• <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SE注意力機(jī)制和深度卷積的語音情感識別

    2024-11-21 00:00:00張少華馮炎余仁杰邢沛然任藝昊
    現(xiàn)代電子技術(shù) 2024年22期
    關(guān)鍵詞:深度特征情感

    摘" 要: 針對語音情感識別無法全面提取語音中的情感特征,導(dǎo)致識別準(zhǔn)確率低的問題,提出一種基于SE注意力機(jī)制和深度卷積的雙通道網(wǎng)絡(luò)模型。首先利用速度增強(qiáng)對原始數(shù)據(jù)集進(jìn)行數(shù)據(jù)擴(kuò)增,選取Mel譜圖、一階差分、二階差分混合特征圖作為輸入,以獲得更全面的語音信號特征;然后在SE注意力機(jī)制通道前后添加Ghost卷積提取局部特征,在深度卷積通道前后引入卷積層和逐點(diǎn)卷積提取全局特征,通過特征融合層融合特征;最后利用指數(shù)型下降進(jìn)行訓(xùn)練識別。結(jié)果表明,所提模型在擴(kuò)增后的中文數(shù)據(jù)集CASIA、英文數(shù)據(jù)集SAVEE、eNTERFACE05中的準(zhǔn)確率均高于其他深度卷積神經(jīng)網(wǎng)絡(luò)模型,驗(yàn)證了該模型的有效性及泛化能力。

    關(guān)鍵詞: 語音情感識別; 雙通道; SE注意力機(jī)制; 數(shù)據(jù)擴(kuò)增; Ghost卷積; 深度卷積; 逐點(diǎn)卷積; 特征融合

    中圖分類號: TN912?34" " " " " " " " " " " " " " "文獻(xiàn)標(biāo)識碼: A" " " " " " " " " " " 文章編號: 1004?373X(2024)22?0064?07

    Speech emotion recognition based on SE attention mechanism and deep convolution

    Abstract: To solve the problem of low recognition accuracy due to the inability to fully extract emotion features in speech emotion recognition, a dual channel network model based on SE attention mechanism and deep convolution is proposed. The speed enhancement is used to augment the original dataset, and the Mel spectrogram, first?order differential, and second?order differential mixed feature maps are selected as inputs to obtain more comprehensive speech signal features. The Ghost convolution is added to extract local features before and after the SE attention mechanism channel, convolutional layers and point by point convolution are introduced to extract global features before and after the deep convolution channel, and then features are fused by means of feature fusion layer. The rain recognition is conducted by means of exponential descent. The results show that the accuracy of the proposed model in the expanded Chinese dataset CASIA, English dataset SAVEE, and eNTERFACE05 is higher than other deep convolutional neural network models, respectively, verifying the effectiveness and generalization ability of the model.

    Keywords: speech emotion recognition; dual channel; SE attention mechanism; data augmentation; Ghost convolution; deep convolution; pointwise convolution; feature fusion

    0" 引" 言

    語音情感識別作為人機(jī)交互和智能服務(wù)領(lǐng)域的關(guān)鍵技術(shù),旨在實(shí)現(xiàn)對語音信號中所蘊(yùn)含的情感和情緒信息的準(zhǔn)確識別和理解[1]。然而,面對人類情感的復(fù)雜性和多樣性,傳統(tǒng)的語音情感識別方法在情感特征提取和分類準(zhǔn)確率上面臨著諸多挑戰(zhàn)[2]。傳統(tǒng)方法依賴于人工設(shè)計(jì)特征,導(dǎo)致情感分類準(zhǔn)確率難以取得突破性進(jìn)展。傳統(tǒng)的情感特征分為韻律特征[3]、譜特征[4]和聲音質(zhì)量特征[5]3類。文獻(xiàn)[6]提取語音的短時過零率、MFCC、短時能量,利用SVM進(jìn)行語音情感識別分類。文獻(xiàn)[7]提取語音的Mel譜圖,利用HMM進(jìn)行語音情感識別。Mel譜圖對于信號動態(tài)變化的敏感性較弱,因此,本文在Mel譜圖中加入一階差分和二階差分來提升效果。

    使用傳統(tǒng)方法對語音情感識別過程繁瑣而且準(zhǔn)確度較低,因此近年來深度學(xué)習(xí)方法在語音情感識別中嶄露頭角。文獻(xiàn)[8]以LeNet?5模型為基礎(chǔ),在此基礎(chǔ)上進(jìn)行改進(jìn),提升了語音情感識別效果。文獻(xiàn)[9]設(shè)計(jì)了一種加入注意力機(jī)制的卷積神經(jīng)網(wǎng)絡(luò)(CNN?ATN),在SAVEE數(shù)據(jù)庫中達(dá)到了74%的準(zhǔn)確率,在RAVDESS數(shù)據(jù)庫中達(dá)到了77%的準(zhǔn)確率。文獻(xiàn)[10]將深度殘差網(wǎng)絡(luò)和Transformer模型相結(jié)合,使用MFCC特征作為輸入,在RAVDESS數(shù)據(jù)集上準(zhǔn)確率達(dá)到了84.89%。文獻(xiàn)[11]設(shè)計(jì)了一種注意導(dǎo)向并行卷積神經(jīng)網(wǎng)絡(luò)編碼器模型,將不同的特征并行,在不同的數(shù)據(jù)集上取得了較好的效果。文獻(xiàn)[12]提出了一種基于多頭注意力的時空表征學(xué)習(xí)增強(qiáng)語音情感識別模型,所提方法獲得多尺度特征表達(dá),準(zhǔn)確度有了明顯提升。盡管深度學(xué)習(xí)在提高情感識別準(zhǔn)確率方面取得了顯著進(jìn)展,但在面對語音情感識別特征提取時仍無法全面提取語音中的情感特征,導(dǎo)致識別準(zhǔn)確率低。

