文摘
在合唱活动,售票员让合唱团成员再现音乐作品。如果你想理解音乐作品完美的声音,情绪和情感的表达尤为重要。摘要云HBD(健康大数据)集成系统基于集成学习的目的是实现高效、高精度HBD的集成。一种情感语音数据库包含三个情绪,如快乐,平静,无聊了,语料库等问题所需的情感特征分析和提取合唱情感识别研究解决。它还研究的分类和决策在情绪变化,和一个DBN(深层信念网络)合唱情感识别算法提出了基于多个情感特性。特性DBN(深度信念网)合唱情感识别算法本文提取各种健壮的低级功能根据不同特征描述情感的能力,然后喂到DBN网络提取高层特征描述符。然后,榆树的分类结果(极端学习机)投票和整体学习融合的概念,并证明了算法的有效性三个公共数据集。
1。介绍
合唱是一种集体艺术活动,强调演员的共性和统一。时团结一致,这意味着不仅呼吸、发音、清晰度、速度、音色、音量和运动,但也情绪和情感表达的统一1]。因为在排练和表演,为了使合唱的表现力更加完美,我们不仅训练基本技能,还应该善于调动和统一的合唱团成员的情绪和感受,从而形成集体合力的唱歌。然而,强调共同的特征的时候,我们经常忽略一个重要的问题在音乐艺术:情感表达(2]。这使得本来美丽的声音和意识形态内涵缺乏活力和艺术魅力。
信息技术和网络技术已广泛应用于智能医疗领域,和大数据提供了一个机会来深入探索的价值数据领域的智能医疗和健康。文献[3]看了物联网的应用场景和优势(物联网),云计算和大数据在智能医疗健康。文献[4)的技术路线阐述了大数据领域的智能医疗健康从方法论的角度。文献[5)提出了智能医疗大数据的生命周期模型,讨论了智能医疗大数据治理的目标和措施。文献[6)提出了一种通用智能医疗信息管理和服务系统,并指出关键问题和普遍的智能医疗计算的未来研究方向。文献[7,8]提出一种分类方法与音高频率相关的信息为主要特征,分析和研究四种情绪状态:恐惧,愤怒,悲伤和快乐,并在其研究报告中指出,最大,最小,平均音高频率是在语音情感识别的突出特征。文献[9]的实验研究中,倒频谱系数特性作为情感特征分类三种情绪,即悲伤,愤怒,和冷静,识别率是64%左右,而使用的准确率的声音样本主观判断的人只有70%。声学特性的统计分析的基础上,与时间有关,能量,基本频率,共振峰建设和连续发音,这是建议的不同特征向量之间的情感语音和平静的演讲作为一个情感特征向量。文献[10- - - - - -12)使用主成分分析分类快乐,惊讶,愤怒,悲伤,识别率是接近80%。通过分析大数据的健康智能医疗,我们可以找出数据之间的相关性和趋势,这有助于提高医疗服务和疾病的探索过程,进行疾病诊断和治疗更科学,提高智能健康医疗服务的效率和质量,并不断满足多样化的健康需求13]。然而,大数据的应用领域的智能医疗卫生仍处于起步阶段,还有缺乏一般的大数据框架和标准,导致无法大规模应用各个行业和地区,无法真正发挥大数据的作用。
情感是一种重要的人类的本能。理性思维和逻辑推理能力,它起着重要的作用在人们的日常生活,工作,沟通、事务处理和决策。基于HBD(健康大数据),本文应用于首次唱诗班的情感识别和确定六个基本的人类情感,例如喜悦、愤怒、惊讶、悲伤、恐惧、平静。合唱的情感识别算法基于multifeature DBN收敛速度快的优点,高鲁棒性和较强的全局搜索能力,优化神经网络的连接权重。它不仅可以充分发挥神经网络的泛化能力也提高收敛速度和神经网络的学习能力。
2。研究方法
2.1。HBD集成系统
2.1.1。系统架构
在一些合唱比赛和表演,我们听到整洁、统一,和美丽的声音没有真诚的感情,和合唱团成员的面部表情不够丰富,会让人觉得美中不足之处。如果你想真正实现和谐的声音和情感,你必须做好第二创造;然后,歌手的思想高度,生活经验,艺术修养发挥主导作用。一个优秀的合唱的球员应该有丰富的文化内涵和文学艺术成就除了音乐知识和高歌唱技能。建立一个基于云的HBD集成系统,框架图如图1。
管理层、大数据分析层,整个云HBD集成层,整个云HBD资源层构成整个云HBD集成系统。四层相互合作实现采集、分析、存储和操作整个云HBD。
接口对用户管理和使用集成系统管理操作层,和管理、监管、保护和使用整个云HBD集成系统是通过管理员的操作实现的这一层(14]。
集成HBD存储在临时数据库和元数据的cloud-wide HBD资源层,然后存储在cloud-wide HBD集成层,应用于实际应用软件来完成集成cloud-wide HBD基于集成学习,以确保cloud-wide HBD资源有更高的价值体现和可管理性当集成(15,16]。
2.1.2。HBD预测方法
