魏金太，高 穹

(1.河南林业职业学院 信息与艺术设计系，河南 洛阳 471002；2.中国洛阳电子装备试验中心，河南 洛阳 471003)

情感识别在许多应用中起着重要的作用，特别是在当今日益普遍的人机交互系统中。作为人类之间的主要传播媒体之一，语音已经引起了研究者的广泛关注[1]。言语包含丰富的情绪信息，如何从语音信号中提取这些信息对于自动语音情感识别具有重要意义。

作为语音情感识别的重要组成部分，提取最相关的声学特征引起了很多研究兴趣。这些研究大部分都致力于设计一些手势特征，这些特征对于情感识别来说是最有特色的。最近，机器学习社区的一个趋势是直接从原始未处理数据中推导出输入信号的表示。这个想法背后的原因是网络可以自动学习原始输入信号的中间表示，它更适合手头的任务，因此可以提高性能。受此启发，我们试图通过专门设计的可变长度深度神经网络构建情绪识别系统，该神经网络可直接从输入语音的频谱图中导出情绪类别。

频谱图是信号的时频分解，指示其频率随时间变化的内容。在我们的工作中，卷积神经网络(CNN)首先被构造为有效地学习代表情绪信息的空间谱图模式；然后使用递归神经网络(RNN)来模拟由谱图表示的句子上的时间结构；最后的情绪类别是由全连接层导出的。

这项工作的想法类似于以前的Satt的工作[2]。然而，我们的神经网络具有能够处理可变长度语音段的优点。……