    針對目前模型無法全面提取語音中的情感特征,導(dǎo)致識別準(zhǔn)確率低的問題,結(jié)合現(xiàn)有注意力機(jī)制和深度卷積等模型的特點(diǎn)與缺陷,本文提出了一種基于SE注意力機(jī)制和深度卷積的雙通道網(wǎng)絡(luò)模型。該模型分別以SE注意力機(jī)制和深度卷積為兩條通道的主干,在注意力機(jī)制通道前后加入Ghost卷積,提取局部特征,以獲得更多特征信息;在深度卷積的通道前加入卷積層,避免信息丟失;在通道后加入逐點(diǎn)卷積,增強(qiáng)模型的非線性能力,提取全局特征,通過特征融合層融合特征。本文的研究旨在為語音情感識別領(lǐng)域的研究和應(yīng)用貢獻(xiàn)新的啟發(fā)和思路。

    1" 語音情感識別算法

    在語音情感識別中,研究過程包括數(shù)據(jù)預(yù)處理、特征提取、模型訓(xùn)練識別3個步驟。本文的語音情感識別算法流程如圖1所示。

    1.1" 數(shù)據(jù)擴(kuò)增

    CASIA漢語語音情感數(shù)據(jù)集樣本較少,為避免訓(xùn)練模型過程中出現(xiàn)過擬合問題,本文對原始語音信號進(jìn)行速度增強(qiáng)。速度增強(qiáng)是一種音頻信號處理技術(shù),通過調(diào)整音頻信號的播放速度來改變其音調(diào),同時保持音頻的時長不變。

    在速度增強(qiáng)過程中,音頻信號的時間軸會被拉伸或壓縮,以達(dá)到改變播放速度的效果。這一過程中,音頻信號的頻率得到相應(yīng)的調(diào)整,但音頻的時長保持不變。本文將速度增強(qiáng)的倍數(shù)設(shè)定為1.2,表示將音頻信號的播放速度加快20%。

    一條語音速度增強(qiáng)之前的信號波形和速度增強(qiáng)之后的信號波形分別如圖2、圖3所示。

    從圖2和圖3可以看出,速度增強(qiáng)之后的波形相較于速度增強(qiáng)之前,語音信號在時間軸上被拉伸,從而使得波形在短時間內(nèi)完成更多個周期的振動,導(dǎo)致整體振幅縮小。語音信號在時間軸上被加速,波形的時長會相應(yīng)變短,波形振動的周期變短。語音信號的頻率增加,使得聲音音調(diào)聽起來更高。在對1 200條語音信號進(jìn)行速度增強(qiáng)后,生成1 200條語音信號,對樣本進(jìn)行數(shù)據(jù)擴(kuò)增,樣本數(shù)擴(kuò)增為2 400條,這樣可以有效地增加數(shù)據(jù)樣本的數(shù)量和多樣性,有利于為后續(xù)模型提供更為豐富的訓(xùn)練數(shù)據(jù),幫助提升模型性能。

    1.2" 特征提取

    本文提取語音信號的Mel譜圖、一階差分、二階差分特征,將這些特征合并成一個包含動態(tài)和靜態(tài)頻譜信息的特征圖像。

    Mel譜圖[13]是一種在Mel頻率尺度上表示的頻譜圖,通常情況下呈現(xiàn)為一種頻率?能量圖,展示了音頻信號中不同頻率的能量分布。Mel譜圖包含頻率信息、Mel刻度信息、動態(tài)范圍信息、音頻特征信息等有關(guān)內(nèi)容,其提取過程如圖4所示。圖中對語音信號進(jìn)行預(yù)加重、分幀、加窗、快速傅里葉變換(FFT),生成的功率譜通過Mel濾波器組后得到Mel譜圖。

    一階差分是指在時間序列數(shù)據(jù)中相鄰兩個樣本之間的差值。對于音頻特征提取,一階差分可以表示音頻頻譜在時間上的變化情況,有利于捕捉音頻信號的動態(tài)特征。

    二階差分是一階差分的差分操作,即對一階差分再進(jìn)行一次差分。二階差分可以進(jìn)一步強(qiáng)調(diào)音頻信號的動態(tài)變化特征,提供了更高階的信息。一階差分和二階差分可以幫助捕捉音頻信號在時間上的動態(tài)特征,包括音頻頻譜的瞬時變化和加速度變化,對聲音的快速變化和變化趨勢提供了有用信息。

    1.3" 模型結(jié)構(gòu)

    基于SE注意力機(jī)制和深度卷積的雙通道模型是通過基于SE注意力機(jī)制的通道和基于深度卷積的通道分別提取局部特征和全局特征,然后將雙通道處理后的特征進(jìn)行融合以及語音情感識別?;赟E注意力機(jī)制和深度卷積的雙通道模型結(jié)構(gòu)如圖5所示。

    由圖5可知,模型主要由三部分組成:第一,基于SE注意力機(jī)制的通道是針對語音的局部特征,第一個Ghost卷積提取主要特征,下采樣確保寬高與后續(xù)一致,SE注意力機(jī)制學(xué)習(xí)特征之間的依賴關(guān)系,第二個Ghost卷積確保輸出特征圖通道數(shù)正確,殘差連接用來減少梯度消失或梯度爆炸問題;第二,基于深度卷積的通道是針對語音的全局特征,卷積層實(shí)現(xiàn)分塊操作,將圖像劃分為不重疊的區(qū)域,并為每個區(qū)域提取特征,避免信息丟失,深度卷積逐步提取圖像的高級特征表達(dá),逐點(diǎn)卷積增強(qiáng)模型非線性及泛化能力;第三,特征融合將輸入特征對應(yīng)維度進(jìn)行拼接,從而產(chǎn)生一個更大的特征作為輸出。

    1.3.1" 基于SE注意力機(jī)制的改進(jìn)通道

    基于SE注意力機(jī)制的改進(jìn)通道由Ghost卷積、下采樣、SE注意力機(jī)制、Ghost卷積、殘差連接五部分組成。本節(jié)在原有注意力機(jī)制通道的基礎(chǔ)上前后添加Ghost卷積,以獲得更多特征信息。

    Ghost卷積層首先通過1×1卷積將通道數(shù)降低,濃縮特征信息,生成M個特征圖。用于產(chǎn)生M個特征圖的任意卷積層的操作表示為:

    [Y=X*f]" " " " " (1)

