MATLAB用CNN-LSTM神经网络的语音情感分类深度学习研究

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

1. 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。
2. 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”。

1.  
   filepaths = ads.Files;
2.  
   [~,filenames] = fileparts(filepaths);
3.  
   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。

1. 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。
2. 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。

1. 读取样本、查看波形和试听

1.  
   [audio,info] = read(ads);
2.  
   fs = info.SampleRate;
3.  
   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

1. 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。

1.  
   augadsTrain = audioDatastore(agumentedDataFolder);
2.  
   augadsTrain.Labels = repelem(adsTrain.Labels,augmenter.NumAugmentations,1);

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：

1.  
   numPlots = 3;
2.  
   idx = randperm(numel(augadsTrain.Files),numPlots);
3.  
   f = figure;
4.  
   f.Position(3) = 2*f.Position(3);
5.  
    
6.  
   tiledlayout(2,numPlots,TileIndexing = "columnmajor")

结果如训练样本的波形和频谱图所示。同时查看前几个观测值的大小，以确保网络能够支持训练数据，并计算输入层最短序列的长度。

（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：

1.  
   miniBatchSize = 32;
2.  
    
3.  
   options = trainingOptions("adam",...
4.  
   MaxEpochs = 3,...
5.  
   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。

（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：

1.  
   figure
2.  
   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.