• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于F?DFCC融合特征的語(yǔ)音情感識(shí)別方法

    2024-09-14 00:00:00何朝霞朱嶸濤羅輝
    現(xiàn)代電子技術(shù) 2024年6期
    關(guān)鍵詞:集上特征參數(shù)濾波器

    摘 "要: 結(jié)合神經(jīng)網(wǎng)絡(luò)、并行多特征向量和注意力機(jī)制,有助于提高語(yǔ)音情感識(shí)別的性能。基于此,從前期已經(jīng)提取的DFCC參數(shù)入手,提取I?DFCC和Mid?DFCC特征參數(shù),利用Fisher比選取特征參數(shù)構(gòu)成F?DFCC;再將F?DFCC特征參數(shù)與LPCC、MFCC特征參數(shù)進(jìn)行對(duì)比并融合,輸入到含雙向LSTM網(wǎng)絡(luò)及注意力機(jī)制的ECAPA?TDNN模型中;最后,在CASIA和RAVDESS數(shù)據(jù)集上驗(yàn)證F?DFCC融合特征參數(shù)的有效性。實(shí)驗(yàn)結(jié)果表明:與單一的F?DFCC特征參數(shù)相比,F(xiàn)?DFCC融合特征的準(zhǔn)確率WA、召回率UA、F1?score在CASIA數(shù)據(jù)集上分別提高0.035 1、0.031 1、0.031 3;在RAVDESS數(shù)據(jù)集上分別提高0.024 5、0.035 8、0.033 2。在兩個(gè)數(shù)據(jù)集中,surprised情感的識(shí)別準(zhǔn)確率最高,為0.94;F?DFCC融合特征參數(shù)的6種和8種情感識(shí)別率與其他特征參數(shù)相比均有所提升。

    關(guān)鍵詞: 語(yǔ)音情感識(shí)別; DFCC; F?DFCC; 融合特征; 特征提?。?Fisher比; ECAPA?TDNN

    中圖分類號(hào): TN912.3?34 " " " " " " " " " " " " " 文獻(xiàn)標(biāo)識(shí)碼: A " " " " " " " " " " "文章編號(hào): 1004?373X(2024)06?0131?06

    Speech emotion recognition based on F?DFCC fusion feature

    HE Zhaoxia1, ZHU Rongtao1, LUO Hui2

    (1. College of Arts and Science, Yangtze University, Jingzhou 434023, China;

    2. College of Computer and Control Engineering, Northeast Forestry Univesity, Harbin 150040, China)

    Abstract: The performance of speech emotion recognition can be improved by combining neural networks, parallel multiple feature vectors, and attention mechanisms. On this basis, starting from the previously extracted DFCC parameters, I?DFCC and Mid DFCC feature parameters are extracted, and Fisher's ratio is used to select feature parameters to form F?DFCC. F?DFCC feature parameters are compared and fused with LPCC and MFCC feature parameters, and then they are inputted into the ECAPA?TDNN model with bidirectional LSTM network and attention mechanism. The effectiveness of F?DFCC fusion feature parameters is verified on the CASIA and RAVDESS datasets. The experimental results show that in comparison with single F?DFCC feature parameter, the accuracy WA, recall UA, and F1?score of F?DFCC fusion features are improved by 0.035 1, 0.031 1, and 0.031 3 on the CASIA dataset, respectively, improved by 0.024 5, 0.035 8, and 0.033 2 on the RAVDESS dataset, respectively. In the two datasets, the highest recognition accuracy was realized for supervised emotions, at 0.94. In comparison with other feature parameters, the recognition rates of the 6 and 8 emotions fused by F?DFCC are improved.

    Keywords: speech emotion recognition; DFCC; F?DFCC; fusion feature; feature extraction; Fisher ratio; ECAPA?TDNN

    0 "引 "言

    語(yǔ)音情感識(shí)別(Speech Emotion Recognition, SER)在人機(jī)交互和計(jì)算機(jī)輔助人際交流等應(yīng)用中發(fā)揮著重要作用。然而,由于自發(fā)情感表達(dá)的微妙性和模糊性,要使機(jī)器完全正確地解釋出語(yǔ)音信號(hào)中所包含的情感是具有挑戰(zhàn)性的。盡管SER已經(jīng)得到了廣泛的應(yīng)用,但它的性能遠(yuǎn)遠(yuǎn)低于人類,識(shí)別過(guò)程仍然受到很多因素的困擾,因此,有必要進(jìn)一步提高SER系統(tǒng)的性能。深度學(xué)習(xí)網(wǎng)絡(luò),例如卷積神經(jīng)網(wǎng)絡(luò)(CNN)和遞歸神經(jīng)網(wǎng)絡(luò)(RNN)等[1],在SER任務(wù)中表現(xiàn)出較高的效率,識(shí)別精度較傳統(tǒng)方法也有了很大的提高。注意力機(jī)制可以動(dòng)態(tài)地聚焦于某些部分,目前已經(jīng)被應(yīng)用于神經(jīng)網(wǎng)絡(luò)中。S. Mirsamadi等將局部注意力機(jī)制引入語(yǔ)音神經(jīng)網(wǎng)絡(luò),使其關(guān)注語(yǔ)音信號(hào)的情感顯著區(qū)域[2]。L. Tarantino等提出了一種帶有自注意力機(jī)制的系統(tǒng),以改善SER性能[3]。近年來(lái),注意力機(jī)制引起了廣泛關(guān)注,例如:Li Y等對(duì)語(yǔ)譜圖的顯著周期采用自我注意力機(jī)制[4];Xie Y等提出了一種基于時(shí)間和空間特征維注意力的長(zhǎng)短期記憶(Long Short Term Memory, LSTM)輸出加權(quán)算法[5];Li R等結(jié)合深度殘差網(wǎng)絡(luò)和多頭注意力模型的內(nèi)部依賴,將算法模型的最后一個(gè)時(shí)間步輸出作為下一層的輸入[6];B. Desplanques等提出了ECAPA?TDNN模型,該模型更加注重通道之間的注意力、信息的傳播和聚合[7]。上述研究表明,與神經(jīng)網(wǎng)絡(luò)結(jié)合,并行多特征向量和引入注意力機(jī)制有助于提高SER性能。

