文献:Yu, C.X., Xie, L. & Hu, W.P. (2016) Feature optimization of Speech Emotion Recognition. Biomedical Science and Engineering, 9, 37-43. http://dx.doi.org/10.4236/jbise.2016.910B005. 论文原文

1.背景介绍 ¶

语音信号不仅包含语义还包含说话者的情感信息，而传统的语音处理通常会忽略这些信息，但是情感信息在语音交流中起着非常重要的作用。传统特征，例如能量（energy，E）、过零率（ZCR）、基本频率（F0）、第一共振峰（FF）、梅尔频率倒谱系数（MFCC）、线性预测系数（LPC）、短时平均值幅度（SAM）等及其统计信息，例如最大值（Max）、最小值（Min）、均值，方差（Var）、一阶差（FOD）、变化率（RC）等通常用于识别语音情感。本文采用反向传播（Back Propagation，BP）神经网络对特征显著性进行排序，基于特征选择，将语音情感的两个新特征，即从基本频率曲线（MFCCF0）提取的MFCC特征和从短时平均幅度曲线（APSAM）提取的幅度扰动参数添加到所选特征中。高斯混合模型（GMM）用于识别语音情感。根据实验结果，两个新增特征可以有效提高识别率。

2.特征摘取（Feature Extraction）： ¶

2.1传统特征（Traditional Features）： ¶

首先对语音信号进行预处理，然后从每帧信号中提取特征参数，并找出它们的最大值、最小值、平均值、方差、FOD，以及F0的RC和FF的RC，总共32个传统特征。

2.2新特征： ¶

利用自相关函数法从语音信号的每一帧中提取基频参数，得到基频曲线。然后采用5点的中值滤波对该曲线进行平滑处理，将删除偏离该曲线的基本频率点。最后，从该处理曲线中提取了四阶MFCC特征参数，这是第一个新特征。接下来，提取语音信号的每个帧的SAM并获得SAM曲线。根据该曲线，可以确定出振幅摄动参数，该参数用于描述一定范围内的抖动水平。幅度扰动参数，例如幅度抖动百分比（Shim），幅度抖动（ShdB），幅度扰动商（APQ），其公式如下：

2.3基于BP神经网络的特征选择： ¶

网络输出对其输入的敏感度用于对输入特征进行排序。隐藏层的激活函数使用Sigmoid函数，而输出层的激活函数是线性函数。隐藏节点的数量为15，32个传统特征用作网络输入。然后计算每个输入的显著性值，将经过训练的10个网络的显着性值取平均值，以提高准确性。平均显著性值进行排名的结果如下所示：

3. 结果与讨论 ¶

3.1基于传统特征的识别： ¶

显著性前六个传统特征：E FOD，F0均值，MFCC均值，ZCR FOD，LPC均值和E均值。分别选择前四个，五个和六个特征参数，并使用GMM识别它们。结果如下所示：

3.2基于传统和新特征的识别： ¶

表5显示了前五个特征（E FOD，F0平均值，MFCC平均值，ZCR FOD，LPC平均值）和MFCCF0的识别结果。表6显示了前五个功能和APSAM的识别结果。表7显示了前五个功能MFCCF0和APSAM的识别结果。

4.总结 ¶

基于BP神经网络的特征选择方法，不仅方便选择各种传统特征中最有效的特征，而且减小了特征空间的维数。根据实验结果，这两个新功能可以表征某些新的情感信息，因此可以提高语音情感的识别率。