3、阅读与即兴演讲中呼吸模式分析

阅读与即兴演讲中呼吸模式分析

1. SBreathNet模型概述

SBreathNet是一种基于LSTM的深度架构，用于从语音信号中提取呼吸模式。其具体处理流程如下：
- 利用时间和相位域分析来表示捕获到的带有呼吸模式的语音信号。
- 将表示后的语音信号输入到SBreathNet中。输入的语音信号以250个样本（250×20 ms = 5000 ms）为一组，分别通过由两个LSTM和一个密集层组成的对应LSTM块。
- 两个LSTM块的输出进行拼接，然后输入到两个连续的密集层，形成编码器网络的输出。
- 损失函数计算真实值和预测值之间的一致性相关系数（CCC）损失。
- 网络以0.001的学习率和Adam优化器进行学习，最后一个密集层的激活函数为双曲正切（tanh）函数，使预测值范围在 -1 到 1 之间。

2. 阅读语音分析

2.1 整体性能

对100位说话者在阅读语音任务中的呼吸模式进行提取，平均r值达到0.61。通过实验不同的批量长度值（LSTM层的时间步长值），发现基于5s的分析能取得最佳的整体性能。如图所示，r值高于0.50的说话者有80位。

2.2 呼吸每分钟误差（BPME）

使用scipy中的峰值检测算法，设置距离为100点，高度为0.2来检测峰值，进而计算每个说话者的BPME。平均BPME为2.50，90%的说话者BPME小于4。这表明SBreathNet能够为80%的说话者提取r值高于0.50的呼吸模式，为90%的说话者提取BPME低于4的呼吸模式。

2.3 留一说话者法（LOSO）分析

在LOSO