    MFCC參數(shù)是根據(jù)人耳聽(tīng)覺(jué)特性提出的,是識(shí)別語(yǔ)音信號(hào)最常用的特征[8]。針對(duì)MFCC特征參數(shù)在情感分析問(wèn)題時(shí)存在的中、高頻識(shí)別精度不高這一缺陷,王思羽、吳虹蕾選取MFCC、I?MFCC、Mid?MFCC特征參數(shù),通過(guò)降維算法Fisher比準(zhǔn)則,計(jì)算三種Mel倒譜系數(shù)對(duì)語(yǔ)音情感識(shí)別貢獻(xiàn)度的高低,選取貢獻(xiàn)度最高的參數(shù)進(jìn)行融合后得到F?MFCC特征參數(shù),并在此基礎(chǔ)上對(duì)語(yǔ)音情感特征參數(shù)做進(jìn)一步改進(jìn)[9?10]。為了進(jìn)一步提高系統(tǒng)的SER性能,本文從前期已經(jīng)提取的DFCC參數(shù)入手,提取I?DFCC和Mid?DFCC參數(shù),融合到一起構(gòu)成F?DFCC特征;再適當(dāng)?shù)貙?DFCC特征與LPCC、MFCC特征通過(guò)CNN網(wǎng)絡(luò)融合,得到基于F?DFCC的融合特征,增加每一個(gè)特征的情感信息量;同時(shí)將雙向的LSTM網(wǎng)絡(luò)應(yīng)用到含有注意力機(jī)制的ECAPA?TDNN模型中,進(jìn)一步選擇有用的情感特征信息;最后,在CASIA數(shù)據(jù)集和RAVDESS數(shù)據(jù)集上,通過(guò)實(shí)驗(yàn)驗(yàn)證了F?DFCC融合特征參數(shù)和ECAPA?TDNN?LSTM模型的有效性。

    1 "特征提取

    1.1 "F?DFCC特征提取

    前期,在深入研究非線性共振的典型代表——Duffing振動(dòng)的基礎(chǔ)上,提出一種基于Duffing濾波器的特征提取方法(DFCC)[11],DFCC參數(shù)提取流程如圖1所示。72通道的Duffing濾波器組的幅頻特性(每4通道繪制一條曲線)如圖2所示。

    各通道濾波器的中心頻率為[fDuffing],由于說(shuō)話人語(yǔ)音信號(hào)頻率的覆蓋范圍一般為60~3 500 Hz,本文選定最低頻率[f0=60 Hz]。中心頻率的計(jì)算公式如下:

    [fDuffing=2i12f0,i=1,2,…,N] " " (1)

    式中:i為通道數(shù);N為樣本數(shù)量,本文中N取值為72。

    由圖2可知:濾波器在低頻區(qū)域比較密集,頻率變化快;濾波器在高頻區(qū)域比較稀疏,頻率變化緩慢。由此可知,濾波器組提取出的DFCC特征參數(shù),低頻區(qū)域的分辨率相比于高頻區(qū)域會(huì)更好。

    仿照I?MFCC特征參數(shù)的提取方法,I?DFCC特征性參數(shù)與DFCC特征參數(shù)相反,提取過(guò)程中Duffing濾波器組在高頻區(qū)域比較密集,低頻區(qū)域比較稀疏;Mid?DFCC特征參數(shù)則是Duffing濾波器組在中頻區(qū)域比較密集,高低頻區(qū)域比較稀疏。I?Duffing濾波器組和Mid?Duffing濾波器組各通道的中心頻率公式分別如下:

    [fI?Duffing=4 000-272-i12f0, i=1,2,…,N] (2)

    [fMid?Duffing=2 000+2i12-1-272-i12-1f0, i=1,2,…,N] " (3)

    圖3為三種Duffing濾波器組的中心頻率分布圖。由圖可知,根據(jù)圖1提取的特征參數(shù),三種Duffing濾波器組DFCC特征參數(shù)在低頻區(qū)域分辨率高,I?DFCC特征參數(shù)在高頻區(qū)域分辨率高,Mid?DFCC特征參數(shù)在中頻區(qū)域分辨率高。因此,分別在低、中、高頻段使用合適的濾波器組,并將特征參數(shù)通過(guò)適當(dāng)?shù)姆绞饺诤?,可得到在整個(gè)頻段分辨率都高的特征參數(shù)。

    如果簡(jiǎn)單地將DFCC、I?DFCC、Mid?DFCC三種參數(shù)進(jìn)行疊加,通道數(shù)較多,計(jì)算量相對(duì)較大,同時(shí)會(huì)受到語(yǔ)音情感識(shí)別模型的影響。因此,本文考慮根據(jù)Fisher比[12]的大小來(lái)選取最優(yōu)的語(yǔ)音情感特征。Fisher比的定義如下:

    [F=σbetweenσwithin] " " " (4)

    式中:[σbetween]為語(yǔ)音情感特征的類間方差,表示特征離散程度;[σwithin]為語(yǔ)音情感特征的類內(nèi)方差,表示特征的聚集程度。F值越大,語(yǔ)音情感特征越明顯,其區(qū)分度也更大。

    F?DFCC特征提取流程如圖4所示。

    1.2 "其他幀級(jí)特征提取

    目前在深度學(xué)習(xí)模型中,常用基于譜的特征作為模型的輸入。本文的音頻幀級(jí)特征提取過(guò)程中,利用librosa工具箱提取MFCC、LPCC等常用的基于譜的情感特征。

