SVM 情緒辨識實驗結果與分析



 



 





j

i i T

j j

jy x x y

b  (4.2.6)

基本上，SVM是一個二元的分類器(Binary classifier)，只能處理 兩種類別的分類，而在現實應用上，常常是需要多元的分類，因此，

需要使用一些策略來使得，SVM 在多元的分類上也可以使用，SVM 在多元分類上的策略主要有兩種方式：

(1)、一對多(One-against-rest)：當有 k個不同類別時，使用 k個SVM 分類器來將 k個類別分開，第 m個SVM分類器可以將第 m個類 別與其他類別分開，也就是使用分辨屬於特定類別的 SVM 分類 器。

(2)、一對一(One-against-one)：針對任意兩個不同類別皆使用一個 SVM分類器，因此，使用一對一策略時，共需要k(k-1)/2個 SVM 分類器，最後，再藉由此 k(k-1)/2個SVM分類器將最可能發生 的類別判斷出來。

本文所使用之 SVM 分類器採用臺灣大學資訊系林智仁老師所開 發之 LIBSVM[8]為主要 SVM 分類辨識工具，論文所使用之 SVM Kernel function 為Radial Basis Function (RBF)。

4.2.2 SVM 情緒辨識實驗結果與分析

本論文使用 SVM 作為語音情緒辨識的主要流程如圖 4-5 所示，

與 KNN 辨識流程的不同之處，在於利用 SVM 做分類時，必須先由 特徵參數資料庫訓練出一組SVM Model，再由此 Model與測試資料 特徵作計算與分類，而 SVM 語音情緒辨識的其餘流程則與 KNN 流 程相同，當使用原始特徵參數進行辨識時，直接計算出原始特徵參 數，並與 SVM 原始特徵資料庫所訓練出來的 SVM Model 作比對與 分類，辨識出使用者的情緒，而若使用正規化特徵參數做語音情緒辨 識時，則流程與 KNN相同，必須加入正規化特徵參數運算(如圖中虛 線所示)，先由使用者的一段中性語調語句中計算出正規化特徵參數 因子，接著，進入語音情緒辨識主要流程，在得到使用者一段情緒語 音訊號後，先計算出原始特徵參數，並經由正規化特徵參數因子對原 始特徵參數做正規化計算，最後，將正規化特徵參數與SVM正規化 特徵資料庫所訓練出來的正規化SVM Model 作比對與分類，辨識出 使用者的情緒。

SVM分類器是依據所給定的特徵參數資料庫，去找出一個最佳的 多維度分類函數，進而將資料有效分類，在事前訓練上，必須先將資 料庫透過訓練，產生此資料的最佳分類 Model，因此，在分類器使用 上，KNN 分類器只需將特徵參數資料庫建置好即可，而 SVM 分類 器，則需在特徵參數資料庫建置完後，再經由多維度分類函數的最佳

化，找出特徵參數資料庫的最佳分類模型，不同的特徵參數資料庫都 需要重新再訓練出一組新的分類函數；以下將針對SVM 分類器分別 在語者相關以及語者獨立的情況下進行實驗測試、分析與討論。

首先，與KNN特徵參數資料庫相同，先針對SVM分類器在語者 相關的情況下進行實驗測試，以德國語料所有資料當作訓練資料，悲 傷有 62筆、中性有 79 筆、快樂有71 筆、生氣有 127筆訓練資料，

並以訓練資料當作測試資料，對資料作Inside Test。表 4-5為使用正 規化特徵參數SVM Inside Test 鑑別矩陣，由辨識結果顯示，所有測 試資料皆完全辨識正確，整體之辨識正確率為 100%，顯示當測試資 料在訓練資料中時，SVM提供了極佳的分類效果。

接著，考慮語者獨立的情況，首先，將Person 1(P1)的語料當作測 試語料，並以Person 2 ~ Person 10語料當作訓練語料，產生一組訓練 後 SVM Model，並對 P1 語料進行 Outside Test，接著，以 Person 2 當測試資料，另外9人(P1以及 P3 ~ P10)當作訓練資料，再產生另一 組訓練後SVM Model，並對P2進行 Outside Test，以此類推，對P3 至 P10做 Outside Test，表 4-6 為 P1 ~ P10 使用原始特徵參數SVM Outside Test鑑別矩陣(P1 ~ P10各情緒之辨識正確率詳見附錄A)，由 整體辨識結果顯示，悲傷 62筆測試資料中有 44筆資料辨識為悲傷，

辨識正確率為71%，中性79筆測試資料有79筆資料辨識為中性，辨

識正確率 100%，快樂71 筆測試資料有60 筆辨識為快樂，辨識正確 率 85%，生氣 127 筆測試資料有 119 筆辨識為生氣，辨識正確率 93.7%，整體之辨識正確率為 89.1%，除了一部分悲傷與快樂測試資 料容易被辨識為中性及生氣外，中性與生氣皆維持良好的分類效果。

同樣的，使用正規化特徵參數進行SVM Outside Test，表 4-7為 P1 ~ P10使用正規化特徵參數SVM Outside Test鑑別矩陣(P1 ~ P10 各情緒之辨識正確率詳見附錄A)，由鑑別矩陣結果顯示，悲傷62筆 測試資料中有 51 筆資料被辨識為悲傷，悲傷之辨識正確率為82%， 中性79 筆測試資料中有79筆資料被辨識為中性，中性之辨識正確率 100%，快樂 71 筆測試資料中有 57 筆被辨識為快樂，快樂之辨識正 確率80%，生氣127筆測試資料中有 124筆資料被辨識為生氣，生氣 之辨識正確率97.6%，整體之辨識正確率為 91.7%，比使用原始特徵 參數做SVM Outside Test 時，整體之辨識正確率約提升2.6%，由原 始與正規化特徵參數之SVM Outside Test 辨識結果可以看出，使用正 規化特徵參數可以有效增加各情緒之間的分類效果。

