02 语音情感识别数据集及特征提取

1 情感语音库

Belfast 英语情感数据库，是由Queen 大学对40 位录音人（18~69 岁，20 男20 女）的5 种情感（生气、悲伤、高兴、恐惧、中性）进行演绎得到的，每个段落包括7~8 个句子。

每条语音的命名的各位置对应的含义：

• Positions 1-2: 人的性别及年龄

• Positions 3-5: 对应的文本代码

• Position 6: 文本情感：A：害怕，F：高兴，N：中性，T：悲伤，W：生气

• Position 7: 不同朗读版本：a,b,c,d

例如:03a01Fa.wav：由03号朗读者朗读a01对应的文本，情绪为高兴“Freude” (Happiness).

2 特征提取

2.1 短时能量及其衍生参数

主要用途：区分清音段和浊音段（浊音的E(i)值比清音的E(i)值大）；区分声母和韵母的分界和无话段与有话段的分界

具体内容可参考：阿木：语音识别 02 语音信号的时域、频域特性和短时分析技术

短时能量： En=∑m=0N−1xn2(m)

y1=ys(1:L);
s1=enframe(y1,hamming(256),128); 
[nframe1,~]=size(s1);
E=zeros(1,nframe1);  
for i=1:nframe
    Z(i)=sum(abs(sign(s(i,framesize:2)-s(i,framesize-1:1))))/2;  %  过零率  %
end
for i=1:nframe1
    E(i)=sum(s1(i,:).*s1(i,:)); %  短时能量  %
end

短时抖动能量： Es=1M−1∑n=1M−1|En−En+1|1M∑n=1MEn×100

x=0;
t=0;
for i=1:(nframe1-1)
    t=abs(E(i)-E(i+1))/(nframe1-1);
    x=x+t;
end
E_shimmer=x/mean(E); % 这里感觉要乘100，不过都不乘100的话就不影响该特征的对比

短时能量的线性回归系数： Er=∑n=1Mn·En−1M∑n=1Mn·∑n=1MEn∑n=1Mn2−1M(∑n=1Mn)2

x1=0;x2=0;x3=0;x4=0;
for i=1:nframe1
    t1=i*mean(E);
    t2=i*E(i);
    t3=i*i;
    t4=i;
    x1=x1+t1;
    x2=x2+t2;
    x3=x3+t3;
    x4=x4+t4;
end
x4=x4*x4/nframe1;
s1=x2-x1;
s2=x3-x4;
E_Reg_coff=s1/s2;

短时能量的线性回归系数均方误差： Ep=1M∑n=1M(En−(μ1−Er−μn)−Er·n)2

其中， μn=1M∑n=1Mn

x=0;