    式中:X為輸入;f為卷積核。X:C×H×W,f:C×K×K×M,Y:H′×W′×M。其中:C為通道數(shù);H為輸入圖像的高度;W為輸入圖像的寬度;K×K為卷積核大小。

    后續(xù)對M個特征圖進(jìn)行3×3深度卷積(線性變換)得到N=M×S個特征圖,借此獲取更多的特征組合信息。3×3深度卷積(線性變換)的公式如下:

    [Yi′j′=Φi′j′yi′]" " " " " " " " " "(2)

    式中:i′=1,2,…,M;j′=1,2,…,S,S為線性操作方式的次數(shù)。

    將第一次卷積和深度卷積得到的特征圖在通道維度上進(jìn)行堆疊。

    下采樣通過調(diào)整步長和卷積操作,以此降低特征圖的空間分辨率,確保寬高與后續(xù)一致。

    SE注意力機(jī)制[14]可以幫助學(xué)習(xí)特征之間的依賴關(guān)系,從而增強(qiáng)模型對重要特征的響應(yīng)。SE注意力機(jī)制原理圖如圖6所示。

    Squeeze操作將特征圖Y進(jìn)行全局平均池化處理,生成一個1×1×C的向量,公式為:

    Excitation操作通過權(quán)重W生成所需的權(quán)重信息,通過兩個全連接層W1、W2對上一步(Squeeze操作)的向量ZC進(jìn)行處理,得到通道權(quán)重值s,公式為:

    [s=σgZC,W=σW2δW1ZC]" " (4)

    Scale操作將生成的權(quán)重向量s對特征圖Y進(jìn)行權(quán)重更新賦值,得到所需的特征圖[Y'],公式為:

    [Y'=sY]" " " " " " " (5)

    殘差連接將輸入特征與經(jīng)過下采樣或通道調(diào)整后的殘差部分相加,以促進(jìn)信息傳遞和梯度流動,減少梯度消失或梯度爆炸問題。

    1.3.2" 基于深度卷積的改進(jìn)通道

    基于深度卷積的改進(jìn)通道主要由三部分組成,即:卷積層、深度卷積、逐點(diǎn)卷積。本節(jié)在原有深度卷積通道的基礎(chǔ)上,在通道前加入卷積層,避免信息丟失,在通道后加入逐點(diǎn)卷積,有效地增強(qiáng)了模型的非線性能力及泛化能力。卷積層采用7×7的卷積核、滑動步長為7的卷積層劃分圖像,提取特征,避免信息丟失。深度卷積[15]原理圖如圖7所示。對輸入的特征圖的每個通道進(jìn)行獨(dú)立的卷積操作,產(chǎn)生多個特征圖。對于輸入的每個通道,使用獨(dú)立的卷積核進(jìn)行卷積操作,得到與輸入通道數(shù)相等的特征圖。

    逐點(diǎn)卷積原理圖如圖8所示。對上一步(深度卷積)獲得的特征圖進(jìn)行卷積操作,將分離的通道特征圖進(jìn)行整合和壓縮,通道數(shù)減少至所需的輸出通道數(shù)。

    1.3.3" 特征融合

    特征融合層主要由三部分組成,即:concatenate、批標(biāo)準(zhǔn)化層、softmax。特征融合方式采用concatenate,concatenate用于將多個輸入特征沿著指定的軸連接,其原理為將輸入特征的對應(yīng)維度進(jìn)行拼接,從而產(chǎn)生一個更大的特征作為輸出。批標(biāo)準(zhǔn)化層對每個批次的數(shù)據(jù)上進(jìn)行標(biāo)準(zhǔn)化處理,使得每個特征的均值接近于0,標(biāo)準(zhǔn)差接近于1。softmax分類器將模型的輸出轉(zhuǎn)換為每個類別的概率分布。

    2" 實(shí)驗(yàn)分析

    2.1" 實(shí)驗(yàn)準(zhǔn)備

    CASIA數(shù)據(jù)集是中國科學(xué)院自動化研究所錄制的,4位說話人(2男2女),包含6種情感(生氣(angry)、害怕(fear)、高興(happy)、中立(neutral)、悲傷(sad)、驚訝(surprise)),總共1 200條語音,對原始數(shù)據(jù)集進(jìn)行速度增強(qiáng),將速度增強(qiáng)后的1 200條語音擴(kuò)增到原始的數(shù)據(jù)集中,最終擴(kuò)增后的數(shù)據(jù)集總共2 400條語音。實(shí)驗(yàn)環(huán)境為云服務(wù)器,算力型號為L40,顯存為48 GB,采用TensorFlow 2.9.0、Python 3.8、CUDA 11.2。

    對2 400條語音樣本數(shù)據(jù)集提取Mel譜圖、一階差分、二階差分混合特征圖,形狀為224×224×3。將數(shù)據(jù)集劃分為5份,4份作為訓(xùn)練集,1份作為測試集。學(xué)習(xí)率采用指數(shù)型下降,經(jīng)過5次輪換訓(xùn)練和測試,取平均值為最終的識別結(jié)果。準(zhǔn)確率計(jì)算公式為:

    式中:i為輪換的次數(shù),總共5次輪換;[TPi]為True Positives的數(shù)量,即在第i次輪換中模型正確分類為正類(或者說正確預(yù)測的樣本數(shù)量)的樣本數(shù);[Ni]為第i次輪換中所有測試樣本的數(shù)量。通過公式(6)可以看出,整體準(zhǔn)確率是通過對每次輪換時的正確分類占所有樣本比例進(jìn)行求和取平均值得到的。

    網(wǎng)絡(luò)層激活函數(shù)使用ReLU函數(shù),損失使用交叉熵函數(shù),加入Dropout層減少過擬合,采用Adam優(yōu)化器。

    2.2" 實(shí)驗(yàn)結(jié)果分析

    將擴(kuò)增后的CASIA數(shù)據(jù)集分別提取短時過零率、MFCC、短時能量混合特征圖,線性頻譜圖,Mel譜圖、一階差分、二階差分混合特征圖,并將提取的特征輸入本文模型。3種不同特征輸入下的測試集準(zhǔn)確率如表1所示。

