Automatische Spracherkennung von Emotionen mit rekursiven neuronalen Netzwerken und lokaler Aufmerksamkeit

Die automatische Erkennung von Emotionen aus Sprache ist eine herausfordernde Aufgabe, die stark von der Wirksamkeit der für die Klassifikation verwendeten Sprachmerkmale abhängt. In dieser Arbeit untersuchen wir den Einsatz von Deep Learning, um automatisch emotional relevante Merkmale aus Sprache zu identifizieren. Es wird gezeigt, dass wir durch den Einsatz eines tiefen rekursiven neuronalen Netzwerks sowohl die kurzzeitigen, emotional relevanten akustischen Merkmale als auch eine geeignete zeitliche Aggregation dieser Merkmale in eine kompakte Äußerungsdarstellung lernen können. Darüber hinaus schlagen wir eine neuartige Strategie für die Merkmals-Pooling über die Zeit vor, die lokale Aufmerksamkeit verwendet, um sich auf bestimmte Bereiche eines Sprachsignals zu konzentrieren, die emotional relevanter sind. Die vorgeschlagene Lösung wird am IEMOCAP-Korpus evaluiert und zeigt, dass sie im Vergleich zu bestehenden Emotionserkennungsalgorithmen genauere Vorhersagen liefert.