    2 "ECAPA?TDNN?LSTM模型

    為提高幀級(jí)特征的利用率,突出區(qū)分度強(qiáng)的深層動(dòng)態(tài)特征,本文在MFCC、LPCC、F?DFCC等特征的基礎(chǔ)上,采用CNN網(wǎng)絡(luò)提取語(yǔ)音信號(hào)的時(shí)序特征,全面把握語(yǔ)音信號(hào)的情感信息;然后將提取的情感信息作為ECAPA?TDNN模型的輸入。ECAPA?TDNN模型是對(duì)基于TDNN的x?vector架構(gòu)進(jìn)行改進(jìn)得到的。本文在該模型的基礎(chǔ)上引入Bi?LSTM(雙向LSTM網(wǎng)絡(luò)),完整的ECAPA?TDNN?LSTM系統(tǒng)架構(gòu)如圖5所示。

    ECAPA?TDNN?LSTM模型的結(jié)構(gòu)分為以下4個(gè)模塊:

    1) CNN處理好的語(yǔ)音情感特征經(jīng)過(guò)TDNN+ReLU+BatchNorm層,其中TDNN是一層一維卷積層,用來(lái)獲取語(yǔ)音信號(hào)的前后相關(guān)性,ReLU激活,BatchNorm規(guī)整;

    2) 3個(gè)SE?Res2Block層,SE?Res2Block主要由TDNN、SE?Net和Res2Net組成;

    3) 將Bi?LSTM[13]網(wǎng)絡(luò)嵌入到前兩個(gè)SE?Res2Block層的輸出端,2個(gè)Bi?LSTM的輸出與最后1個(gè)SE?Res2Block模塊的輸出聚合到一起,實(shí)現(xiàn)多層特征聚合與匯總,進(jìn)一步地挖掘語(yǔ)音信號(hào)中的時(shí)間上下文信息。Bi?LSTM網(wǎng)絡(luò)結(jié)構(gòu)如圖6所示。

    4) 注意力統(tǒng)計(jì)池化層(Attentive Stat Pooling+BN)。由于重要的信息不僅在不同時(shí)間上,同時(shí)也在不同的特征圖通道上,該層利用時(shí)間信息和通道信息共同建模,獲得語(yǔ)音的統(tǒng)計(jì)信息,最后將語(yǔ)音的統(tǒng)計(jì)信息通過(guò)一個(gè)全連接層并降維,得到深度情感表征。

    ECAPA?TDNN?LSTM模型的損失函數(shù)采用加性角度間隔損失函數(shù)(Additive Angular Margin Softmax, AAM?Softmax)[14]。該函數(shù)是在Softmax函數(shù)的基礎(chǔ)上提出的。相比于Softmax函數(shù),AAM?Softmax函數(shù)可以更好地縮小類內(nèi)間距,增大類間間距,具體表達(dá)式如下:

    [Loss=1Ni=1Nloges?(cos(θyi+m))es?(cos(θyi+m))+j=1,j≠yines?cosθj] (5)

    式中:N為樣本數(shù)量;n為類別數(shù)量;[θyi]是第i個(gè)樣本xi與第j類對(duì)應(yīng)的權(quán)重向量之間的夾角;s為縮放因子;m為邊緣角度。

    3 "實(shí)驗(yàn)與分析

    3.1 "實(shí)驗(yàn)環(huán)境

    本實(shí)驗(yàn)在Windows系統(tǒng)下進(jìn)行,主要使用Python、PaddlePaddle深度學(xué)習(xí)框架,具體的實(shí)驗(yàn)環(huán)境配置如表1所示。

    3.2 "數(shù)據(jù)庫(kù)

    在CASIA數(shù)據(jù)集和RAVDESS數(shù)據(jù)集上對(duì)所提出的特征參數(shù)和模型進(jìn)行評(píng)估。CASIA數(shù)據(jù)集是中科大專為語(yǔ)音情感識(shí)別錄制的,為中文,4個(gè)對(duì)象,1 200條語(yǔ)音,表達(dá)快樂(lè)(happy)、悲傷(sad)、憤怒(angry)、恐懼(fearful)、 驚訝(surprised)和中性(neutral)共6種不同的情感。RAVDESS數(shù)據(jù)集的語(yǔ)音文件為英文,包含1 440個(gè)文件,24個(gè)對(duì)象,每個(gè)對(duì)象60個(gè)音頻,表達(dá)平靜(calm)、快樂(lè)(happy)、 悲傷(sad)、憤怒(angry)、恐懼(fearful)、 驚訝(surprised)、 厭惡(disgust)和中性(neutral)共8 種不同的情感。本研究在兩種數(shù)據(jù)集上實(shí)驗(yàn)時(shí),隨機(jī)選取了其中90%語(yǔ)音樣本作為訓(xùn)練集,10%語(yǔ)音樣本作為測(cè)試集。

    3.3 "特征提取

    本文語(yǔ)音信號(hào)的預(yù)處理階段,采樣率為16 kHz,幀長(zhǎng)為25 ms,幀移為10 ms,窗函數(shù)為漢明窗。對(duì)DFCC、I?DFCC、Mid?DFCC各選取了8階特征參數(shù),然后利用Fisher比在24階特征中選取Fisher比值較大,即貢獻(xiàn)程度較好的12階特征參數(shù)作為靜態(tài)特征,進(jìn)一步對(duì)提取出的F?DFCC特征參數(shù)做一階差分,即獲得語(yǔ)音信號(hào)的動(dòng)態(tài)特征。最后,選取動(dòng)態(tài)特征的極值、均值、方差等進(jìn)行疊加,得到96維F?DFCC相關(guān)特征參數(shù)。

    3.4 "實(shí)驗(yàn)設(shè)置

    本文主要通過(guò)設(shè)置各種語(yǔ)音特征參數(shù)在情感識(shí)別中的對(duì)比實(shí)驗(yàn)來(lái)說(shuō)明本文方法的可行性。主要驗(yàn)證本文的F?DFCC特征參數(shù)相比于傳統(tǒng)特征參數(shù)MFCC、LPCC有無(wú)優(yōu)越性;接著基于F?DFCC,通過(guò)CNN網(wǎng)絡(luò)構(gòu)成融合特征參數(shù),輸入ECAPA?TDNN?LSTM情感識(shí)別模型,在CASIA數(shù)據(jù)集和RAVDESS數(shù)據(jù)集上驗(yàn)證情感識(shí)別的性能,并對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行具體分析。

