小叽导读：情感识别（即，识别开心，忧伤等）现在愈来愈受到人们的关注，因为它可以提升人机交互界面的用户体验，进而提升产品的用户粘性，并在心理医疗健康方面等具有独特价值。基于语音的情感识别尤其具有现实意义，因为基于语音的人机交互界面具有相对较低的硬件要求。但是，在现实中，周围环境中存在着许多噪声，这些噪声将会降低系统的识别性能。在本文中我们提出了一套包含多个子系统的复合情感识别框架。这一框架会深入挖掘输入语音中与情感相关的各个方面的信息，从而提高系统的顽健性。
作者：陶斐、刘刚、赵情恩
会议：ICASSP-2018
研究背景
在现实生活中，基于语音的人工智能系统处在复杂的场景当中，因而会面临各种各样的挑战。对于情感识别来说，主要的挑战来自于两个方面：
周围存在背景噪声，因而传统的特征提取，比如在整句话层面上提取统计参数的方法将受到严重干扰；
用户说话的方式比较随意，不能如实验室中那样很好地控制输入语音，有时候用户会有一些发出一些非语音的声音，比如哭声，笑声，咳嗽声等，这些声音有些与情感有关，有些则完全无关。
面对这两个挑战，我们提出了一套复合情感识别框架。这套框架会对底层和高层特征进行识别，因此可以对一些背景噪声有一定的顽健性；同时这套框架也会利用注意力模型（attention model）学习特征序列中重要时间点的特征，以及利用语音中的文本信息对情感信息进行分类——这些机制可以有效避免用户的非语音声音或者长静音对识别的干扰。
复合情感识别框架
在本文中，我们提出了一套复合的情感识别框架。这一框架由若干子系统组合而成，其中包括基于整句话（utterance level)底层特征(low level descriptor)的识别系统，基于整句话高层表述的识别系统，基于序列特征的识别系统，以及基于语义信息的识别系统（见Fig 1)。
Fig1 The proposed ensemble framework for emotion recognition
其中，基于整句话底层特征的识别系统为一个深度神经网络，采用多任务训练(multitasklearning)方式进行训练(见Fig 2)，采用的特征为从opensmile提取的Interspeech 2010 LLD特征集。在这个神经网络中，我们在trunk部分有两层隐层（hidden layer)(每层4096个神经元)，在branch部分，每个任务有一层隐层（1024神经元），之后有一层 柔性最大激活函数（softmax)。其中我们的神经元均使用精馏线性单元（rectified linearunit)。
Fig2 The multitask learning DNN
基于整句话高层表述的识别系统也是采用一个深度神经网络，同样也是采用多任务训练方式进行训练。采用的特征为200维iVector(从一个由4000小时语音训练的语音识别(ASR)系统中提取）。这里我们采用的网络结构与底层特征识别系统的神经网络相同，唯一的区别为，这个一个系统在trunk部分每一层只有1024个神经元。
基于序列特征的子系统采用递归神经网络，对输入序列进行建模，在递归神经网络上采用基于attention model的加权池化层(weighted pooling)(见Fig 3)，将输入的一个序列提取成一个高层表述。基于这个高层表述进行分类。这一子系统也采用多任务训练方式进行训练。这一递归网络与上述神经网络的大致结构相似，区别为在trunk部分，我们使用了RNN，并且在RNN上利用attention based weighted pooling layer来提取高端表述（high level representation)。
Fig 3 The attention based weighted poolingRNN
上述三个子系统中的多任务训练，我们采用三个任务，情感识别为主任务（权重为1），说话人识别（权重为0.3）和性别识别（权重为0.6）为辅助任务。在多任务训练中，由于系统可以看到更多的任务信息，可以更好地检视输入的特征，因此可以更好地训练神经网络。
除了上述三个子系统外，还有一个子系统是基于文本的子系统。该子系统采用支持向量机（supportvector machine)，使用了从语音识别系统中获取的文本。这一系列子系统的识别结果会通过线性相加组合起来，从而得到最后的结果。
实验
我们在多模情感识别竞赛2017数据集（MEC 2017)上测试这一套框架。MEC 2017数据集是采集自影视作品，其中包含了许多背景噪声（汽车噪声，工厂噪声等等），以及说话人的非语音声音（哭声、笑声等等）。其中各类情感的分布如下。
根据MEC 2017的建议，我们采用无权重平均F-score（MAF）和准确率作为我们的衡量标准。考虑到数据库中的数据不平衡性，我们主要关注MAF指标。
实验中，我们采用两套系统作为参照系统，一套是MEC2017建议的random forest 系统，还有一套是利用Interspeech 2017特征集搭建DNN的情感识别系统。具体实验结果如下：
由实验结果可以看到，我们提出的这一套框架，可以远远超过参照系统（分别增加了11.9%和7.8%准确率)。即使四个子系统的识别率参差不齐，最后组合之后的结果依然超过了所有的子系统，可以推测这个过程中全面检视输入信息，可以很有效的提高识别准确率和系统顽健性。
结论
我们将这一套系统应用于中文的影视作品数据库上。之所以应用到这一数据库上，是因为影视作品中的场景比较接近现实生活。结果显示，我们的系统可以全面超越现有的基于深度学习的前沿系统。这一成功，可以说明我们的这一套框架可以有助于在现实中实现情感识别。
原文发布时间为：2018-12-25
本文作者： ICASSP-2018论文
本文来自云栖社区合作伙伴“ 阿里巴巴机器智能”，了解相关信息可以关注“ 阿里巴巴机器智能”。