    由表1可知,在本文模型的情況下,輸入為Mel譜圖、一階差分、二階差分混合特征圖的準(zhǔn)確率更高。短時過零率、MFCC、短時能量混合特征圖主要提取了語音信號的振幅、強(qiáng)度、頻譜信息;線性頻譜圖主要對語音信號的頻率和時間進(jìn)行分析,反映語音信號在不同頻率上的能量分布情況及聲道信息;Mel譜圖、一階差分、二階差分混合特征圖結(jié)合了頻譜信息和動態(tài)信息,提取了語音信號在時間上的演變信息。Mel譜圖、一階差分、二階差分混合特征圖相較于其他特征圖,使得特征判別性更強(qiáng),更能夠捕捉語音信號的復(fù)雜結(jié)構(gòu)和變化及動態(tài)特性。因此,本文選取Mel譜圖、一階差分、二階差分混合特征圖作為輸入的混合特征圖。

    接著對合適的學(xué)習(xí)率方式進(jìn)行對比分析:第1組為初始學(xué)習(xí)率不變,學(xué)習(xí)率大小為0.000 1;第2組為階梯型下降,初始學(xué)習(xí)率為0.000 1,若測試集損失保持3輪不下降,則學(xué)習(xí)率縮小為原來學(xué)習(xí)率的[12];第3組為指數(shù)型下降,初始學(xué)習(xí)率為0.000 1,衰減系數(shù)為0.95。不同學(xué)習(xí)率方法下本文模型的準(zhǔn)確率如表2所示。

    由表2可知,采用學(xué)習(xí)率調(diào)度策略,相較于學(xué)習(xí)率不變,測試集準(zhǔn)確率有明顯提升。指數(shù)型下降是一種連續(xù)、平滑的更新學(xué)習(xí)率過程,而階梯型下降是一種離散的參數(shù)更新。指數(shù)型下降相較于階梯型下降,具有更好的收斂性、平滑性和自適應(yīng)性,能夠更快、更穩(wěn)定地找到最優(yōu)解。通過實(shí)驗(yàn)證明,指數(shù)型下降的準(zhǔn)確率相較于階梯型下降也有些許提升。因此,本文采用指數(shù)型下降來更新學(xué)習(xí)率。

    為了驗(yàn)證本文模型的有效性,將該模型與其他深度卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行對比分析,并展示該模型混淆矩陣。LeNet、AlexNet、Vgg16、ResNet18、ResNet34及本文模型的混淆矩陣如圖9~圖14所示。

    不同模型在擴(kuò)增后的CASIA數(shù)據(jù)集的準(zhǔn)確率結(jié)果如表3所示。由表3可知,本文模型在語音情感識別上有著較好的效果,可以很好地區(qū)分不同的情感,對輸入數(shù)據(jù)的特征可以多尺度地提取有用的特征,增加特征的多樣性和豐富性,更全面地捕捉和利用特征信息。由混淆矩陣可知,測試集樣本為480,每種情感數(shù)量為80。從真實(shí)標(biāo)簽和預(yù)測標(biāo)簽的對應(yīng)關(guān)系的混淆百分?jǐn)?shù)可知,本文模型在識別率上有著較好的效果。

    為了進(jìn)一步驗(yàn)證模型在相似問題上的泛化能力,本文還在SAVEE數(shù)據(jù)集和eNTERFACE05數(shù)據(jù)集上進(jìn)行對比分析。SAVEE數(shù)據(jù)集是英語語言的數(shù)據(jù)集,4個說話人,包含7種情感,選取其中420條語音,每種情感的語音均勻分布。按照CASIA數(shù)據(jù)集數(shù)據(jù)擴(kuò)增的方法對SAVEE數(shù)據(jù)集進(jìn)行數(shù)據(jù)擴(kuò)增,擴(kuò)增后的數(shù)據(jù)集為840條語音。eNTERFACE05數(shù)據(jù)集包含44個說話人,包含6種情感,選取其中1 260條語音,每種情感的語音均勻分布。按照CASIA數(shù)據(jù)集數(shù)據(jù)擴(kuò)增的方法對eNTERFACE05數(shù)據(jù)集進(jìn)行數(shù)據(jù)擴(kuò)增,擴(kuò)增后的數(shù)據(jù)集為2 520條語音。不同模型在擴(kuò)增后的SAVEE數(shù)據(jù)集和eNTERFACE05數(shù)據(jù)集的準(zhǔn)確率結(jié)果分別如表4、表5所示。

    由表4和表5可知,本文模型在除中文之外的語音情感識別上也有著較好的效果,考慮到不同語種數(shù)據(jù)情感特征、說話人數(shù)量、樣本數(shù)量存在一定的差異性,所以準(zhǔn)確率會有些許不同。同時驗(yàn)證了該模型也具有一定的跨語種識別的能力,對后續(xù)的語音情感識別的研究也有著一定的參考價值。

    3" 結(jié)" 語

    本文為減少訓(xùn)練過程中的過擬合問題,利用速度增強(qiáng)對原始數(shù)據(jù)集進(jìn)行數(shù)據(jù)擴(kuò)增,選取Mel譜圖、一階差分、二階差分混合特征圖作為輸入,以獲得更全面的語音信號特征。針對語音情感識別無法全面提取語音中的情感特征,導(dǎo)致識別準(zhǔn)確率低的問題,提出了一種基于SE注意力機(jī)制和深度卷積的網(wǎng)絡(luò)模型。利用基于SE注意力機(jī)制的改進(jìn)通道提取局部特征,基于深度卷積的改進(jìn)通道提取全局特征,通過特征融合層融合特征,進(jìn)一步提高了語音情感識別準(zhǔn)確率。同時,在不同語種的語音情感數(shù)據(jù)集上,本文模型也得到了有效驗(yàn)證,具有一定的泛化能力,豐富了語音情感識別的研究。

    參考文獻(xiàn)

    [1] WANI T M, GUNAWAN T S, QADRI S A A, et al. A comprehensive review of speech emotion recognition systems [J]. IEEE access, 2021, 9: 47795?47814.