    3.5 "實(shí)驗(yàn)和討論

    首先,分別將LPCC、MFCC、DFCC、F?DFCC等參數(shù)以及LPCC、MFCC、F?DFCC三種特征構(gòu)成的融合參數(shù),輸入ECAPA?TDNN?LSTM模型,比較它們?cè)贑ASIA數(shù)據(jù)集和RAVDESS數(shù)據(jù)集上的準(zhǔn)確率WA、召回率UA和F1?score,識(shí)別結(jié)果如表2和表3所示。

    觀察表2和表3可知,無(wú)論是在CASIA數(shù)據(jù)集還是RAVDESS數(shù)據(jù)集上,DFCC特征參數(shù)的識(shí)別效果都明顯優(yōu)于LPCC,略遜于MFCC特征參數(shù),但是F?DFCC特征參數(shù)的效果優(yōu)于MFCC。F?DFCC準(zhǔn)確率WA、召回率UA、F1?score三個(gè)指標(biāo),在CASIA數(shù)據(jù)集上分別高于MFCC特征0.016 9、0.026 1、0.023 5;在RAVDESS數(shù)據(jù)集上分別高于MFCC特征0.019 2、0.023 8、0.021 1。

    進(jìn)一步,將LPCC、MFCC、F?DFCC三種特征文件輸入CNN模型中,提取F?DFCC融合特征中的高級(jí)特征。F?DFCC融合特征的準(zhǔn)確率WA、召回率UA、F1?score較單一的F?DFCC特征參數(shù),在CASIA數(shù)據(jù)集上分別高0.035 1、0.031 1、0.031 3;在RAVDESS數(shù)據(jù)集上分別高0.024 5、0.035 8、0.033 2。由此證明F?DFCC融合特征能夠較全面地把握語(yǔ)音信號(hào)的情感信息。

    接著,將F?DFCC融合特征參數(shù)輸入ECAPA?TDNN?LSTM模型,分別在CASIA和RAVDESS數(shù)據(jù)集上對(duì)比其訓(xùn)練損失函數(shù),結(jié)果如圖7所示。

    對(duì)比圖7中兩條損失函數(shù)曲線,在RAVDESS數(shù)據(jù)集上下降比較緩慢,主要原因是RAVDESS數(shù)據(jù)集較CASIA數(shù)據(jù)集情感類型更多。整體而言,當(dāng)step為4 000時(shí),兩個(gè)訓(xùn)練集上的損失函數(shù)基本穩(wěn)定。

    同時(shí),得到在兩個(gè)數(shù)據(jù)集上的混淆矩陣,分別如圖8和圖9所示。

    混淆矩陣可以更加直觀地展現(xiàn)出F?DFCC融合特征參數(shù)輸入ECAPA?TDNN?LSTM模型進(jìn)行語(yǔ)音情感識(shí)別的性能,兩圖中對(duì)角線表示情感識(shí)別率,其他數(shù)值表示某種情感被誤判為其他情感的比例。

    從圖8和圖9中可以看出,無(wú)論是在CASIA數(shù)據(jù)集還是RAVDESS數(shù)據(jù)集,surprised情感的識(shí)別準(zhǔn)確率最高,識(shí)別率高達(dá)0.94。從整體上看,情感之間存在比較輕度的相互干擾,在兩種數(shù)據(jù)集上的neutral情感的識(shí)別率相比于其他情感識(shí)別率低,最高誤判率達(dá)到了0.10以上。從整體性能來(lái)看,F(xiàn)?DFCC融合特征參數(shù)的6種和8種情感識(shí)別率與其他特征參數(shù)相比均有所提升。

    4 "結(jié) "論

    本文仿照F?MFCC特征參數(shù)提取方法,引入DFCC、I?DFCC、Mid?DFCC特征參數(shù),并對(duì)其特點(diǎn)、提取方法分別做詳細(xì)介紹;再利用Fisher比計(jì)算三種特征參數(shù)對(duì)語(yǔ)音情感識(shí)別的貢獻(xiàn)度,選取貢獻(xiàn)度最高的12階參數(shù)進(jìn)行融合降維,得出F?DFCC特征參數(shù)。

    將F?DFCC特征參數(shù)與LPCC、MFCC融合后進(jìn)行情感識(shí)別實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果表明:F?DFCC融合特征的準(zhǔn)確率WA、召回率UA、F1?score與單一的F?DFCC特征參數(shù)相比,在CASIA數(shù)據(jù)集上分別高0.035 1、0.031 1、0.031 3;在RAVDESS數(shù)據(jù)集上分別高0.024 5、0.035 8、0.033 2。證明F?DFCC融合特征能夠較全面地把握語(yǔ)音信號(hào)的情感信息。

    將F?DFCC融合特征參數(shù)輸入ECAPA?TDNN?LSTM模型,得出無(wú)論是在CASIA數(shù)據(jù)集還是RAVDESS數(shù)據(jù)集,surprised情感的識(shí)別準(zhǔn)確率最高,為0.94。從整體性能來(lái)看,F(xiàn)?DFCC融合特征參數(shù)的6種和8種情感識(shí)別率與其他特征參數(shù)相比均有所提升。

    注:本文通訊作者為羅輝。

    參考文獻(xiàn)

    [1] TRIGEORGIS G, RINGEVAL F, BRUECKNER R, et al. Adieu features?End?to?end speech emotion recognition using a deep convolutional recurrent network [C]// IEEE International Conference on Acoustics,Speech and Signal Processing. Shanghai: IEEE, 2016: 5200?5204.

    [2] MIRSAMADI S, BARSOUM E, ZHANG C. Automatic speech emotion recognition using recurrent neuralnetw orks with local attention [C]// IEEE International Conference on Acoustics,Speech and Signal Processing. New Orleans, LA, USA: IEEE, 2017: 2227?2231.

    [3] TARANTINO L, GARNER P N, LAZARIDIS A. Self?attention for speech emotion recognition [C]// Interspeech. Graz, Austria: IEEE, 2019: 2578?2582.