合唱艺术是一种集体唱歌,大多数合唱训练强调合唱的共同因素,如团结的力量,声音,和表达,形成集体合力的唱歌。然而,尽管强调共性,情感表达在音乐艺术往往是被忽视的。这使的声音,应该是美丽和充满意识形态的内涵缺乏魅力和艺术魅力。
卫生信息化已经成为核心的力量大健康领域的创新和发展。各种信息系统提供方便的服务,健康和智能医疗机构的日常工作,同时有效地提高数据收集和存储功能。许多动态非线性特性是隐藏在一维健康信号数据,这使得它们非平稳的,复杂的,不可预测的时间序列数据。
时间序列数据是指一系列的数据值索引时间。通常样品连续和等距的时刻形成时间序列。时间序列的最大特征就是不确定性。然而,有某种映射关系的数据。使用智能分析和预测的方法来解决这个特定的关系,挖掘潜在的法律可以有效地掌握系统的未来趋势。
从定性的角度来看,如果系统参数和外部条件不改变,那么采样序列是稳定的。然而,这种分析是不可靠的,它需要一定的辅助检查统计特征。
对于任何时间序列数据 ,如果它的子集 和子集 是相同的吗是严格固定的。严格的数据平稳性没有变化趋势。事实上,这样的数据不存在。一般来说,所谓的平稳时间序列数据疲弱的平稳时间序列数据。
期望、方差和协方差的弱平稳时间序列数据不随时间改变17]。也就是说,
时间序列通过平稳性检验后,预测模型可以通过构造相关的拟合模型。对于非平稳的时间序列数据,有必要过程平稳性,然后重建模型。
撒尔沙(国家行动回报国家行动)学习方法是一个完整的政府行动的转变。当更新当前状态行动18),该方法不使用状态值函数在接下来的时刻但随机选择行为来更新当前的政府行动空间按照一定的概率值,并确定执行行动在下一时刻更新,这是撒尔沙的核心方法(19]。的数学表达式描述如下:
在上面的公式中, 代表了国家行动在当前时刻, 代表了国家行动在接下来的时刻,执行操作后获得的奖励吗 ,和步长。
摘要深撒尔沙的强化学习方法提出了基于“战略”。在本章提出的方法被用来计算最优决策。让当前状态 , 选择策略,行动 ,当前的行动报告 ,和下一个状态 。然后,当前的动作值函数 被描述为
在这 代表当前值函数的最优值代表最优行动选择在接下来的时刻。结合CNN(卷积神经网络),如果网络参数 ,的损失函数迭代定义为
在这 。由微分公式的解决方案(4损失函数的梯度),可以得到如下:
深层强化学习过程及其数据流的基础上改进的撒尔沙从上面的公式可以获得。
2.1.3。HBD解释
为了提高一维健康标志数据的准确性和稳定性预测模型基于强化学习,资料解释流程如图2设计。
合唱健康数据分析和基于大数据处理系统可以为合唱团成员提供健康管理服务。通过物理测量,我们可以了解合唱团成员的身体健康状况,建立一个互动的基本服务和医疗生态平台(20.,21),实现交互式共享之间的关键信息系统平台,提供有效的个性化为合唱团成员身体健康服务,促进合唱团成员的自我优化管理(22]。
因为繁杂的指标类型,接口显示分析是基于身体质量指数。体重增加的功能模块是增加合唱团成员的物理指标,合理地设置相应的阈值范围,并涉足数据评价标准。系统中,合唱的物理测量数据,也就是说,分数计算,主要是基于单个指标和权重,或者成绩的评分项目和评分权重,从而获得合唱的总分。
2.2。情感识别合唱的员工
情感伴随人类生活的每一刻。大约38%的信息传播在人类交流是由情感。当人们有一种天然的口头对话时,他们不仅传达的声音也传达说话者的情绪状态,态度,和意图。
合唱“情感”的应用不仅可以产生共鸣的合唱团成员和观众也意识到艺术的合唱。从本质上说,情感是合唱的一部分团结统一。在合唱排练的过程中,我们必须遵循合唱统一的原则。合唱统一的实现起着非常重要的作用在整个合唱排练的过程。
在合唱排练的过程中,合唱团成员应该深入理解音乐的内涵,充分反映了每首歌的不同属性,实现合唱团成员和观众之间的共振。只有用这种方法我们才能充分发挥艺术的合唱,实现一个完美的艺术境界。
本研究主要研究合唱情感识别的算法。借助神经网络技术和性能优良的不同声音之间的互补特性,介绍了整体学习的想法完成语音信号识别的任务在不同的情绪。
2.2.1。情感特征分析
在合唱排练中,指挥官应该指挥合唱的演唱工作一方面和解释音乐作品另一方面。在合唱排练之前,指挥官应该完全做案头工作,得到一个深刻理解作品的演唱曲目和时代的背景,内容,形式,和文化的跟踪生产,唱歌,把自己放在别人的鞋子,理解作曲家对音乐的审美要求,在此基础上实现休闲的音乐吧。
语音韵律能量是最重要的一个特性,主要取决于信号的振动振幅和反映出声音的强度。在现实生活中,人们可以认为当一个人表达悲伤的感情,他的声音通常是模糊的和低,而当他表示高兴和愤怒情绪,他的声音通常是响亮而明亮。因此,不同的情感的声音演讲能源特征有明显差异。
