基于CNN和LSTM的语音情感识别架构及其数据增强方法

在这项工作中，我们设计了一种用于识别语音中情绪的神经网络，使用了IEMOCAP数据集。借鉴音频分析领域的最新进展，我们采用了包含卷积层和循环层的架构，其中卷积层用于从原始频谱图中提取高层次特征，而循环层则用于聚合长期依赖关系。我们研究了通过声带长度扰动进行数据增强、逐层优化器调整以及循环层的批归一化等技术，并在四种情绪上取得了加权准确率64.5%和未加权准确率61.7%的高度竞争性结果。