    [4] LI Y, ZHAO T, KAW AHARA T. Improved end?to?end speech emotion recognition using self attention mechanism and multitask learning [C]// Interspeech. Graz, Austria: IEEE, 2019: 2803?2807.

    [5] XIE Y, LIANG R, LIANG Z, et al. Speech emotion classifi cation using attention?based LSTM [J]. IEEE/ACM transactions on audio, speech, and language processing, 2019, 27(11): 1675?1685.

    [6] LI R, WU Z, JIA J, et al. Dilated residual network with multi?head self?attention for speech emotion recognition [C]// IEEE International Conference on Acoustics, Speech and Signal Processing. Brighton, UK: IEEE, 2019: 6675?6679.

    [7] DESPLANQUES B, THIENPONDT J, DEMUYNCK K. Ecapa?TDNN: emphasized channel attention, propagation and aggregation in TDNN based speaker verification [C]// International Speech Communication Association. Shanghai: IEEE, 2020: 3830?3834.

    [8] 崔琳,崔晨露,劉政偉,等.改進(jìn)MFCC和并行混合模型的語(yǔ)音情感識(shí)別[J].計(jì)算機(jī)科學(xué),2023,50(z1):166?172.

    [9] 王思羽.語(yǔ)音情感識(shí)別算法研究[D].南京:南京郵電大學(xué),2019.

    [10] 吳虹蕾.基于深度學(xué)習(xí)的語(yǔ)音情感識(shí)別算法的設(shè)計(jì)與實(shí)現(xiàn)[D].哈爾濱:黑龍江大學(xué),2021.

    [11] 何朝霞,潘平,羅輝.音色變換音頻信號(hào)的篡改檢測(cè)技術(shù)研究[J].中國(guó)測(cè)試,2017,43(2):98?103.

    [12] 孫肖然.阻塞性睡眠呼吸暫停低通氣的鼾聲識(shí)別與分類[D].廣州:華南理工大學(xué),2022.

    [13] 王佳慧.基于CNN與Bi?LSTM混合模型的中文文本分類方法[J].軟件導(dǎo)刊,2023,22(1):158?164.

    [14] 張悅.基于深度學(xué)習(xí)的語(yǔ)音情感識(shí)別[D].成都:電子科技大學(xué),2022.

    [15] SCHULLER B, STEIDL S, BATLINER A, et al. The INTER SPEECH 2010 paralinguistic challenge [C]// Interspeech.

    Makuhari, Japan: IEEE, 2010: 2794?2797.

