14、基于语音的情感与醉酒状态识别技术研究

基于语音的情感与醉酒状态识别技术研究

在当今科技飞速发展的时代，人类与机器的交互日益频繁，语音作为一种重要的交互方式，其背后蕴含的情感信息以及说话者的状态信息（如是否醉酒）的识别变得愈发重要。本文将深入探讨语音情感识别（SER）以及基于语音判断醉酒状态的相关技术，重点介绍一种新型的特征提取技术——线性频率残差倒谱系数（LFRCC），并分析其在SER任务中的应用效果。

1. 研究背景与动机

随着技术的进步，人类对机器的依赖程度不断增加，可靠的情感检测对于实现成功的人机交互至关重要。语音情感识别（SER）应运而生，其应用场景广泛，包括自动驾驶中的驾驶员行为监测、呼叫中心服务、患者监测、心理健康问题检测以及改善人机交互等。

语音信号的产生主要涉及两个关键组件：激励源和声道系统。声道是一个具有惯性的自然物理系统，需要外部激励源才能改变其状态。在实际应用中，声门活动和声门振动是主要的激励源，但无振动也可以作为驱动力来激发声道系统产生可理解的语音。

在以往的研究中，韵律和基于系统的特征在SER研究中受到了较多关注，而探索语音中的激励源信息相对较少。这一局限性促使我们在本研究中采用线性频率残差倒谱系数（LFRCC）。

2. 线性预测（LP）原理

线性预测（LP）方法最初应用于语音编码，其灵感来源于系统识别和控制领域。在LP分析中，每个语音样本由过去“p”个语音样本的线性组合表示，“p”为线性预测的阶数，组合的权重称为线性预测系数（LPCs）。

设当前语音样本为s(n)，预测样本可表示为：
$\hat{s}(n) = - \sum_{k=1}^{p} a_k s(n - k)$

其中