔助網(wǎng)絡(luò)是基于CNN-GAP的深度Mel語譜圖特征提取模塊，兩者以主輔網(wǎng)絡(luò)方式組成特征融合網(wǎng)絡(luò)。主網(wǎng)絡(luò)分為上、下兩部分，MU代表上半部分，由全連接層構(gòu)成；MD代表下半部分，由BLSTM-Attention網(wǎng)絡(luò)構(gòu)成。e0表示語音段特征，經(jīng)標(biāo)準(zhǔn)化后作為主網(wǎng)絡(luò)的輸入；hl代表主網(wǎng)絡(luò)MD部分的輸出，是深度段特征，維度是600.輔助網(wǎng)絡(luò)由CNN-GAP網(wǎng)絡(luò)構(gòu)成，v0表示Mel語譜圖，作為輔助網(wǎng)絡(luò)輸入，vM表示輔助網(wǎng)絡(luò)GPA的輸出，輔助網(wǎng)絡(luò)FC層的Wc是控制參數(shù)(為了簡(jiǎn)化描述，省略了輔助網(wǎng)絡(luò)FC層偏置項(xiàng))，也是權(quán)重，維度是128×200.一方面在主網(wǎng)絡(luò)參數(shù)更新時(shí)可以控制輔助網(wǎng)絡(luò)參數(shù)不更新；另一方面是對(duì)vM進(jìn)行特征變換。Concate表示hl與WcvM直接拼接，并輸入主網(wǎng)絡(luò)的MU上半部分，其中hl表示BLSTM-Attention網(wǎng)絡(luò)提取的深度段特征，vM表示CNN-GAP網(wǎng)絡(luò)提取的深度Mel語譜圖特征，Wc表示控制主輔網(wǎng)絡(luò)訓(xùn)練的參數(shù)。然后將Concate拼接結(jié)果通過FC層做進(jìn)一步特征融合，最后使用Softmax進(jìn)行分類。

圖2 主輔網(wǎng)絡(luò)特征融合的結(jié)構(gòu)模型Fig.2 A structural model of feature fusion of main-auxiliary networks

2.2 主輔網(wǎng)絡(luò)特征融合參數(shù)傳遞及更新

本文提出的基于主輔網(wǎng)絡(luò)特征融合的語音情感識(shí)別模型，最重要的是網(wǎng)絡(luò)訓(xùn)練過程，也就是誤差反傳參數(shù)更新的過程，主輔網(wǎng)絡(luò)特征融合參數(shù)傳遞示意圖如圖3所示。

圖3 主輔網(wǎng)絡(luò)特征融合參數(shù)傳遞及更新Fig.3 Transfer and update of main-auxiliary network feature fusion parameters

由于輔助網(wǎng)絡(luò)的加入，網(wǎng)絡(luò)的訓(xùn)練被分為三步：

1) 參數(shù)初始化。將語音段特征e0輸入主網(wǎng)絡(luò)，將Mel語譜圖v0輸入輔助網(wǎng)絡(luò)；然后將控制參數(shù)Wc初始化為0，主網(wǎng)絡(luò)和輔助網(wǎng)絡(luò)的權(quán)重和偏置通過截?cái)嗾植茧S機(jī)初始化。

2) 主網(wǎng)絡(luò)訓(xùn)練。首先通過控制Wc和網(wǎng)絡(luò)設(shè)置使輔助網(wǎng)絡(luò)不起作用，然后使用梯度下降算法和反向傳播算法訓(xùn)練主網(wǎng)絡(luò)使主網(wǎng)絡(luò)MD和MU參數(shù)更新。

3) 輔助網(wǎng)絡(luò)訓(xùn)練。首先將主網(wǎng)絡(luò)MD和MU的權(quán)重和偏置設(shè)置為不更新，將輔助網(wǎng)絡(luò)的權(quán)重、偏置和Wc設(shè)置為更新；使用梯度下降算法和反向傳播算法訓(xùn)練輔助網(wǎng)絡(luò)使輔助網(wǎng)絡(luò)參數(shù)和Wc更新。

下面介紹輔助網(wǎng)絡(luò)的一些參數(shù)更新。主輔網(wǎng)絡(luò)最后一層輸出拼接向量為hl，具體的拼接公式如式(7)所示：

hl=hl+WcvM.

(7)

(8)

(9)

3 實(shí)驗(yàn)及結(jié)果

3.1 實(shí)驗(yàn)數(shù)據(jù)庫及網(wǎng)絡(luò)參數(shù)設(shè)置

本文使用美國南加州大學(xué)發(fā)布的英文情感數(shù)據(jù)集IEMOCAP(the interactive emotional dyadic motion capture database).該數(shù)據(jù)集由5個(gè)會(huì)話組成，每個(gè)會(huì)話由一對(duì)說話者(女性和男性)在預(yù)先設(shè)定的場(chǎng)景和即興場(chǎng)景中對(duì)話。本文使用即興場(chǎng)景對(duì)話中的語句，選取4種情感，分別是高興、悲傷、憤怒、中性，共2 046條語句。

本文使用tensorflow深度學(xué)習(xí)框架，以本文提出的網(wǎng)絡(luò)模型為例，通過多次實(shí)驗(yàn)確定網(wǎng)絡(luò)參數(shù)如下：主網(wǎng)絡(luò)學(xué)習(xí)率為0.000 5，輔助網(wǎng)絡(luò)學(xué)習(xí)率為0.001；主網(wǎng)絡(luò)minibatch大小為96，輔助網(wǎng)絡(luò)minibatch大小為48；主輔網(wǎng)絡(luò)均使用Adam優(yōu)化器。