    猜你喜歡
    集上特征參數(shù)濾波器
    基于無(wú)擾濾波器和AED-ADT的無(wú)擾切換控制
    故障診斷中信號(hào)特征參數(shù)擇取方法
    基于特征參數(shù)化的木工CAD/CAM系統(tǒng)
    Cookie-Cutter集上的Gibbs測(cè)度
    鏈完備偏序集上廣義向量均衡問(wèn)題解映射的保序性
    從濾波器理解卷積
    電子制作(2019年11期)2019-07-04 00:34:38
    開(kāi)關(guān)電源EMI濾波器的應(yīng)用方法探討
    電子制作(2018年16期)2018-09-26 03:26:50
    基于PSO-VMD的齒輪特征參數(shù)提取方法研究
    復(fù)扇形指標(biāo)集上的分布混沌
    基于TMS320C6678的SAR方位向預(yù)濾波器的并行實(shí)現(xiàn)
    亚洲精品久久久久久婷婷小说| 亚洲综合色网址| 亚洲天堂av无毛| 国产麻豆69| 色视频在线一区二区三区| 日韩 亚洲 欧美在线| 伊人久久国产一区二区| 免费大片黄手机在线观看| 亚洲av中文av极速乱| 久久久国产一区二区| 久久韩国三级中文字幕| 免费黄网站久久成人精品| 亚洲第一青青草原| 亚洲av国产av综合av卡| 免费av中文字幕在线| 国产精品久久久久成人av| 韩国精品一区二区三区| 国产av精品麻豆| 日韩伦理黄色片| 国产综合精华液| 秋霞在线观看毛片| 宅男免费午夜| 国产 一区精品| 黑人猛操日本美女一级片| 欧美人与性动交α欧美软件| 一级爰片在线观看| 成人毛片a级毛片在线播放| 最近最新中文字幕免费大全7| 卡戴珊不雅视频在线播放| 又大又黄又爽视频免费| 青春草亚洲视频在线观看| 狂野欧美激情性bbbbbb| 赤兔流量卡办理| 满18在线观看网站| 国产男人的电影天堂91| 曰老女人黄片| 热99久久久久精品小说推荐| 国产精品成人在线| 亚洲精品av麻豆狂野| 999精品在线视频| 两个人免费观看高清视频| 午夜福利视频在线观看免费| 在线观看免费高清a一片| 中国国产av一级| 91精品伊人久久大香线蕉| 性色avwww在线观看| 丝袜脚勾引网站| 亚洲av综合色区一区| 熟女av电影| 国产精品偷伦视频观看了| 国产视频首页在线观看| 婷婷成人精品国产| 国产精品.久久久| 久久久久精品久久久久真实原创| 大片免费播放器 马上看| www.自偷自拍.com| 狠狠婷婷综合久久久久久88av| 七月丁香在线播放| 国产在视频线精品| 男女无遮挡免费网站观看| 永久网站在线| 欧美另类一区| 国产精品免费视频内射| 国产精品不卡视频一区二区| 超色免费av| 中文字幕最新亚洲高清| 国产片特级美女逼逼视频| 国产xxxxx性猛交| 寂寞人妻少妇视频99o| 99久久中文字幕三级久久日本| 天天躁日日躁夜夜躁夜夜| 久久人人97超碰香蕉20202| 不卡视频在线观看欧美| 免费播放大片免费观看视频在线观看| 免费观看无遮挡的男女| av在线app专区| 欧美日韩综合久久久久久| 极品人妻少妇av视频| 毛片一级片免费看久久久久| 精品亚洲乱码少妇综合久久| 国产福利在线免费观看视频| 成人18禁高潮啪啪吃奶动态图| 侵犯人妻中文字幕一二三四区| 国产午夜精品一二区理论片| 大香蕉久久成人网| 免费观看性生交大片5| 精品99又大又爽又粗少妇毛片| 日韩熟女老妇一区二区性免费视频| 26uuu在线亚洲综合色| 免费观看无遮挡的男女| 在线免费观看不下载黄p国产| 欧美 亚洲 国产 日韩一| 国产成人a∨麻豆精品| 亚洲av.av天堂| 亚洲av福利一区| 久久97久久精品| 9热在线视频观看99| 亚洲精品国产av蜜桃| 国产av一区二区精品久久| 国产白丝娇喘喷水9色精品| 伊人亚洲综合成人网| 亚洲欧美成人综合另类久久久| 国产片内射在线| 日韩欧美精品免费久久| 麻豆精品久久久久久蜜桃| 国产日韩欧美在线精品| 国产精品一区二区在线观看99| 这个男人来自地球电影免费观看 | av在线播放精品| 久久久久久人人人人人| 亚洲欧美精品自产自拍| 久久久久人妻精品一区果冻| 免费黄网站久久成人精品| 叶爱在线成人免费视频播放| 一级片'在线观看视频| 国产 精品1| 午夜免费男女啪啪视频观看| 街头女战士在线观看网站| 一区二区三区四区激情视频| 九九爱精品视频在线观看| 亚洲人成77777在线视频| 亚洲一级一片aⅴ在线观看| 免费日韩欧美在线观看| 伦精品一区二区三区| 看非洲黑人一级黄片| 美女福利国产在线| 亚洲国产看品久久| 男女边摸边吃奶| 黄片播放在线免费| videos熟女内射| 亚洲av日韩在线播放| 91久久精品国产一区二区三区| 人妻系列 视频| 国产一区二区三区综合在线观看| 成人国产av品久久久| 国产亚洲一区二区精品| 久久国产精品大桥未久av| xxx大片免费视频| 最近的中文字幕免费完整| 欧美人与善性xxx| 免费播放大片免费观看视频在线观看| 欧美 亚洲 国产 日韩一| 日韩欧美一区视频在线观看| 五月伊人婷婷丁香| 一级毛片我不卡| 欧美97在线视频| 亚洲精品视频女| 日本av手机在线免费观看| 免费黄网站久久成人精品| 日本免费在线观看一区| 精品一区在线观看国产| 99久久人妻综合| 久久人妻熟女aⅴ| www.熟女人妻精品国产| 另类精品久久| 在线看a的网站| av一本久久久久| 亚洲国产成人一精品久久久| 亚洲一码二码三码区别大吗| 国产又色又爽无遮挡免| 免费观看a级毛片全部| 9191精品国产免费久久| 久热这里只有精品99| 免费人妻精品一区二区三区视频| 一区二区三区乱码不卡18| 久久狼人影院| 亚洲欧美成人综合另类久久久| 亚洲四区av| 亚洲,欧美精品.