- Badshah A M , Rahim N , Ullah N , et al. Deep features-based speech emotion recognition for smart affective services[J]. Multimedia Tools and Applications, 2017.
摘要
语音情感识别具有包括智能医疗、自主语音响应系统、急救中心评估呼叫者情景严重性等多种应用。本文提出了一种基于深度卷积神经网络的方法。通常CNN使用方形的卷积核,并且在不同层使用池化操作,这些操作均适合于2D的图像数据。然而在语音频谱图中,信息使用不同的编码方式,x轴表示时间,y轴表示信号频率,振幅由频谱图中特定位置的强度表示。为了从频谱图中分析语音信号,本文提出使用不同形状的矩形卷积核,以及在矩形范围中使用最大池化的方式以提取特征。本方案在EmoDB库和韩语语音数据库上有效学习了语谱图的判别特征,实现了比许多现有技术更好的性能。
主要创新点
- 在kernel_size、pool_size、strides等设置上改为矩形,并且模仿了AlexNet的结构进行实验
本文的主要工作
- 提出了一种使用矩形核和修正池化策略的CNN结构
- 评估了提出网络在有噪环境下的性能,并与对照网络进行对比
数据集
EmoDB数据库 7种基本情绪
Korean real calls from emergencies using phones
具体方法
原始数据
一维时间序列转换为语谱图处理
- 直接将语音转换为语谱图
- 以overlap:50%将完整的语谱图分割,由16×256变为256×256
网络结构
(图片上有明显标注错误,晕死)
Layer | Shape | n_kernel | kernel_size | stride_size | Activation | Method |
---|---|---|---|---|---|---|
conv1 | 16×256, resized to 256×256 | 96 | (15, 3) | (3, 1) | ReLU | |
pool1 | (3, 1) | (2, 1) | max | |||
conv2 | 256 | (9, 3) | (1, 1) | ReLU | ||
pool2 | (3, 1) | (1, 1) | max | |||
conv3 | 384 | (7, 3) | (1, 1) | ReLU | ||
pool3 | (3, 1) | (1, 1) | max | |||
conv4 | 384 | (7, 1) | (1, 1) | ReLU | ||
pool4 | (3, 1) | (1, 1) | max | |||
conv5 | 256 | (7, 1) | (1, 1) | ReLU | ||
pool5 | (3, 1) | (2, 1) | max | |||
fc1 | 4096 | dropout=0.75 | ||||
fc2 | 4096 | dropout=0.75 | ||||
fc3 | 7 | Softmax |
实验方法
- 75%训练数据,25%测试数据,五倍交叉验证
- batch_size = 128, epochs = 10
- initial learning rate = 0.01, with a decay of 1 after every 10 epochs(每10个周期衰减一次)
实验一:探究CNN性能——AlexNet
square shaped kernels | rectangular shaped kernels |
---|---|
![]() | ![]() |
![]() | ![]() |
总体来说,性能变化不大。但在happy、boredom等易混淆情绪上的识别率明显提高。
实验二:带噪语料库
- 语料库标签分为“正常”和“有情感”两种
- 训练模型并进行识别,与SVM、Decision Tree、Random Forest、AlexNet进行对比。
总结
文章认为矩形核能够更好的拟合语谱图的形式。
个人认为本文章很普通,模型上不具有太大的学习性。。。但其中一个想法很好,就是使用带噪语料库进行实验,这在其他论文中是不常见的,不过这也可能是作者凑篇幅的产物hhhh,个人意见,请勿上纲上线,不喜勿踩。