3.2 實(shí)驗(yàn)結(jié)果及分析

本文采用情感識(shí)別領(lǐng)域常見的兩種評(píng)價(jià)指標(biāo)：加權(quán)準(zhǔn)確率WA和非加權(quán)準(zhǔn)確率UA.WA衡量了語音情感識(shí)別系統(tǒng)的總體性能，其計(jì)算方式為正確分類的樣本數(shù)量除以樣本總數(shù)；UA衡量所有類別的識(shí)別性能，其計(jì)算方式為各類的分類準(zhǔn)確率再除以類別數(shù)。本文采用分層五折交叉方式驗(yàn)證模型預(yù)測(cè)效果，使用樣本的80%進(jìn)行訓(xùn)練，20%進(jìn)行測(cè)試，最后對(duì)5次預(yù)測(cè)結(jié)果取平均。為了評(píng)價(jià)本文所提算法的有效性，對(duì)5種識(shí)別模型在IEMOCAP數(shù)據(jù)集上進(jìn)行了對(duì)比實(shí)驗(yàn)，結(jié)果如表2所示。

下面對(duì)5種識(shí)別模型的輸入特征進(jìn)行說明。

BLSTM：將段特征輸入BLSTM網(wǎng)絡(luò)進(jìn)行特征提取，然后輸入Softmax分類器進(jìn)行語音情感識(shí)別。

BLSTM-Attention：將段特征輸入BLSTM-Attention網(wǎng)絡(luò)進(jìn)行特征提取，然后輸入Softmax分類器進(jìn)行語音情感識(shí)別。

CNN-GAP：將Mel語譜圖輸入CNN-GAP網(wǎng)絡(luò)進(jìn)行特征提取，然后輸入Softmax分類器進(jìn)行語音情感識(shí)別。

Concate Network：將段特征輸入基于BLSTM-Attention網(wǎng)絡(luò)，將Mel語譜圖輸入CNN-GAP網(wǎng)絡(luò)，再將兩者以直接拼接的方式進(jìn)行特征融合，最后輸入Softmax分類器進(jìn)行語音情感識(shí)別。

Our Methods：本文提出的主輔網(wǎng)絡(luò)特征融合識(shí)別模型，先將段特征輸入基于BLSTM-Attention網(wǎng)絡(luò)，將Mel語譜圖輸入CNN-GAP網(wǎng)絡(luò)，再將兩者以主輔網(wǎng)絡(luò)特征融合的方式進(jìn)行特征融合，最后輸入Softmax分類器進(jìn)行語音情感識(shí)別。

由表2可知，Our Methods的WA和UA比BLSTM-Attention分別提高3.20%，3.08%；比CNN-GAP分別提高3.68%，4.02%；比Concate Network分別提高1.24%，1.15%.表明使用兩種特征融合比單獨(dú)使用一種特征更有效，且主輔網(wǎng)絡(luò)特征融合方式的識(shí)別結(jié)果比直接拼接方式特征融合的識(shí)別結(jié)果更有效。

表2 5種識(shí)別模型在IEMOCAP數(shù)據(jù)集上的識(shí)別結(jié)果Table 2 Recognition results of the five recognition models on IEMOCAP dataset %

Our Methods的混淆矩陣如表3所示，中性、高興、悲傷、生氣情感的識(shí)別準(zhǔn)確率分別為60.02%，78.15%，88.37%，63.51%，4種情感識(shí)別準(zhǔn)確率均高于60%，進(jìn)一步證明了Our Methods的有效性。

表3 Our Methods的混淆矩陣Table 3 Confusion matrix of Our Methods %

表4中列出了Our Methods和其他模型在 IEMOCAP數(shù)據(jù)集上研究的識(shí)別結(jié)果，識(shí)別模型均采用即興場(chǎng)景對(duì)話中的語句，選取了4種情感。從表4可以看出，Our Methods和其他模型相比取得了不錯(cuò)的效果，比Attention-BLSTM-FCN模型[15]的WA和UA分別提高了6.35%和5.50%.

表4 Our methods和其他模型在IEMOCAP數(shù)據(jù)集上的識(shí)別結(jié)果Table 4 Recognition results of Our Methods and other models on IEMOCAP datasets %

4 結(jié)束語

情感的表達(dá)本身是一個(gè)很復(fù)雜的過程，涉及到心理以及生理方面的諸多因素，因此從語音信號(hào)中識(shí)別出情感信息是一個(gè)挑戰(zhàn)性的課題。本文將段特征輸入BLSTM-Attention網(wǎng)絡(luò)作為主網(wǎng)絡(luò)，把Mel語譜圖輸入CNN-GAP網(wǎng)絡(luò)作為輔助網(wǎng)絡(luò)，然后將兩個(gè)網(wǎng)絡(luò)提取的深度特征以主輔網(wǎng)絡(luò)方式進(jìn)行特征融合，解決不同類型特征直接融合帶來的識(shí)別結(jié)果不理想的問題，并用實(shí)驗(yàn)驗(yàn)證了所提出模型的有效性。在今后的研究過程中，擬改進(jìn)CNN-GAP網(wǎng)絡(luò)的最后一層的池化方式并將腦電信號(hào)作為輔助信號(hào)引入主輔網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行語音情感識(shí)別。