    [2] LATIF S, RANA R, KHALIFA S, et al. Survey of deep representation learning for speech emotion recognition [J]. IEEE transactions on affective computing, 2021, 14(2): 1634?1654.

    [3] MARY L, YEGNANARAYANA B. Extraction and represent?ation of prosodic features for language and speaker recognition [J]. Speech communication, 2008, 50(10): 782?796.

    [4] ITTICHAICHAREON C, SUKSRI S, YINGTHAWORNSUK T. Speech recognition using MFCC [C]// International Conference on Computer Graphics, Simulation and Modeling. Macau, China: IEEE, 2012: 9.

    [5] SHIMIZU T, ONAGA H. Study on acoustic improvements by sound?absorbing panels and acoustical quality assessment of teleconference systems [J]. Applied acoustics, 2018, 139: 101?112.

    [6] 陳富麗.中文語音情感識別方法研究[D].重慶:重慶郵電大學(xué),2019.

    [7] 林巧民,齊柱柱.基于HMM和ANN混合模型的語音情感識別研究[J].計(jì)算機(jī)技術(shù)與發(fā)展,2018,28(10):74?78.

    [8] 姜芃旭,傅洪亮,陶華偉,等.一種基于卷積神經(jīng)網(wǎng)絡(luò)特征表征的語音情感識別方法[J].電子器件,2019,42(4):998?1001.

    [9] MOUNTZOURIS K, PERIKOS I, HATZILYGEROUDIS I. Speech emotion recognition using convolutional neural networks with attention mechanism [J]. Electronics, 2023, 12(20): 4376.

    [10] 劉方如,王亮.基于Res?Transformer模型的語音情感識別方法研究[J].物聯(lián)網(wǎng)技術(shù),2023,13(6):36?39.

    [11] FAZLIDDIN M, ALPAMIS K, FARKHOD A, et al. Modeling speech emotion recognition via attention?oriented parallel CNN encoders [J]. Electronics, 2022, 11(23): 4047.

    [12] CHEN Z, LIN M, WANG Z, et al. Spatio?temporal represent?ation learning enhanced speech emotion recognition with multi?head attention mechanisms [J]. Knowledge?based systems, 2023, 281: 111077.

    [13] 楊雨欣,于紅,楊宗軼,等.基于Mel聲譜圖與改進(jìn)SEResNet的魚類行為識別[J].漁業(yè)現(xiàn)代化,2024,51(1):56?63.

    [14] JIE H, LI S, SAMUEL A, et al. Squ?eeze?and?excitation networks [EB/OL]. [2023?01?12]. https://blog.csdn.net/qq_45929156/article/details/116106978.

    [15] KAMAL K C, YIN Z, WU M, et al. Depthwise separable convolution architectures for plant disease classification [J]. Computers and electronics in agriculture, 2019, 165(10): 104948.

