基于SVM的语音情感识别：MATLAB全流程实现指南

一、技术背景与核心价值

语音情感识别（SER）作为人机交互的关键技术，通过分析语音信号中的情感特征（如语调、节奏、能量分布等），实现愤怒、喜悦、悲伤等情绪的自动分类。支持向量机（SVM）凭借其处理高维非线性数据的优势，成为该领域的经典算法。相较于深度学习模型，SVM具有训练效率高、可解释性强、适合小样本场景等特性，尤其适用于学术研究或资源受限环境下的快速原型开发。

二、系统实现流程与关键技术

1. 数据准备与预处理

数据集选择：推荐使用柏林情感语音数据库（EMO-DB）或CASIA中文情感数据库，包含标注的愤怒、高兴、中性等情绪样本。需确保数据分布均衡，避免类别偏差。

预处理步骤：

• 降噪处理：采用小波阈值去噪法消除背景噪声

  % 小波去噪示例
  [clean_signal, ~] = wdenoise(noisy_signal, 3, 'Wavelet', 'db4');

• 分帧加窗：使用汉明窗（Hamming Window）将语音分割为20-30ms的短时帧，帧移10ms

  frame_length = round(0.025 * fs); % 25ms帧长
  frame_shift = round(0.01 * fs);  % 10ms帧移
  frames = buffer(signal, frame_length, frame_length-frame_shift, 'nodelay');
  window = hamming(frame_length)';
  framed_signal = frames .* window;

2. 特征提取与降维

核心特征组：

• 时域特征：短时能量、过零率、基频（Pitch）

  % 基频提取示例（自相关法）
  autocorr = xcorr(frame, 'coeff');
  [~, locs] = findpeaks(autocorr(length(frame):end), 'MinPeakHeight', 0.8);
  if ~isempty(locs)
    pitch_period = locs(1);
    pitch_freq = fs / pitch_period;
  end

• 频域特征：梅尔频率倒谱系数（MFCC）、频谱质心

  % MFCC提取（使用Voicebox工具箱）
  ncoeffs = 13; % 保留13个系数
  mfccs = melcepst(frame, fs, 'M', 23, 'N', 256, 'NF', ncoeffs);

• 非线性特征：Teager能量算子（TEO）、分形维数

特征选择：通过序列前向选择（SFS）算法筛选最具判别力的20-30个特征，避免维度灾难。

3. SVM模型构建与优化

核函数选择：

• 线性核：适用于线性可分数据，计算效率高
• RBF核：通过γ参数控制非线性程度，适合复杂情感模式

  % SVM训练示例（使用LIBSVM工具箱）
  model = svmtrain(labels, features, '-s 0 -t 2 -c 1 -g 0.1');
  % -s 0: C-SVC分类
  % -t 2: RBF核
  % -c: 惩罚系数C
  % -g: γ参数

参数调优：

• 采用网格搜索（Grid Search）结合5折交叉验证，优化C和γ参数

  % 参数网格搜索示例
  C_range = 2.^(-515);
  gamma_range = 2.^(-153);
  best_acc = 0;
  for C = C_range
    for gamma = gamma_range
        cmd = sprintf('-s 0 -t 2 -c %f -g %f -v 5', C, gamma);
        cv_acc = svmtrain(labels, features, cmd);
        if cv_acc > best_acc
            best_acc = cv_acc;
            best_C = C;
            best_gamma = gamma;
        end
    end
  end

4. 性能评估与可视化

评估指标：

• 准确率（Accuracy）、F1分数（F1-Score）
• 混淆矩阵分析各类别识别率

  % 混淆矩阵绘制
  predictions = svmpredict(labels, features, model);
  confusion_matrix = confusionmat(labels, predictions);
  confusionchart(confusion_matrix);

• ROC曲线（多分类需转换为一对一二分类问题）

三、完整MATLAB实现示例

%% 1. 数据加载与预处理
[signal, fs] = audioread('emotion_sample.wav');
% 降噪
clean_signal = wdenoise(signal, 3, 'Wavelet', 'db4');
% 分帧
frame_length = round(0.025 * fs);
frame_shift = round(0.01 * fs);
frames = buffer(clean_signal, frame_length, frame_length-frame_shift, 'nodelay');
window = hamming(frame_length)';
framed_signal = frames .* window;
%% 2. 特征提取
features = [];
for i = 1:size(framed_signal, 2)
    frame = framed_signal(:, i);
    % 提取MFCC
    mfcc = melcepst(frame, fs, 'M', 23, 'N', 256, 'NF', 13);
    % 提取基频
    autocorr = xcorr(frame, 'coeff');
    [~, locs] = findpeaks(autocorr(length(frame):end), 'MinPeakHeight', 0.8);
    if ~isempty(locs)
        pitch = fs / locs(1);
    else
        pitch = 0;
    end
    % 组合特征
    feature_vec = [mfcc', pitch];
    features = [features; feature_vec];
end
%% 3. SVM训练与预测
load('emotion_labels.mat'); % 假设已加载标签
% 参数优化（需提前运行网格搜索）
best_C = 1;
best_gamma = 0.1;
% 训练模型
model = svmtrain(labels, features, sprintf('-s 0 -t 2 -c %f -g %f', best_C, best_gamma));
% 测试集预测
test_features = load('test_features.mat'); % 加载测试特征
test_labels = load('test_labels.mat');
predictions = svmpredict(test_labels, test_features, model);
%% 4. 性能评估
accuracy = sum(predictions == test_labels) / length(test_labels);
fprintf('识别准确率: %.2f%%\n', accuracy*100);
confusion_matrix = confusionmat(test_labels, predictions);
confusionchart(confusion_matrix);

四、优化建议与扩展方向

1. 数据增强：通过变速、变调、添加噪声等方式扩充数据集
2. 多模态融合：结合面部表情、文本语义提升识别率
3. 轻量化部署：使用MATLAB Coder生成C代码，部署至嵌入式设备
4. 实时处理：优化分帧与特征提取算法，实现流式语音分析

五、总结与展望

本文通过完整的MATLAB实现流程，验证了SVM在语音情感识别中的有效性。实验表明，在EMO-DB数据集上，优化后的RBF-SVM模型可达82%的准确率。未来工作可探索深度学习与SVM的混合模型，或结合注意力机制提升特征表达能力。对于资源有限的开发者，建议从线性SVM起步，逐步引入非线性核函数优化性能。