基于K近邻分类算法的语音情感识别MATLAB源码解析

引言

语音情感识别（Speech Emotion Recognition, SER）是人工智能领域的重要研究方向，通过分析语音信号中的声学特征（如音高、能量、MFCC等）判断说话者的情感状态（如高兴、愤怒、悲伤等）。K近邻算法（K-Nearest Neighbors, KNN）作为一种简单有效的分类方法，因其无需假设数据分布、适应性强等特点，在语音情感识别中具有广泛应用价值。本文将详细介绍基于KNN算法的语音情感识别系统在MATLAB中的实现方法，包括特征提取、模型训练与测试的全流程，并提供可复用的源码框架。

一、语音情感识别系统架构

1.1 系统组成

一个完整的语音情感识别系统通常包含以下模块：

• 数据采集与预处理：获取语音信号并进行降噪、分帧等操作
• 特征提取：从语音信号中提取具有情感区分度的特征
• 情感分类：使用分类算法对特征进行情感类别判断
• 性能评估：通过准确率、召回率等指标评估系统性能

1.2 KNN算法原理

KNN算法的核心思想是”近朱者赤，近墨者黑”：给定一个测试样本，在特征空间中找到与其距离最近的K个训练样本，根据这K个样本的类别投票决定测试样本的类别。数学表达式为：
[ \hat{y} = \arg\max{c} \sum{i=1}^{K} I(y_i = c) ]
其中，( \hat{y} )为预测类别，( y_i )为第i个近邻样本的真实类别，( I(\cdot) )为指示函数。

二、MATLAB实现关键步骤

2.1 数据准备与预处理

2.1.1 语音信号读取

MATLAB提供了audioread函数读取音频文件：

[signal, fs] = audioread('emotion_audio.wav');
% 信号归一化
signal = signal / max(abs(signal));

2.1.2 端点检测与分帧

使用voicebox工具箱中的activlev函数进行语音活动检测（VAD），将连续语音分割为短时帧（通常20-30ms）：

frame_length = round(0.025 * fs); % 25ms帧长
overlap = round(0.01 * fs);      % 10ms帧移
frames = buffer(signal, frame_length, overlap, 'nodelay');

2.2 特征提取

语音情感识别常用的特征包括时域特征、频域特征和倒谱特征。

2.2.1 时域特征

% 短时能量
energy = sum(frames.^2, 1);
% 短时过零率
zc = sum(abs(diff(sign(frames))), 1) / 2;

2.2.2 频域特征

% 计算功率谱
nfft = 2^nextpow2(frame_length);
fft_frames = abs(fft(frames, nfft)).^2;
% 频带能量
freq_bands = [0 300; 300 600; 600 1200; 1200 2400; 2400 4000];
band_energy = zeros(size(frames,2), size(freq_bands,1));
for i = 1:size(freq_bands,1)
    idx = round(freq_bands(i,1)*nfft/fs)+1 : round(freq_bands(i,2)*nfft/fs)+1;
    band_energy(:,i) = sum(fft_frames(idx,:), 1)';
end

2.2.3 MFCC特征

使用voicebox工具箱的melcepst函数提取MFCC：

mfcc = melcepst(signal, fs, '0dD', 13, frame_length, overlap);
% 计算一阶、二阶差分
delta_mfcc = diff(mfcc, 1, 2);
delta2_mfcc = diff(delta_mfcc, 1, 2);
% 合并特征
features = [mfcc(:,3:end); delta_mfcc; delta2_mfcc]'; % 去除首帧

2.3 KNN分类器实现

MATLAB统计与机器学习工具箱提供了fitcknn函数实现KNN分类：

% 假设已有特征矩阵X和标签向量Y
X = [features1; features2; ...]; % 所有样本特征
Y = [ones(n1,1); 2*ones(n2,1); ...]; % 对应情感标签
% 划分训练集和测试集
cv = cvpartition(Y, 'HoldOut', 0.3);
X_train = X(training(cv),:);
Y_train = Y(training(cv),:);
X_test = X(test(cv),:);
Y_test = Y(test(cv),:);
% 训练KNN模型
k = 5; % 近邻数
knn_model = fitcknn(X_train, Y_train, 'NumNeighbors', k, ...
                   'Distance', 'euclidean', 'Standardize', true);
% 预测与评估
Y_pred = predict(knn_model, X_test);
accuracy = sum(Y_pred == Y_test) / length(Y_test);
conf_mat = confusionmat(Y_test, Y_pred);

2.4 性能优化策略

2.4.1 特征选择

使用fscmrmr函数进行最大相关最小冗余（mRMR）特征选择：

idx = fscmrmr(X_train, Y_train);
selected_features = X_train(:, idx(1:20)); % 选择前20个重要特征

2.4.2 参数调优

通过交叉验证寻找最优K值：

k_values = 1:2:15;
cv_accuracy = zeros(size(k_values));
for i = 1:length(k_values)
    knn_temp = fitcknn(X_train, Y_train, 'NumNeighbors', k_values(i));
    cv_accuracy(i) = 1 - kfoldLoss(crossval(knn_temp));
end
[~, best_k] = max(cv_accuracy);

2.4.3 距离度量改进

尝试不同距离度量方式：

distance_types = {'euclidean', 'cityblock', 'cosine', 'correlation'};
for i = 1:length(distance_types)
    knn_model = fitcknn(X_train, Y_train, 'NumNeighbors', best_k, ...
                       'Distance', distance_types{i});
    % 评估模型...
end

三、完整源码框架

% 主程序框架
function [accuracy, conf_mat] = ser_knn_main(audio_dir, emotion_labels)
    % 1. 数据加载与预处理
    [X, Y] = load_and_preprocess(audio_dir, emotion_labels);
    % 2. 特征提取
    features = extract_features(X);
    % 3. 数据划分
    cv = cvpartition(Y, 'HoldOut', 0.3);
    % 4. 模型训练与参数优化
    [best_k, best_dist] = optimize_knn_params(features(training(cv),:), ...
                                              Y(training(cv),:));
    % 5. 最终模型训练与评估
    knn_model = fitcknn(features(training(cv),:), Y(training(cv),:), ...
                       'NumNeighbors', best_k, 'Distance', best_dist);
    Y_pred = predict(knn_model, features(test(cv),:));
    % 6. 性能评估
    accuracy = sum(Y_pred == Y(test(cv),:)) / length(Y(test(cv),:));
    conf_mat = confusionmat(Y(test(cv),:), Y_pred);
end
% 辅助函数实现...

四、应用建议与扩展方向

1. 多模态情感识别：结合面部表情、文本信息等提高识别准确率
2. 实时处理优化：使用增量学习或轻量级特征减少计算延迟
3. 跨语言适应：研究不同语言下的情感特征共性与差异
4. 深度学习融合：将KNN与CNN、LSTM等深度模型结合，发挥各自优势

五、结论

本文详细介绍了基于KNN算法的语音情感识别系统在MATLAB中的实现方法，通过实际代码展示了从语音信号处理到情感分类的全流程。实验表明，合理选择特征和优化KNN参数可获得较高的识别准确率。该系统具有实现简单、适应性强等优点，可作为语音情感识别研究的基准系统，也可根据实际需求进行扩展和优化。

参考文献

[1] 韩纪庆, 张磊, 郑铁然. 语音信号处理[M]. 清华大学出版社, 2013.
[2] MATLAB Documentation. Statistics and Machine Learning Toolbox.
[3] Brodersen K H, et al. The balanced accuracy and its posterior distribution[C]//ICPR. 2010.