    猜你喜歡
    深度特征情感
    如何在情感中自我成長,保持獨(dú)立
    深度理解一元一次方程
    失落的情感
    北極光(2019年12期)2020-01-18 06:22:10
    如何表達(dá)“特征”
    情感
    不忠誠的四個特征
    深度觀察
    深度觀察
    如何在情感中自我成長,保持獨(dú)立
    深度觀察
    大码成人一级视频| 99久久人妻综合| 18+在线观看网站| 全区人妻精品视频| 黑人高潮一二区| 久久99热这里只频精品6学生| 国产精品嫩草影院av在线观看| 18禁观看日本| 国产精品一区二区在线观看99| 国产免费一级a男人的天堂| 亚洲第一区二区三区不卡| 麻豆成人av视频| 人妻制服诱惑在线中文字幕| 国产成人freesex在线| 久久免费观看电影| 伊人亚洲综合成人网| 久久99蜜桃精品久久| 亚洲欧美成人综合另类久久久| 国产成人免费观看mmmm| 18禁裸乳无遮挡动漫免费视频| 国产精品三级大全| 黑人欧美特级aaaaaa片| 丝袜美足系列| 亚洲国产精品成人久久小说| 韩国av在线不卡| 成年女人在线观看亚洲视频| 伊人亚洲综合成人网| 久久人人爽人人爽人人片va| 久久久久国产精品人妻一区二区| 中国美白少妇内射xxxbb| 亚洲精品亚洲一区二区| 黑人欧美特级aaaaaa片| 成人二区视频| 伦理电影大哥的女人| 免费观看a级毛片全部| 成人漫画全彩无遮挡| 亚洲欧美日韩另类电影网站| 国产成人午夜福利电影在线观看| 国产午夜精品久久久久久一区二区三区| 97在线视频观看| 黄色视频在线播放观看不卡| 尾随美女入室| 超色免费av| 91久久精品国产一区二区三区| 水蜜桃什么品种好| 少妇的逼水好多| 欧美精品人与动牲交sv欧美| 国产高清国产精品国产三级| 欧美成人精品欧美一级黄| 国产毛片在线视频| 国产欧美日韩综合在线一区二区| 丰满少妇做爰视频| 男人添女人高潮全过程视频| 视频在线观看一区二区三区| 久久久久久久精品精品| 亚洲不卡免费看| 久久精品人人爽人人爽视色| 日日撸夜夜添| 精品卡一卡二卡四卡免费| 99热这里只有精品一区| 全区人妻精品视频| 大片电影免费在线观看免费| 亚洲精品日本国产第一区| 一级爰片在线观看| 91午夜精品亚洲一区二区三区| 国产精品免费大片| 亚洲精品第二区| 久久毛片免费看一区二区三区| a级毛片在线看网站| 夫妻午夜视频| 一边摸一边做爽爽视频免费| 伊人久久精品亚洲午夜| 菩萨蛮人人尽说江南好唐韦庄| 一区二区三区免费毛片| 黄色欧美视频在线观看| 交换朋友夫妻互换小说| 有码 亚洲区| 欧美日韩av久久| 人妻 亚洲 视频| 国产永久视频网站| 啦啦啦中文免费视频观看日本| 丝袜在线中文字幕| 大陆偷拍与自拍| 久久久久久伊人网av| 国语对白做爰xxxⅹ性视频网站| 精品亚洲成国产av| 日韩人妻高清精品专区| 99九九线精品视频在线观看视频| 成年av动漫网址| 国产男女超爽视频在线观看| 亚洲精品乱久久久久久| 少妇人妻精品综合一区二区| 看免费成人av毛片| 爱豆传媒免费全集在线观看| 97精品久久久久久久久久精品| 国产av一区二区精品久久| 亚洲精品自拍成人| 一二三四中文在线观看免费高清| 精品久久久噜噜| 91久久精品电影网| 欧美另类一区| 中文字幕亚洲精品专区| 永久网站在线| 亚洲av电影在线观看一区二区三区| 妹子高潮喷水视频| 波野结衣二区三区在线| 一级a做视频免费观看| 亚洲欧美中文字幕日韩二区| 亚洲久久久国产精品| 少妇被粗大猛烈的视频| 热99国产精品久久久久久7| 美女中出高潮动态图| 天天躁夜夜躁狠狠久久av| 成人影院久久| 国产爽快片一区二区三区| 波野结衣二区三区在线| 男女高潮啪啪啪动态图| 99热这里只有是精品在线观看| 99re6热这里在线精品视频| 日韩伦理黄色片| 一区二区三区免费毛片| 国产午夜精品一二区理论片| 观看av在线不卡| 亚洲婷婷狠狠爱综合网| 午夜视频国产福利| 欧美精品一区二区免费开放| 插阴视频在线观看视频| 在线播放无遮挡| av免费观看日本| 久久韩国三级中文字幕| 秋霞伦理黄片| 26uuu在线亚洲综合色| 成人无遮挡网站| 国产免费又黄又爽又色| 永久免费av网站大全| 久久久久久伊人网av| 夫妻性生交免费视频一级片| 两个人免费观看高清视频| 免费高清在线观看日韩| 国产 一区精品| 国产男人的电影天堂91| 日本猛色少妇xxxxx猛交久久| 国产在视频线精品| av在线老鸭窝| 欧美日韩综合久久久久久| 99热网站在线观看| 国产av国产精品国产| 丝袜脚勾引网站| 国产精品麻豆人妻色哟哟久久| 国产在线视频一区二区| 水蜜桃什么品种好| 一个人免费看片子| 亚洲经典国产精华液单| 成人手机av| 夫妻午夜视频| 精品人妻熟女av久视频| 久久精品熟女亚洲av麻豆精品| 在线看a的网站| 日本av免费视频播放| 日韩伦理黄色片| 热re99久久国产66热| 老熟女久久久| 国产有黄有色有爽视频| 久久精品国产自在天天线| 我的女老师完整版在线观看| 国产免费视频播放在线视频| 丝袜在线中文字幕| 伦精品一区二区三区| 国产熟女午夜一区二区三区 | 久久久久视频综合| av不卡在线播放| 精品人妻一区二区三区麻豆| 岛国毛片在线播放| 亚洲综合色惰| 春色校园在线视频观看| 晚上一个人看的免费电影| 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 | 男女边吃奶边做爰视频| 夜夜骑夜夜射夜夜干| 欧美日韩亚洲高清精品| 久久av网站| 国产精品成人在线| 在线观看三级黄色| 九色成人免费人妻av| 精品久久久精品久久久| 国产精品一区www在线观看| 欧美一级a爱片免费观看看| 91久久精品电影网| 欧美另类一区| 大香蕉97超碰在线| 国产精品一二三区在线看| 精品一区二区三卡| 欧美日韩综合久久久久久| 亚洲国产欧美在线一区| 午夜激情av网站| 国产成人午夜福利电影在线观看| 你懂的网址亚洲精品在线观看| www.