Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > cs > arXiv:2507.03251v2

帮助 | 高级搜索

计算机科学 > 声音

arXiv:2507.03251v2 (cs)
[提交于 2025年7月4日 (v1) ,最后修订 2025年7月10日 (此版本, v2)]

标题: 通过频谱学习和注意力实现高效的语音情感识别

标题: Toward Efficient Speech Emotion Recognition via Spectral Learning and Attention

Authors:HyeYoung Lee, Muhammad Nadeem
摘要: 语音情感识别(SER)传统上依赖于听觉数据分析来进行情感分类。 一些研究采用了不同的方法进行SER。 然而,现有的SER方法往往难以捕捉细微的情感变化,并在不同数据集之间泛化。 在本文中,我们使用梅尔频率倒谱系数(MFCCs)作为频谱特征,以弥合计算情感处理与人类听觉感知之间的差距。 为了进一步提高鲁棒性和特征多样性,我们提出了一种基于1D-CNN的新型SER框架,该框架集成了数据增强技术。 从增强数据中提取的MFCC特征通过一个结合了通道和空间注意力机制的1D卷积神经网络(CNN)架构进行处理。 这些注意力模块使模型能够突出关键的情感模式,增强其捕捉语音信号中细微变化的能力。 所提出的方法实现了最先进的性能,在SAVEE上的准确率为97.49%,在RAVDESS上的准确率为99.23%,在CREMA-D上的准确率为89.31%,在TESS上的准确率为99.82%,在EMO-DB上的准确率为99.53%,在EMOVO上的准确率为96.39%。 实验结果展示了SER的新基准,证明了我们的方法在高精度识别情感表达方面的有效性。 我们的评估表明,先进深度学习(DL)方法的集成显著提高了在不同数据集上的泛化能力,突显了它们在辅助技术和人机交互中的实际部署中推进SER的潜力。
摘要: Speech Emotion Recognition (SER) traditionally relies on auditory data analysis for emotion classification. Several studies have adopted different methods for SER. However, existing SER methods often struggle to capture subtle emotional variations and generalize across diverse datasets. In this article, we use Mel-Frequency Cepstral Coefficients (MFCCs) as spectral features to bridge the gap between computational emotion processing and human auditory perception. To further improve robustness and feature diversity, we propose a novel 1D-CNN-based SER framework that integrates data augmentation techniques. MFCC features extracted from the augmented data are processed using a 1D Convolutional Neural Network (CNN) architecture enhanced with channel and spatial attention mechanisms. These attention modules allow the model to highlight key emotional patterns, enhancing its ability to capture subtle variations in speech signals. The proposed method delivers cutting-edge performance, achieving the accuracy of 97.49% for SAVEE, 99.23% for RAVDESS, 89.31% for CREMA-D, 99.82% for TESS, 99.53% for EMO-DB, and 96.39% for EMOVO. Experimental results show new benchmarks in SER, demonstrating the effectiveness of our approach in recognizing emotional expressions with high precision. Our evaluation demonstrates that the integration of advanced Deep Learning (DL) methods substantially enhances generalization across diverse datasets, underscoring their potential to advance SER for real-world deployment in assistive technologies and human-computer interaction.
主题: 声音 (cs.SD) ; 人工智能 (cs.AI); 音频与语音处理 (eess.AS)
引用方式: arXiv:2507.03251 [cs.SD]
  (或者 arXiv:2507.03251v2 [cs.SD] 对于此版本)
  https://doi.org/10.48550/arXiv.2507.03251
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Hyeyoung Lee [查看电子邮件]
[v1] 星期五, 2025 年 7 月 4 日 01:55:49 UTC (8,086 KB)
[v2] 星期四, 2025 年 7 月 10 日 02:11:03 UTC (8,086 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
  • 其他格式
许可图标 查看许可
当前浏览上下文:
cs.SD
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-07
切换浏览方式为:
cs
cs.AI
eess
eess.AS

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号