基于特征选择与迁移学习的语音抑郁状态识别方法.pdf
宛菡****魔王
亲,该文档总共12页,到这已经超出免费预览范围,如果喜欢就直接下载吧~
相关资料
基于特征选择与迁移学习的语音抑郁状态识别方法.pdf
本发明提供一种基于特征选择与迁移学习的语音抑郁状态识别方法,针对基于语音进行建模时特征维度较高、特征分布受被试除抑郁水平外的个体差异影响两个问题,提出融合Lasso和迁移学习方法CORAL的语音抑郁状态识别方法。其优势在于1.Lasso过滤特征中的冗余信息,保留有效特征,在提升模型效率的基础上进一步提升识别精度;2.迁移学习方法CORAL在不泄漏抑郁标签信息的前提下,拉近训练集与测试集的特征分布,减小特征分布受抑郁水平外其他因素的影响。两种方法相结合能进一步提高抑郁筛查的准确性和稳定性。
基于稀疏表示的语音情感特征学习与识别方法研究的中期报告.docx
基于稀疏表示的语音情感特征学习与识别方法研究的中期报告摘要本中期报告研究了基于稀疏表示的语音情感特征学习与识别方法。首先介绍了情感识别的研究背景和现状,然后介绍了稀疏表示的基本概念和方法。接着,提出了基于稀疏表示的情感特征学习与识别方法,包括特征提取、码本学习和分类器训练等环节。最后,以IEMOCAP数据库为例,进行了实验评估,结果表明所提出的方法在情感识别任务中具有较好的性能。AbstractThismidtermreportstudiesthemethodoflearningandrecognizin
基于语音和面部特征的多模态融合抑郁识别研究.docx
本文档只有word版,所有PDF版本都为盗版,侵权必究基于语音和面部特征的多模态融合抑郁识别研究目录一、内容综述................................................21.研究背景及意义........................................32.国内外研究现状........................................43.研究内容与方法........................................5
一种基于迁移Softmax回归的癫痫状态识别方法.pdf
本发明提供一种基于迁移Softmax回归的癫痫状态识别方法,通过源域和目标域之间的知识迁移,使得目标域脑电信号分布向源域靠近,以此提升模型在目标域数据上的识别效果,有效提升了癫痫发作检测的可靠性,具体包括以下步骤:步骤S1,利用滑动窗口对源域原始脑电信号和目标域原始脑电信号进行分段;步骤S2,利用四层小波包分解提取滑动窗口内的小波包分解系数,并构建特征向量;步骤S3,对特征向量进行联合概率分布调整从而进行源域和目标域之间的知识迁移,同时在该知识迁移过程中完成分类器的训练;步骤S4,由分类器输出目标域原始脑
基于谱特征和ELM的语音情感识别方法.pdf
本发明提供的是一种基于谱特征和ELM的语音情感识别方法。原始语音信号进行基本特征提取包括韵律特征、音质特征;利用Teager能量算子TEO算法提取梅尔频率倒谱系数MFCC和耳蜗滤波倒谱系数CFCC,二者加权得到teCMFCC特征,并与基本特征值进行融合,构建特征矩阵;用Fisher准则和相关分析对特征进行选择降维,保留语音信号的个性特征;建立极限学习机ELM决策树模型,完成语音情感识别分类。本发明强调了语音信号的非线性特征,具有很好的鲁棒性,在中国科学院自动化研究所录制的CASIA中文情感语料库上进行实验