李茜茜，沈晓燕，任福继，康鑫

（1. 南通大学 信息科学技术学院，江苏 南通 226019; 2. 日本德岛大学 智能信息工学部，日本 德岛 7708501）

语音情感识别是人工智能的一个重大研究领域。人机交互中，语音是最直接的交流方式，对人的情感和认知的研究是人工智能的一个质的进步。语音情感识别是利用计算机对输入语音的情绪状态进行自动化识别。它在心理健康监测、教育辅助、个性化内容推荐、客户服务质量监测等领域具有广阔的应用前景。

目前的语音情感识别主要由以下几个过程构成：预处理、特征提取和情感分类。预处理方面的研究主要集中在数据库的处理和降噪等方面。当使用机器学习进行语音情感识别时，经常需要大量的训练数据，若数据集太少，则会出现过拟合的缺陷。为了能够在小样本数据集上进行算法的训练识别，对样本引进增强变换，增加样本数据量[1]，可以达到提高识别率的目的。Chatziagapi等[2]使用生成对抗性网络(generative adversarial nets, GANs)生成声谱图，对原有的样本进行数据增强，在IEMOCAP和FEEL-25k情感数据库上得到的未加权平均召回率为53.6%和54.6%。语音样本中夹杂着混响和附加噪声，这对语音情感识别的性能有不利影响。在预处理阶段，减少或消除混响和加性噪声称为去噪，也称为语音增强[3]。任福继等[4]在2016年提出了一种通过人工修改标签和降低噪音来对数据集进行预处理的方法。川濑友子等[5]提出了一种自动切换降噪参数的方法，使得自动语音识别的准确率最大化。……