| 国产欧美日韩综合在线一区二区| 亚洲欧美中文字幕日韩二区| 伦精品一区二区三区| 日韩一卡2卡3卡4卡2021年| 亚洲欧美中文字幕日韩二区| 日本黄色日本黄色录像| 欧美精品国产亚洲| 天天躁夜夜躁狠狠躁躁| 视频在线观看一区二区三区| 一级毛片我不卡| 少妇被粗大的猛进出69影院| 亚洲综合色惰| 亚洲欧美一区二区三区国产| 成人免费观看视频高清| 激情五月婷婷亚洲| 极品少妇高潮喷水抽搐| 两性夫妻黄色片| 亚洲综合精品二区| 亚洲第一av免费看| 亚洲第一区二区三区不卡| 高清黄色对白视频在线免费看| 亚洲精品美女久久av网站| 国产免费现黄频在线看| 亚洲精品久久成人aⅴ小说| 一区二区日韩欧美中文字幕| 在线看a的网站| 精品午夜福利在线看| 午夜91福利影院| 久久精品国产亚洲av天美| 欧美激情极品国产一区二区三区| 日本av免费视频播放| 久久热在线av| 韩国av在线不卡| 国产午夜精品一二区理论片| 国产精品 国内视频| 中文字幕色久视频| 婷婷色综合www| 一级爰片在线观看| 亚洲一码二码三码区别大吗| 午夜久久久在线观看| 97精品久久久久久久久久精品| 久久精品aⅴ一区二区三区四区 | 在线 av 中文字幕| videosex国产| 观看美女的网站| 欧美av亚洲av综合av国产av | 久久久久久久久免费视频了| 一个人免费看片子| 少妇被粗大猛烈的视频| 国产精品免费视频内射| 天堂中文最新版在线下载| 久久影院123| 国产亚洲av片在线观看秒播厂| 午夜福利在线观看免费完整高清在| 一级,二级,三级黄色视频| videos熟女内射| 黄片小视频在线播放| 精品酒店卫生间| 亚洲精品久久久久久婷婷小说| 欧美精品av麻豆av| 精品少妇一区二区三区视频日本电影 | 69精品国产乱码久久久| 国产av国产精品国产| 美女视频免费永久观看网站| 老汉色av国产亚洲站长工具| 麻豆av在线久日| 青春草亚洲视频在线观看| 国产无遮挡羞羞视频在线观看| 久久av网站| 成人黄色视频免费在线看| 黄色毛片三级朝国网站| 女人被躁到高潮嗷嗷叫费观| 十八禁网站网址无遮挡| 国产极品粉嫩免费观看在线| 午夜久久久在线观看| 不卡av一区二区三区| 美女午夜性视频免费| 欧美日韩综合久久久久久| 国产成人精品婷婷| 欧美成人午夜免费资源| 婷婷色综合大香蕉| 国产精品一二三区在线看| 最近最新中文字幕大全免费视频 | 亚洲欧洲精品一区二区精品久久久 | 亚洲精品第二区| 国产av码专区亚洲av| 人人妻人人添人人爽欧美一区卜| av视频免费观看在线观看| 国产一区二区在线观看av| 久久久精品区二区三区| 一级,二级,三级黄色视频| 国语对白做爰xxxⅹ性视频网站| 免费在线观看完整版高清| 精品午夜福利在线看| 久久人人97超碰香蕉20202| 欧美日韩成人在线一区二区| 国产精品99久久99久久久不卡 | 性少妇av在线| 成年av动漫网址| 最新的欧美精品一区二区| 人妻人人澡人人爽人人| 成人免费观看视频高清| 丰满迷人的少妇在线观看| 亚洲国产毛片av蜜桃av| 亚洲综合色惰| 国产在线一区二区三区精| 久久精品亚洲av国产电影网| 亚洲欧美日韩另类电影网站| 永久网站在线| 我要看黄色一级片免费的| 欧美日本中文国产一区发布| 一本—道久久a久久精品蜜桃钙片| 亚洲综合精品二区| xxx大片免费视频| 美女福利国产在线| 欧美日韩av久久| 高清在线视频一区二区三区| 熟女av电影| 欧美人与性动交α欧美精品济南到 | 菩萨蛮人人尽说江南好唐韦庄| 在现免费观看毛片| 久久毛片免费看一区二区三区| 亚洲熟女精品中文字幕| 国产成人a∨麻豆精品| 日本91视频免费播放| 99国产精品免费福利视频| 极品人妻少妇av视频| 亚洲国产色片| 欧美日本中文国产一区发布| 一级毛片 在线播放| 一本大道久久a久久精品| 赤兔流量卡办理| 最近最新中文字幕免费大全7| 成年av动漫网址| 国产一区二区三区av在线| 9热在线视频观看99| 香蕉丝袜av| 丝袜美足系列| 国产免费现黄频在线看| 国产精品久久久久久av不卡| 五月开心婷婷网| 国产综合精华液| 久久久欧美国产精品| 国产激情久久老熟女| av在线老鸭窝| 最近最新中文字幕免费大全7| 亚洲美女搞黄在线观看| 国产极品粉嫩免费观看在线| 熟妇人妻不卡中文字幕| 制服诱惑二区| 建设人人有责人人尽责人人享有的| 天天操日日干夜夜撸| 婷婷色综合www| 免费高清在线观看日韩| 王馨瑶露胸无遮挡在线观看| 美女高潮到喷水免费观看| 天堂8中文在线网| 18+在线观看网站| 日韩av免费高清视频| 久久久a久久爽久久v久久| 免费播放大片免费观看视频在线观看| 男人舔女人的私密视频| 日韩精品有码人妻一区| 伊人久久大香线蕉亚洲五| 亚洲熟女精品中文字幕| 国产精品蜜桃在线观看| 又大又黄又爽视频免费| 99久久人妻综合| 亚洲av成人精品一二三区| 美女视频免费永久观看网站| av福利片在线| www.自偷自拍.com| 日韩一卡2卡3卡4卡2021年| 亚洲美女搞黄在线观看| 日本vs欧美在线观看视频| 999精品在线视频| 青草久久国产| 欧美亚洲日本最大视频资源| 少妇被粗大猛烈的视频| 日韩制服丝袜自拍偷拍| 极品人妻少妇av视频| 日韩制服丝袜自拍偷拍| 亚洲av男天堂| 亚洲少妇的诱惑av| 女人精品久久久久毛片| 国产成人精品一,二区| 成人国产av品久久久| 日韩电影二区| 久久久国产一区二区| 欧美97在线视频| 在线观看三级黄色| 午夜免费观看性视频| 2018国产大陆天天弄谢| 日韩欧美一区视频在线观看| 国产精品三级大全| 1024香蕉在线观看| 国产精品女同一区二区软件| 精品人妻熟女毛片av久久网站| 日本av手机在线免费观看| 精品少妇黑人巨大在线播放| 中文字幕av电影在线播放| 免费大片黄手机在线观看| 亚洲色图综合在线观看| 国产精品.