色视频.com| 免费大片18禁| 日本黄色片子视频| 精品国产国语对白av| 中文欧美无线码| 伦理电影免费视频| 两性午夜刺激爽爽歪歪视频在线观看 | 最近最新免费中文字幕在线| 国产欧美日韩综合在线一区二区| 欧美中文综合在线视频| 欧美性长视频在线观看| 国产又爽黄色视频| 久久久久久久久久久久大奶| 久久精品国产99精品国产亚洲性色 | 俄罗斯特黄特色一大片| 精品熟女少妇八av免费久了| 一区二区三区乱码不卡18| 91成人精品电影| 香蕉丝袜av| 国产成人免费观看mmmm| 在线观看免费高清a一片| 久久婷婷成人综合色麻豆| 国产精品二区激情视频| 亚洲熟女精品中文字幕| 国产一区二区 视频在线| 建设人人有责人人尽责人人享有的| 日韩精品免费视频一区二区三区| 国产免费福利视频在线观看| 亚洲免费av在线视频| 男男h啪啪无遮挡| tube8黄色片| 最近最新中文字幕大全免费视频| av一本久久久久| 亚洲精品国产区一区二| 五月开心婷婷网| 亚洲成a人片在线一区二区| 在线十欧美十亚洲十日本专区| 在线永久观看黄色视频| 嫁个100分男人电影在线观看| 天堂8中文在线网| 免费日韩欧美在线观看| 真人做人爱边吃奶动态| 老熟妇仑乱视频hdxx| 露出奶头的视频| 极品人妻少妇av视频| 亚洲av片天天在线观看| 精品亚洲成国产av| 99国产综合亚洲精品| 99热国产这里只有精品6| 丰满少妇做爰视频| 亚洲成人免费av在线播放| 精品免费久久久久久久清纯 | 黑人欧美特级aaaaaa片| 另类精品久久| 亚洲成av片中文字幕在线观看| 制服诱惑二区| 青青草视频在线视频观看| 午夜视频精品福利| 亚洲av日韩精品久久久久久密| 国产熟女午夜一区二区三区| 国产精品欧美亚洲77777| 亚洲午夜精品一区,二区,三区| 99国产极品粉嫩在线观看| 午夜福利在线免费观看网站| 国产精品久久久久久人妻精品电影 | 69精品国产乱码久久久| 亚洲av国产av综合av卡| 成人影院久久| 悠悠久久av| 色94色欧美一区二区| 如日韩欧美国产精品一区二区三区| √禁漫天堂资源中文www| 黑人巨大精品欧美一区二区mp4| 亚洲,欧美精品.| av网站免费在线观看视频| 午夜老司机福利片| 夜夜骑夜夜射夜夜干| 精品国产一区二区三区四区第35| a级毛片在线看网站| 91老司机精品| 丝袜在线中文字幕| 国产欧美亚洲国产| 亚洲天堂av无毛| 日本av手机在线免费观看| 丝袜在线中文字幕| 成在线人永久免费视频| 成人国语在线视频| 色婷婷久久久亚洲欧美| 亚洲少妇的诱惑av| 一级片免费观看大全| 国产精品久久电影中文字幕 | 少妇的丰满在线观看| 两性午夜刺激爽爽歪歪视频在线观看 | 国产精品免费一区二区三区在线 | 中亚洲国语对白在线视频| 国产人伦9x9x在线观看| 亚洲精品中文字幕在线视频| 亚洲熟妇熟女久久| 久久久久国产一级毛片高清牌| 变态另类成人亚洲欧美熟女 | 精品久久久久久电影网| 黑人操中国人逼视频| 女人被躁到高潮嗷嗷叫费观| 精品国产一区二区三区四区第35| av超薄肉色丝袜交足视频| 久久影院123| 纯流量卡能插随身wifi吗| 大香蕉久久网| 欧美日韩福利视频一区二区| 高潮久久久久久久久久久不卡| 亚洲精品在线美女| 国产三级黄色录像| 18禁裸乳无遮挡动漫免费视频| a级毛片黄视频| av欧美777| 欧美日韩亚洲综合一区二区三区_| 欧美一级毛片孕妇| 黑人巨大精品欧美一区二区mp4| 久久亚洲精品不卡| 久久久久国内视频| xxxhd国产人妻xxx| 国产又色又爽无遮挡免费看| 久久性视频一级片| 在线观看免费高清a一片| 日韩视频在线欧美| 欧美乱妇无乱码| 久久精品亚洲精品国产色婷小说| 国产不卡一卡二| 这个男人来自地球电影免费观看| 中文字幕av电影在线播放| 男人舔女人的私密视频| 欧美在线一区亚洲| 黄色a级毛片大全视频| 久久人人97超碰香蕉20202| 久久精品国产亚洲av高清一级| 国产aⅴ精品一区二区三区波| 精品一区二区三区视频在线观看免费 | 一级,二级,三级黄色视频| 久久人妻av系列| 国产深夜福利视频在线观看| 亚洲av欧美aⅴ国产| 国产日韩一区二区三区精品不卡| 天天躁夜夜躁狠狠躁躁| 精品免费久久久久久久清纯 | 国产区一区二久久| 亚洲欧美一区二区三区久久| 久久中文看片网| a级毛片在线看网站| 国产高清国产精品国产三级| 国产深夜福利视频在线观看| 亚洲国产欧美一区二区综合| 最近最新中文字幕大全电影3 | 国产精品偷伦视频观看了| 亚洲av片天天在线观看| 日韩精品免费视频一区二区三区| 香蕉国产在线看| 国产成+人综合+亚洲专区| 一进一出好大好爽视频| 亚洲人成电影免费在线| 欧美 亚洲 国产 日韩一| 欧美激情 高清一区二区三区| 一区在线观看完整版| 色老头精品视频在线观看| 女人久久www免费人成看片| 国产亚洲欧美精品永久| 老汉色∧v一级毛片| 91av网站免费观看| 久久青草综合色| 男女无遮挡免费网站观看| 亚洲色图 男人天堂 中文字幕| 一本久久精品| h视频一区二区三区| 日韩一卡2卡3卡4卡2021年| 另类精品久久| 精品人妻熟女毛片av久久网站| 婷婷丁香在线五月| 黄色 视频免费看| 亚洲av欧美aⅴ国产| 色综合婷婷激情| 午夜福利欧美成人| 一区在线观看完整版| 下体分泌物呈黄色| 国产免费现黄频在线看| 高清av免费在线| 12—13女人毛片做爰片一| 国产av精品麻豆| 淫妇啪啪啪对白视频| 亚洲美女黄片视频| tocl精华| 五月天丁香电影| 露出奶头的视频| 成人18禁高潮啪啪吃奶动态图| 韩国精品一区二区三区| 国产精品成人在线| 一边摸一边抽搐一进一出视频| 亚洲精品粉嫩美女一区| 一级毛片电影观看| 人人妻,人人澡人人爽秒播| 在线观看免费日韩欧美大片| 99九九在线精品视频| 国产精品国产av在线观看| 热99re8久久精品国产| 日日爽夜夜爽网站| videos熟女内射| 99香蕉大伊视频| 久久精品亚洲精品国产色婷小说| 亚洲av美国av| 一本—道久久a久久精品蜜桃钙片| 手机成人av网站| 天堂动漫精品| 亚洲综合色网址| 