Introduction à l'ensemble de données

- EMO-DBL'ensemble de données est une base de données de voix émotionnelle en allemand enregistrée par l'Université technique de Berlin
- 535Fichiers vocaux（Il y a dix acteurs, dont cinq hommes et cinq femmes）.Lorsque le contenu de l'énoncé contient des mots de la vie quotidienne5Une phrase courte et5Une longue phrase.,Avec une plus grande liberté émotionnelle,Ne contient pas une tendance émotionnelle particulière.Adoption16kHZÉchantillonnage,16bitQuantification,EtWAVFormat enregistrer le fichier.
- Dont la composition émotionnelle：anger, neutral, fear, boredom, happiness, sadness, disgust.

Principalement en utilisant cette étiquette vocale audio DocumentXXXWa.wavMoyenneWC'est l'émotion

Extraire les caractéristiques pertinentes

import feature
import os
import pickle
import tqdm
def extract_emodb(file_name:str):
    label = file_name.split('.')[0][-2]
    feature_27 = feature.extract_mfcc_feature(file_name)
    return (label,feature_27)


database_dir = "H:\dataset\EM-DB\wav"
feature_tuple =()
dir_file = os.listdir(database_dir)
for i in tqdm.tqdm(dir_file):
    file_path = os.path.join(database_dir,i)
    feature_tuple = feature_tuple+ (extract_emodb(file_path),)
with open('emo_db.pkl', 'wb+') as file:
    pickle.dump(feature_tuple,file)

Outils

def read_file(filename):
    """ input a filename and get wave data and time,framerate :param filename: :return: """
    file = wave.open(filename, 'r')
    params = file.getparams()
    nchannels, sampwidth, framerate, wav_length = params[:4]
    str_data = file.readframes(wav_length)
    wavedata = np.fromstring(str_data, dtype=np.short)

    time = np.arange(0, wav_length) * (1.0 / framerate)
    file.close()
    return wavedata, time, framerate
def extract_mfcc_feature(filename):
    """ input a filename extract mfcc from audio :param filename: :return: """
    data, time, rate = read_file(filename)
    mel_spec = ps.logfbank(data, rate, nfilt=13)
    np.set_printoptions()
    time = mel_spec.shape[0]
    if time <= 300:
        part = mel_spec
        part = np.pad(part, ((0, 300 - part.shape[0]), (0, 0)), 'constant',
                      constant_values=0)
        mfcc = dct(part)
    else:
        begin = 0
        end = 300
        part = mel_spec[begin:end, :]
        mfcc = dct(part)
    return mfcc

Résumé

Cet ensemble de données est encore relativement simple ,C'est clair.,Je ne comprends pas..