久久久| 男男h啪啪无遮挡| 看十八女毛片水多多多| 午夜日韩欧美国产| 国产熟女欧美一区二区| 欧美国产精品va在线观看不卡| 天堂中文最新版在线下载| 亚洲av免费高清在线观看| 亚洲欧美一区二区三区黑人 | 汤姆久久久久久久影院中文字幕| 777久久人妻少妇嫩草av网站| 国产精品 国内视频| 亚洲欧美精品综合一区二区三区 | 一本大道久久a久久精品| 黄频高清免费视频| 久久久久精品性色| 国产黄色免费在线视频| 一区二区三区激情视频| 日本午夜av视频| 国产精品蜜桃在线观看| 亚洲伊人久久精品综合| 亚洲国产毛片av蜜桃av| 亚洲欧洲日产国产| 亚洲男人天堂网一区| 久久热在线av| 大香蕉久久网| 一本久久精品| 满18在线观看网站| 一边摸一边做爽爽视频免费| 午夜av观看不卡| 亚洲国产欧美日韩在线播放| 精品一区二区三区四区五区乱码 | 9色porny在线观看| 久久国产精品男人的天堂亚洲| 国产女主播在线喷水免费视频网站| 看免费av毛片| av在线app专区| 一区二区三区精品91| 国产精品久久久久成人av| 国产欧美亚洲国产| av一本久久久久| videos熟女内射| 免费观看a级毛片全部| 亚洲欧美日韩另类电影网站| 免费观看在线日韩| 91精品国产国语对白视频| 熟女av电影| 欧美中文综合在线视频| 乱人伦中国视频| 超色免费av| 亚洲国产精品成人久久小说| 黑丝袜美女国产一区| 亚洲 欧美一区二区三区| 久久亚洲国产成人精品v| 桃花免费在线播放| 国产又爽黄色视频| 久久午夜综合久久蜜桃| 日韩,欧美,国产一区二区三区| 精品少妇内射三级| 亚洲第一区二区三区不卡| 下体分泌物呈黄色| 香蕉国产在线看| 男人舔女人的私密视频| 精品久久蜜臀av无| 午夜免费男女啪啪视频观看| av在线播放精品| 成人亚洲欧美一区二区av| 日本欧美国产在线视频| 美女大奶头黄色视频| 一区二区三区激情视频| 亚洲美女视频黄频| 美女午夜性视频免费| 成人影院久久| 国产在线免费精品| 婷婷色综合www| 美女大奶头黄色视频| 丰满饥渴人妻一区二区三| 26uuu在线亚洲综合色| 久久精品国产亚洲av天美| 精品久久蜜臀av无| 欧美激情 高清一区二区三区| 国产成人av激情在线播放| 成人亚洲精品一区在线观看| 中文乱码字字幕精品一区二区三区| 亚洲av中文av极速乱| 久热久热在线精品观看| 亚洲av男天堂| 欧美变态另类bdsm刘玥| 校园人妻丝袜中文字幕| 国产有黄有色有爽视频| 最近2019中文字幕mv第一页| 最黄视频免费看| 一个人免费看片子| 久久久久人妻精品一区果冻| 久久久久久久久久久免费av| 中文乱码字字幕精品一区二区三区| 欧美在线黄色| 久久久精品94久久精品| 国产在线免费精品| 91精品伊人久久大香线蕉| 不卡视频在线观看欧美| 在线观看免费高清a一片| 天堂中文最新版在线下载| 久久国内精品自在自线图片| 人人妻人人澡人人看| tube8黄色片| 国产亚洲最大av| 久久精品国产亚洲av涩爱| 好男人视频免费观看在线| 亚洲精品aⅴ在线观看| 啦啦啦啦在线视频资源| 国产成人免费观看mmmm| 赤兔流量卡办理| 国产av国产精品国产| 日本免费在线观看一区| 日韩中文字幕欧美一区二区 | 欧美日韩成人在线一区二区| 亚洲av在线观看美女高潮| 熟女少妇亚洲综合色aaa.| 一本一本久久a久久精品综合妖精 国产伦在线观看视频一区 | 亚洲第一av免费看| 9色porny在线观看| 国产熟女欧美一区二区| 日韩一区二区三区影片| 国产成人91sexporn| 秋霞伦理黄片| 中文字幕av电影在线播放| 永久网站在线| 婷婷色av中文字幕| 爱豆传媒免费全集在线观看| 国产不卡av网站在线观看| 久久 成人 亚洲| 国产福利在线免费观看视频| 国产一级毛片在线| 可以免费在线观看a视频的电影网站 | 大香蕉久久网| 久久久久精品性色| 少妇被粗大猛烈的视频| 国产淫语在线视频| 久久97久久精品| 亚洲av日韩在线播放| 久久久久精品性色| 日韩人妻精品一区2区三区| 男女国产视频网站| 精品久久久精品久久久| 国产精品一区二区在线观看99| av国产精品久久久久影院| 黄片小视频在线播放| 国产日韩一区二区三区精品不卡| 18禁国产床啪视频网站| 欧美中文综合在线视频| 国产av一区二区精品久久| 中国三级夫妇交换| 少妇精品久久久久久久| 色吧在线观看| 国产精品麻豆人妻色哟哟久久| 亚洲成国产人片在线观看| 久热这里只有精品99| 两个人看的免费小视频| 亚洲精品美女久久久久99蜜臀 | 人人妻人人澡人人爽人人夜夜| 9191精品国产免费久久| 香蕉丝袜av| 老司机亚洲免费影院| 午夜福利网站1000一区二区三区| 曰老女人黄片| 婷婷色麻豆天堂久久| 人妻系列 视频| 一区在线观看完整版| 精品国产超薄肉色丝袜足j| av免费观看日本| 九九爱精品视频在线观看| 99热网站在线观看| av在线老鸭窝| 国产激情久久老熟女| kizo精华| 日本爱情动作片www.在线观看| 成人免费观看视频高清| 国产在视频线精品| 边亲边吃奶的免费视频| 亚洲精品第二区| 国产熟女午夜一区二区三区| 亚洲国产看品久久| 少妇猛男粗大的猛烈进出视频| 久久免费观看电影| 精品人妻一区二区三区麻豆| 美女xxoo啪啪120秒动态图| 欧美激情高清一区二区三区 | 亚洲国产日韩一区二区| 午夜激情av网站| 国产一区二区在线观看av| 宅男免费午夜| 2021少妇久久久久久久久久久| 成人黄色视频免费在线看| 亚洲三级黄色毛片| 少妇猛男粗大的猛烈进出视频| 亚洲精品自拍成人| 精品人妻一区二区三区麻豆| 青青草视频在线视频观看| 高清黄色对白视频在线免费看| 18禁观看日本| 久久ye,这里只有精品| 中文字幕另类日韩欧美亚洲嫩草| 老汉色∧v一级毛片| 国产激情久久老熟女| 国产精品一区二区在线观看99| 麻豆精品久久久久久蜜桃| av又黄又爽大尺度在线免费看| 黄色一级大片看看| 亚洲五月色婷婷综合| 最近最新中文字幕免费大全7| 久久久久精品人妻al黑| 欧美精品亚洲一区二区| 日本vs欧美在线观看视频| 伦精品一区二区三区| 亚洲国产精品成人久久小说| 菩萨蛮人人尽说江南好唐韦庄| 亚洲男人天堂网一区| 亚洲一区中文字幕在线| 日韩制服骚丝袜av| 黄片小视频在线播放| 老司机影院成人| 人人妻人人澡人人看| 黄片小视频在线播放| 亚洲精品日本国产第一区| 搡女人真爽免费视频火全软件| 1024香蕉在线观看| 在现免费观看毛片| 日本wwww免费看| 深夜精品福利| av女优亚洲男人天堂| 99热网站在线观看| 老汉色av国产亚洲站长工具| 最近2019中文字幕mv第一页| 亚洲成国产人片在线观看| 精品酒店卫生间| 黄网站色视频无遮挡免费观看| 精品久久久久久电影网| 日韩电影二区| 国产精品三级大全| 欧美人与性动交α欧美软件| 亚洲精品aⅴ在线观看| 人妻系列 视频|