一种基于可变形卷积和注意力驱动的多尺度转化框架，用于稳健且可解释的语音情感识别

语音情感识别（SER）是人机交互（HCI）、心理健康诊断和情感计算的重要贡献。然而，由于语音信号的非平稳性和说话者的变异性等挑战，SER仍然具有挑战性。本研究介绍了一种增强可变形卷积的分层Swin Transformer网络（DUST-Net），并结合了令牌修剪和不确定性感知注意力，以实现稳健的SER。这种方法整合了基于小波的多尺度特征提取、可变形卷积和自适应令牌修剪，以有效捕获局部和全局情感特征。信号预处理、基于Hiking优化算法的优化和DeepLIFT可解释性进一步提高了性能和透明度。实验结果达到98.75%的准确率，展示了情感识别的稳健性、可推广性和效率。