男人舔女人的私密视频| 亚洲性夜色夜夜综合| 50天的宝宝边吃奶边哭怎么回事| 国产精品一区二区精品视频观看| 国产精品av久久久久免费| 天堂8中文在线网| 天天躁狠狠躁夜夜躁狠狠躁| 中文字幕人妻熟女乱码| 少妇 在线观看| 日韩视频一区二区在线观看| 啦啦啦在线免费观看视频4| www.999成人在线观看| 无人区码免费观看不卡 | 欧美日韩中文字幕国产精品一区二区三区 | 又黄又粗又硬又大视频| 国产淫语在线视频| 亚洲熟女精品中文字幕| 在线观看舔阴道视频| 女人久久www免费人成看片| xxxhd国产人妻xxx| 色在线成人网| 超色免费av| 精品久久久精品久久久| 亚洲第一青青草原| 18禁裸乳无遮挡动漫免费视频| 在线观看免费视频日本深夜| 久久人妻福利社区极品人妻图片| 精品国产国语对白av| 男女午夜视频在线观看| 国产色视频综合| 咕卡用的链子| 岛国毛片在线播放| 久久影院123| 日本五十路高清| 美女主播在线视频| 午夜日韩欧美国产| 在线天堂中文资源库| 啦啦啦中文免费视频观看日本| 亚洲精品一卡2卡三卡4卡5卡| 90打野战视频偷拍视频| 免费久久久久久久精品成人欧美视频| 在线亚洲精品国产二区图片欧美| 国产黄频视频在线观看| 一本久久精品| 99在线人妻在线中文字幕 | 大片电影免费在线观看免费| 建设人人有责人人尽责人人享有的| 免费女性裸体啪啪无遮挡网站| 亚洲欧美日韩高清在线视频 | 成年女人毛片免费观看观看9 | 一区二区三区乱码不卡18| 五月开心婷婷网| 日韩 欧美 亚洲 中文字幕| 欧美精品亚洲一区二区| 亚洲人成77777在线视频| 亚洲 欧美一区二区三区| 日本黄色日本黄色录像| 日本av手机在线免费观看| 亚洲,欧美精品.| 久久久久精品国产欧美久久久| 午夜福利欧美成人| 熟女少妇亚洲综合色aaa.| 成年动漫av网址| 国产精品亚洲av一区麻豆| 国产野战对白在线观看| 亚洲国产av新网站| 精品人妻1区二区| 精品国产一区二区久久| 久久久久久久大尺度免费视频| 大香蕉久久成人网| 黑人巨大精品欧美一区二区mp4| 天天操日日干夜夜撸| 亚洲成人手机| 精品人妻熟女毛片av久久网站| av天堂久久9| 国产欧美日韩一区二区三| 午夜久久久在线观看| 日韩 欧美 亚洲 中文字幕| 狂野欧美激情性xxxx| 极品少妇高潮喷水抽搐| bbb黄色大片| 12—13女人毛片做爰片一| 后天国语完整版免费观看| 亚洲中文字幕日韩| 丝袜人妻中文字幕| 一二三四在线观看免费中文在| 久久久久久久精品吃奶| 欧美激情久久久久久爽电影 | 黄频高清免费视频| 亚洲欧美日韩高清在线视频 | 国产片内射在线| 在线永久观看黄色视频| 黑人猛操日本美女一级片| av欧美777| 伦理电影免费视频| 一个人免费在线观看的高清视频| 天天躁日日躁夜夜躁夜夜| 久久天躁狠狠躁夜夜2o2o| 老司机靠b影院| 首页视频小说图片口味搜索| 黄片小视频在线播放| 大片免费播放器 马上看| 亚洲av欧美aⅴ国产| 欧美 日韩 精品 国产| 精品久久蜜臀av无| 国产精品二区激情视频| 亚洲自偷自拍图片 自拍| 桃红色精品国产亚洲av| 亚洲精品在线观看二区| 在线播放国产精品三级| 久久精品人人爽人人爽视色| 精品福利观看| 国产欧美日韩综合在线一区二区| av在线播放免费不卡| 精品少妇久久久久久888优播| 精品国产乱码久久久久久男人| 欧美成人午夜精品| 亚洲国产av新网站| 国产精品国产av在线观看| 亚洲成人手机| 视频在线观看一区二区三区| 国产在线一区二区三区精| 国产精品欧美亚洲77777| 五月开心婷婷网| 国产精品久久久久久精品电影小说| 欧美人与性动交α欧美精品济南到| 国产在线观看jvid| xxxhd国产人妻xxx| 高清黄色对白视频在线免费看| 丝袜在线中文字幕| 自拍欧美九色日韩亚洲蝌蚪91| 亚洲精品美女久久久久99蜜臀| 亚洲av成人一区二区三| 一级,二级,三级黄色视频| 黑人巨大精品欧美一区二区蜜桃| 男女高潮啪啪啪动态图| 老司机影院毛片| 国产视频一区二区在线看| 操美女的视频在线观看| 黄片小视频在线播放| 国产成+人综合+亚洲专区| 国产黄频视频在线观看| 国产精品麻豆人妻色哟哟久久| 国产成人av激情在线播放| 香蕉丝袜av| 国产无遮挡羞羞视频在线观看| 一本色道久久久久久精品综合| 午夜福利,免费看| 午夜福利影视在线免费观看| 如日韩欧美国产精品一区二区三区| 亚洲欧美色中文字幕在线| 人人妻人人添人人爽欧美一区卜| 日本a在线网址| 丝袜在线中文字幕| 免费久久久久久久精品成人欧美视频| 女性生殖器流出的白浆| 侵犯人妻中文字幕一二三四区| 国产精品秋霞免费鲁丝片| 国产欧美日韩一区二区三| 欧美乱码精品一区二区三区| 91国产中文字幕| 国产在线观看jvid| 日日爽夜夜爽网站| 久久天躁狠狠躁夜夜2o2o| 97在线人人人人妻| 91老司机精品| 人成视频在线观看免费观看| 成人国产一区最新在线观看| 久久久精品94久久精品| 叶爱在线成人免费视频播放| 国产精品久久久久久精品古装| 精品午夜福利视频在线观看一区 | 国产高清videossex| 亚洲性夜色夜夜综合| 精品一区二区三区视频在线观看免费 | 国产又爽黄色视频| 久久 成人 亚洲| 又大又爽又粗| 搡老岳熟女国产| 国产精品电影一区二区三区 | 丰满迷人的少妇在线观看| 黄频高清免费视频| 国产欧美日韩一区二区三区在线| 国产精品 欧美亚洲| 国产精品自产拍在线观看55亚洲 | 亚洲专区字幕在线| 欧美 日韩 精品 国产| 亚洲国产av新网站| 精品国产一区二区三区四区第35| 少妇的丰满在线观看| 亚洲成人国产一区在线观看| 91老司机精品| 国产成人精品在线电影| 在线十欧美十亚洲十日本专区| 欧美日韩成人在线一区二区| 久久久久久久国产电影| 99久久国产精品久久久| 国产成人系列免费观看| 国产精品一区二区在线不卡| 亚洲久久久国产精品| 一本大道久久a久久精品| 亚洲人成电影观看| 亚洲精品在线观看二区| 男女高潮啪啪啪动态图| 美女高潮到喷水免费观看| 国产亚洲欧美精品永久| 在线观看人妻少妇|