基于SVM语音信号情感识别.pdfVIP

第17 卷 第5 期 电路与系统学报 Vol. 17 No.5 2012 年 10 月 JOURNAL OF CIRCUITS AND SYSTEMS October ，20 12 文章编号：1007-0249 (20 12) 05-0055-05 * 基于SVM的语音信号情感识别 1,2 2 秦宇强 ， 张雪英 （1. 太原科技大学，山西 太原 030024 ；2 . 太原理工大学，山西 太原 030024 ） 摘要：在智能人-机交互系统中，语音信号的情感分类是目前热点的研究领域，并且得到了广泛的应用。本文提出 一种基于特征提取和借助支持向量机（support vector machine ，SVM ）分类器（classifier ）的情感互相关性的方法，并 应用于情感语音识别。利用这种方法对3 种情感语音信号进行情感分类。SVM 分类器是利用情感语音信号中情感互相 关性的特征提取进行分类的。这种通过 SVM 分类器的情感互相关性的自动分类方法，可以将情感识别率大幅提高， 并且在识别愤怒情感时的准确率可以达到95.04% 。 关键词：语音情感识别；情感互相关；支持向量机（SVM ） 中图分类号：TP37 文献标识码：A 1 引言 在人-人的交流中，情感的传递有很多的渠道，比如说面部表情、肢体表达、行为和语言等。在没 有可视信号的情况下，语音表达尤为重要。因为不同的情感表现出不同的特征，所以语音中的情感甚 [1] [2] 至在人-人交流中也不容易识别 。这就促使人们在心理学和生理学上对情感投入大量的工作 。如今 情感语音已经日益成为科研人员研究的焦点，尤其是在这个领域中的重要应用，比如智能人-机交互、 情感语音合成、精神病诊断和测谎等。目前, 研究者识别语音情感类型普遍采用的方法有主成分分析 （Principal Component Analysis ，PCA ）、高斯混合模型（Gaussian Mixtures Model ，GMM ）、K最近邻 法（K-Nearest Neighborhood ，KNN ）等。这些方法应用于语音情感识别取得的情感识别率还不太令人 [1~3] 满意，有待进一步提高 。 本文提出情感互相关性这个新的特征提取方法，它依赖于SVM分类器。SVM使用了结构风险最小 化（Structural Risk Minimization，SRM ）原理（涉及错误上限最小化，包括训练错误和信任间距错误）， [3] 可以达到更高识别率。从研究情感互相关性的结果来看，提取了5种特征，把这些特征向量称为模式 。 通过使用所有的模式来测试这些分类器的能力，从而达到提高语音信号中情感识别率的目的。 2 用于语音情感特征提取的互相关性原理