全文链接：https://tecdat.cn/?p=38258
原文出处：拓端数据部落公众号
在语音处理领域，对语音情感的分类是一个重要的研究方向。本文将介绍如何通过结合二维卷积神经网络（2 - D CNN）和长短期记忆网络（LSTM）构建一个用于语音分类任务的网络，特别是针对语音情感识别这一应用场景。文中将展示相关代码和实验结果，包括数据处理、模型架构定义、训练以及测试等环节，并对重要步骤和结果进行详细阐述和分析。
方法
（一）数据准备
- 数据下载
本文使用柏林情感语音数据库（Emo - DB）来训练模型。这个数据集包含了由10个演员说出的535个语句，这些语句被标记为愤怒、无聊、厌恶、焦虑/恐惧、快乐、悲伤或中性这七种情感之一。
- 提取情感标签
文件名编码了说话者ID、所说文本、情感和版本信息。情感标签的编码如下：“W—愤怒”、“L—无聊”、“E—厌恶”、“A—焦虑/恐惧”、“F—快乐”、“T—悲伤”、“N—中性”。
filepaths = ads.Files;
\[~,filenames\] = fileparts(filepaths);
emotionLabels = extractBetween(filenames,6,6);这段代码首先获取audioDatastore对象中所有音频文件的路径，然后提取文件名，并从文件名的第六个字符获取情感标签。
- 标签转换
将单字母代码形式的标签替换为描述性标签，并将标签转换为分类数组。
- 设置标签属性并查看分布
首先将提取并转换后的情感标签设置为audioDatastore对象的Labels属性。然后，通过绘制直方图来查看不同情感类别的数据分布情况。
- 读取样本、查看波形和试听
\[audio,info\] = read(ads);
fs = info.SampleRate;
sound(audio,fs)上述代码从数据存储中读取一个音频样本，获取其采样率，播放该音频。同时，绘制音频的波形图，标题显示其情感类别
- 数据划分与增强
将数据划分为训练集、验证集和测试集，其中训练集占70%，验证集和测试集各占15%。
\[adsTrain,adsValidation,adsTest\] = splitEachLabel(ads,0.70,0.15,0.15);为了提高模型的拟合能力，在训练数据有限的情况下，可以通过数据增强的方式增加训练数据量。创建一个audioDataAugmenter对象，指定每个文件的增强次数、音高偏移概率、时间偏移概率和范围、添加噪声概率和信噪比范围等参数。
创建一个新文件夹来存储增强后的数据，然后通过循环遍历数据存储和使用音频数据增强器来增强训练数据。对于每个增强样本，进行归一化处理，并将其保存为WAV文件。
最后，创建增强数据的音频数据存储对象，并将其标签设置为原始训练数据标签的重复元素。
augadsTrain = audioDatastore(agumentedDataFolder);
augadsTrain.Labels = repelem(adsTrain.Labels,augmenter.NumAugmentations,1);- 特征提取
使用audioFeatureExtractor对象从音频数据中提取特征，指定窗口长度、跳跃长度、窗口类型和要提取的频谱类型等参数。
设置特征提取器的参数，包括梅尔频带数量和是否禁用窗口归一化。
使用preprocessAudioData函数从训练集、验证集和测试集中提取特征和标签。
绘制一些训练样本的波形和听觉频谱图，如下代码所示：
numPlots = 3;
idx = randperm(numel(augadsTrain.Files),numPlots);
f = figure;
f.Position(3) = 2*f.Position(3);
tiledlayout(2,numPlots,TileIndexing = "columnmajor")结果如
（二）模型架构定义
定义二维CNN - LSTM网络，用于预测序列的类别标签，网络结构如下代码所示：
对于序列输入，指定一个序列输入层，其输入大小与输入数据匹配，并设置MinLength选项为训练数据中最短序列的长度。使用二维CNN架构来学习一维图像序列中的空间关系，包括四个重复的卷积、批量归一化、ReLU和最大池化层块，并逐渐增加第三和第四卷积层的滤波器数量。通过包含一个具有256个隐藏单元的LSTM层来学习一维图像序列中的长期依赖关系，并将OutputMode选项设置为"last"，仅输出最后一个时间步。对于分类任务，包含一个全连接层和一个softmax层，最后添加一个分类层。
（三）训练选项指定
使用trainingOptions函数指定训练选项，包括使用Adam优化器、小批量大小、训练轮数、初始学习率、学习率调整策略、L2正则化项、序列填充方向、是否打乱数据、验证频率、是否显示训练进度以及是否在GPU上训练等参数，代码如下：
miniBatchSize = 32;
options = trainingOptions("adam",...
MaxEpochs = 3,...
MiniBatchSize = miniBatchSize,...模型训练与测试
（一）训练网络
使用trainNetwork函数训练网络，如果没有GPU，训练可能会花费较长时间
训练过程的进度图如![训练进度图所示。
![{"String":"Figure Training Progress (05-May-2022 17:02:32) contains 2 axes objects and another object of type uigridlayout. Axes object 1 contains 10 objects of type patch, text, line. Axes object 2 contains 10 objects of type patch, text, line.","Tex":[],"LaTex":[]}](https://img-blog.csdnimg.cn/img_convert/624554706d2f7f7f7baa9...)
（二）测试网络
使用训练好的网络对测试数据进行分类，并通过比较预测结果和真实标签来评估模型的分类准确率。首先，对测试数据进行分类。
然后，通过绘制混淆矩阵来可视化预测结果，代码如下：
figure
confusionchart(labelsTest,labelsPred)
结果如混淆矩阵图所示。最后，通过计算预测结果和测试标签相同的比例来评估分类准确率，本次实验得到的准确率为0.6329。
结论
本文详细介绍了基于二维CNN - LSTM网络的语音情感分类模型的构建、训练和测试过程。通过对柏林情感语音数据库的实验，展示了模型在语音情感分类任务上的性能。虽然取得了一定的准确率，但仍有改进的空间，例如进一步优化数据增强策略、调整模型架构或训练参数等，未来的研究可以在此基础上继续深入。同时，本文中的方法和代码也可以为相关领域的研究人员提供参考和借鉴。
参考文献
[1] Burkhardt, Felix, A. Paeschke, M. Rolfes, Walter F. Sendlmeier, and Benjamin Weiss. “A Database of German Emotional Speech.” In Interspeech 2005, 1517–20. ISCA, 2005. https://doi.org/10.21437/Interspeech.2005 - 446.
[2] Zhao, Jianfeng, Xia Mao, and Lijiang Chen. “Speech Emotion Recognition Using Deep 1D & 2D CNN LSTM Networks.” Biomedical Signal Processing and Control 47 (January 2019): 312–23. https://doi.org/10.1016/j.bspc.2018.08.035.
**粗体** _斜体_ [链接](http://example.com) `代码` - 列表 > 引用。你还可以使用@来通知其他用户。