语音情感识别中预处理方法与超参数优化的基准比较及CSO算法研究

《IEEE Transactions on Affective Computing》：Choices, Choices, Choices: Features, Datasets, and Optimisation for Speech Emotion Recognition

　　

摘要：

本文对语音情感识别（SER）预处理方法与超参数优化的使用进行了基准比较，评估基于IEMOCAP和K-EmoCon数据集。我们将三种特征提取方法和三种音频可视化技术与原始未处理音频进行对比，并使用Dummy Regressor基线来提供预测误差的背景参考。在IEMOCAP和K-EmoCon上对基线均值回归器进行比较表明，当前最先进的特征提取和音频可视化方法可能不适用于所有数据集。K-EmoCon并未从这些方法中获益，仅在采用粒子群优化（PSO）算法时超越了均值回归器。IEMOCAP则更明显地从预处理中获益，最佳组合比基线高出约20%。为支持这一比较，我们提出了一种新颖的超参数优化算法——爬升空间优化（CSO），并将其与标准化的RandomizedSearchCV和PSO实现进行效率和预测误差的基准对比；CSO在预测误差和运行时间方面均相较于RandomizedSearchCV实现了具有统计显著性的降低，并相较PSO具有显著的速度优势。我们使用平均绝对误差（MAE）和R2得分对这些特征提取和音频可视化方法进行了广泛比较，使研究人员能够进行一对一的实用性考察。结果表明，在为SER构建模型时，数据集的选择具有极大的影响。