最後，與KNN相同，考慮SVM分類器在訓練語料與測試語料為 不同語系情況下進行辨識，同樣的，我們以德國語料庫所有資料當作 訓練資料，並以工業技術研究院所錄製之語料(表3-2)當作測試語料，

表 4-8 為 SVM 使用正規化特徵參數在訓練與測試為不同語系下之鑑

別矩陣，由辨識結果顯示，SVM 對於悲傷與中性之辨識效果類似，

悲 傷 與 中 性 皆 相 對 容 易 被 辨 識 為 中 性 ， 辨 識 率 分 別 為 43.7%與 67.3%，而快樂則與生氣之辨識效果類似，快樂與生氣皆相對容易被 辨識為生氣，辨識率分別為71.0%與 70.3%，此結果表示中文語系悲 傷與中性之特徵參數與德國語料庫之中性特徵參數相近，而快樂與生 氣之特徵參數則與德國語料庫之生氣特徵參數相近，因此，若以德國 語料庫當作訓練資料時，中文語系之悲傷情緒容易被辨識為中性，而 快樂情緒則容易被辨識為生氣，整體之正確辨識率為46.9%，此結果 顯示，當SVM分類器在訓練語料與測試語料為不同語系時，SVM 分 類器同樣無法得到良好的分類效果。

4.3 小結

在本章節中，首先，先針對所使用之KNN及SVM分類器做簡單 的原理介紹，接著，根據上一章所提出之正規化特徵參數，分別以 KNN 與 SVM 分類器，對德國語料庫進行正規化特徵參數之 Inside Test，由辨識結果顯示，KNN在使用正規化特徵參數作 Inside Test情 況下，整體之辨識正確率為88.8%，而 SVM則為100%，此結果顯示，

SVM在測試資料在訓練資料中時，SVM提供了極佳的分類效果。

而在Outside Test情況下時，KNN 使用原始與正規化特徵參數之 整體辨識正確率分別為 78.2%與 82.6%，SVM 則分別為 89.1%與

91.7%，由辨識結果也可以發現，使用正規化特徵參數可以有效縮小 語者之間在特徵參數上的差異，增加各情緒之間的分類效果。與Inside Test做比較，當測試資料不在訓練資料中時，SVM與KNN之整體辨 識正確率皆約下降10%左右，而SVM 分類器之整體辨識效果仍優於 KNN分類器。

最後，針對KNN 及SVM分類器在訓練語料與測試語料為不同語 系之情況下進行辨識，以德國語料庫所有資料當作訓練資料，並以工 業技術研究院所錄製之語料當作測試語料，由辨識結果顯示，KNN 與SVM分類器在訓練語料與測試語料為不同語系時，兩者皆無法得 到良好的分類效果，而由各情緒之辨識結果可以發現，悲傷與中性皆 相對容易被辨識為中性，快樂與生氣皆相對容易被辨識為生氣與中 性，此辨識結果與台灣人個性較為內斂有關，在表達情緒時，各情緒 之特徵不若德國演員各情緒之呈現。

圖4-1 第K個最近鄰(KNN)

圖 4-2 KNN語音情緒辨識流程

圖4-3 KNN不同 K值之辨識率

圖4-4 二維支持向量機

圖 4-5 SVM語音情緒辨識流程

表4-1 使用正規化特徵參數 KNN Inside Test鑑別矩陣 (125/127)

98.4%

(125/127)

平均辨識率 88.8%

(301/339)

表4-2使用原始特徵參數KNN Outside Test 鑑別矩陣

(121/127)

95.3%

(121/127)

平均辨識率 78.2%

(265/339)

表4-3 使用正規化特徵參數KNN Outside Test鑑別矩陣

(121/127)

95.3%

(121/127)

平均辨識率 82.6%

(280/339)

表 4-4 KNN不同語系測試之鑑別矩陣(正規化特徵參數)

(575/600) 快樂(600) 3.7%

(135/600) 生氣(600) 4.7%

(821/2400)

表4-5 使用正規化特徵參數SVM Inside Test鑑別矩陣

(127/127)

100%

(127/127)

平均辨識率 100%

(339/339)

表4-6使用原始特徵參數SVM Outside Test 鑑別矩陣

(119/127)

93.7%

(119/127)

平均辨識率 89.1%

(302/339)

表4-7 使用正規化特徵參數SVM Outside Test鑑別矩陣

(124/127)

97.6%

(124/127)

平均辨識率 91.7%

(311/339)

表 4-8 SVM不同語系測試之鑑別矩陣(正規化特徵參數)

(197/600)

43.7%

(262/600)

3.7%

(22/600)

19.8%

(119/600)

32.8%

(197/600) 中性(600) 16.7%

(100/600)

67.3%

(404/600) 快樂(600) 6.0%

(426/600)

17.2%

(103/600) 生氣(600) 8.3%

(422/600)

70.3%

(422/600)

平均辨識率 46.92%

(1126/2400)

第五章 多層貝氏網路與多層共變異