Page 96 - 应用声学2019年第2期

242
N 就被确定，只需要调整隐含层到输出层的权重系
数β i ，对该系数的训练可转化为求解一个线性系统
Nβ = T 。输出权重可由式(20) 确定，
ˆ
β = N ,
†
式(20) 中，N 是矩阵的 Moore-Penrose广义逆。可
†
证明求得解的范数最小且唯一，且 ELM 的计算速
度较基本梯度下降算法快数倍 [21] 。
3 实验验证
3.1 数据集选取
本实验基于德国 BerlinEMODB语音情感数据
库和美国 RAVDESS 视听情感数据库，下面对两种
数据库进行简单的介绍。
德国 BerlinEMODB 语音情感数据库是最为常
用的公开语音情感数据库之一，它是由德国柏林工
业大学录制的德语情感数据库，由10位专业演员(5
男5女)参与录制，得到包含生气、无聊、厌恶、害怕、
高兴、中性和悲伤等７类基本情感的800条语句。对
于文本语料的选择遵从选择语义中性、无明显情感
倾向的日常语句，且语音在专业录音室中录制而成。
经过 20 个说话人的听辨测试，最终得到 494 条情感
语句用于实验评价 [11] 。
美国 RAVDESS 视听情感数据库是为北美英
语的科学家和治疗师提供一个可自由使用的动态
视听语音录音库，由 24名演员 (12 男，12女) 参与录
制，他们用北美英文口音说话和唱歌，语音中包含各
种情绪。包含 7356 个情感中性陈述的高品质视频
录音，用一系列情绪说出和唱出。演讲集包括 8 个
情绪表达：中性、冷静、快乐、悲伤、愤怒、恐惧、惊
讶和厌恶。歌曲集包括 6 种情绪表达：中性、冷静、
快乐、悲伤、愤怒和恐惧。除了中性以外的所有情
绪都表现为两种情绪强度：正常和强烈。有2452 个
独特的发声，所有这些都有三种模式格式：完整的
音频 -视频 (720p，H.264)、纯视频和纯音频 (波形)。
该数据库已经在涉及 297名参与者的感知实验中得
到验证 [24] 。
3.2 特征选取
传统语音情感特征为基频特征、韵律谱特征
以及部分非线性特征 [10] ，本文将 VMD-MFCC、
VMD-HT 和传统语音情感特征相结合作为实验选
取的特征，称为底层特征，底层特征描述见表1。
2019 年 3 月
表 1 底层特征描述
Table 1 Description of the underlying features
底层特征描述 维度
(20) 短时能量最大值、最小值、均值、方差、
1∼8
帧差、自相关系数、均方误差、能量比
基音频率最大值、最小值、均值、方差、第一、二阶抖动 9∼14
浊音频率最大值、最小值、均值、方差 15∼18
第一共振峰的最大值、最小值、均值、方差、一阶抖动 19∼24
VMD-MFCC(0-12 阶) 最大值、最小值、均值、方差 25∼76
DB3 小波高、低频能量、总能量 77∼79
VMD-HT 边际谱 (K=4) 高频、低频、总能量 80∼91
3.3 仿真结果
为了验证 VMD-HT 和 VMD-MFCC 特征在语
音情感识别中的应用效果，取两种语音情感数据集
中共有的生气、伤心、害怕、开心、中性五种情感，取
10名说话人的情感语句各 50句。其中，随机抽取 40
句用来做训练，10句用来测试，进行10次实验，实验
结果以 10次实验识别率的平均值作为评估指标，整
个实验与说话人无关。采用 KNN(K=5)、SVM(核
函数设置为 sigmoid)、ELM 作为分类方法，输入为
91 维底层情感特征，并采用 Sethu V 的 EMD 特征
和向磊的 EEMD 特征进行对比实验，对比实验中
的输入特征中 25∼76 和 80∼91 维分别替换为基于
EMD和EEMD的特征。实验结果见表2、表3。
由表 2、表 3 可知，ELM 分类准确度要高于
KNN 和 SVM；在两个数据集中，加入 VMD 特征的
ELM 方法分别在中性和害怕情绪的识别率达到最
高，而开心情感识别率在两个数据集中都为最低。
相较于传统语音情感特征，基于 EMD 的特征通
过选取主导 IMF 分量，不仅减少了计算负担，而且
避免包含冗余或信息量较少的数据，有效地提升了
语音情感识别性能；基于 EEMD 的特征，由于避免
了EMD分量的模态混叠问题，识别率在 EMD 特征
的基础上有所提升；在加入 VMD 特征之后，由于
VMD 分解方法不仅解决了 EMD 方法模态混叠的
问题，还提升了 IMF 信号的分解完整性，因此，基于
VMD 的特征在三种分类方式上的识别度都高于基
于 EMD 和 EEMD 的特征。以 EMODB 为例，害怕
的识别率提高了2%，中性的识别率提高了5%，生气
的识别率提高了 2%。因此，将 VMD 特征用于语音
情感识别，可以有效提高识别准确率，且将 VMD 特
征和ELM分类器结合，有更好的识别效果。