针对语音信号的特征可以有效地反映情感,研究人员进行了大量的研究从心理学和语音语言学的视角,但目前他们最关注两种类型:韵律特征和声音质量特性。这种特性及其派生参数研究和应用最广泛的共同情感识别。音质的音色和频谱特性主要是指演讲,所以又被称为节段功能,反映声门的波浪形状的变化在发音(图3)。
如果音乐只有音符和节奏,它只是一个壳。只有通过给予丰富的情感,音乐可以更全面和更完美的表达。情绪和情感的表达贯穿合唱。作为合唱指挥,我们应该充分认识到情感和情感表达的重要性当口译合唱作品,擅长合唱过程中统一成员的情感,使合唱艺术更完美。
韵律特征和语音特征不是孤立的。文献[23,24]表明,有一定韵律特征之间的相关性的语音信号和三个情感维度(价维度、维度,激活和控制尺寸)。其中,激活维度韵律特征明显相关,与情绪状态激活维度也有类似的韵律特征相似,容易混淆。通过语音信号浊音和清音的判断,不必要的计算自相关函数的无声的框架可以有效地消除,和基音检测的计算量可以降低。
基音检测预处理的目的是改善自相关基音检测的准确性的方法,主要包括带通滤波和非线性变换。本文仅介绍了非线性变换方法。常用的非线性变换方法包括中心削波和三级剪切。本文采用towel-center波消去法,公式(6)作为中心削波函数表达式: 在哪里是中央剪裁的输出函数,是输入,振幅的在一帧语音信号的采样点,是剪切水平,这是一个常数与当前帧的最大振幅有关。通常,最大振幅的-70%,60%,本文以0.68。
三级剪切的函数定义
比较表达式(6)和(7),可以看出,三级剪切修正基于中央剪裁和采样点超过剪切水平分配1或1,可有效减少乘法计算过程的自相关函数。
为了分析formant-related特性和情绪状态之间的关系,我们提取第一共振峰一个接一个的情感语音数据库。在此基础上,第一共振峰的统计特征在不同的情绪状态进行了统计分析。图4显示了中值的统计分析结果,动态范围,改变第一共振峰。
从图可以看出,第一共振峰的平均值的快乐和无聊是高于动态范围,而变化率是快乐<平静<无聊,无聊的改变率之间的差异和快乐的情绪是显而易见的。
2.2.2。情感识别基于Multifeature合唱的DBN
人们可以通过音乐充分表达自己的真实感受和想法。情感可以说是音乐的基本属性。如果一首歌曲缺乏情感上的集成,即使它有最好的歌唱技能,很难让观众产生共鸣。作为音乐表演者,音乐家应该充分挖掘情感在音乐中,准确地理解作者的思想和情感,并在此基础上,有机整合与音乐和重建合唱音乐的感觉。只有用这种方法我们可以完全表达,音乐形象想要创建和唤起观众的共鸣。
在本文中,我们考虑采用深度学习的方法,提取更高级别的描述符来表示更多的抽象概念,提取更健壮的特性参数因素通过多级表示语音信号。深度学习的方法创造了最新的记录在图像处理、目标位置、检测、和其他识别和分类任务,DBN是最具代表性的网络之一。
玻耳兹曼机是一个早期的神经网络组件,和它的神经元分为两个部分:明确的层和隐层。明确的层是输入和输出层,这表明数据的传输,而隐层相当于需要调整的数据在传输过程中,增加的体重。标准的玻耳兹曼机是一种完全连通图,和训练网络的复杂性非常高。因此,在实践中,疟疾(限制玻耳兹曼机)如图5通常是用于简化。
解释分歧(CD)算法通常用于列车约束玻耳兹曼机。假设有明确的层和神经元隐层神经元网络中,让和代表明确的状态向量层和隐层,分别;然后,因为没有连接在同一层,
连接权重更新公式
DBN(深层信念网络)是由多个组织遏制栈,分层的方式可以有效地训练。因此,DBN有很强的学习能力和可以学习高级功能描述符有利于合唱的情感识别,如图6。
首先,这火车第一遏制与训练样本,然后使用第一次元的输出作为输入的二元。同样的,二元的输出用于火车第三元。pretrained每一层之后,整个网络由BP训练算法。
通过这种方式,我们可以构建一个很深的网络模型,然后使用网络模型获得更健壮的高级功能描述符从低级特性。
以谋取更高级别的特征描述符在语音情感和确保基分类器的多样性,多个特征输入到DBN网络可以解决上述问题。因此,本文提出一种multifeature DBN合唱情感识别的方法,这是由multifeature选择,DBN,榆树(极端的学习机器)的框架内设置学习。系统框架如图7。
在这篇文章中,我们需要使用频谱序列的上下文(SSC)特性,power-normalized cepstral系数(PNCC),节奏(莱斯)特性,梅尔倒谱系数(MFCC)和感知线性预测(PLP),然后将这些多个特性输入特征选择后的DBN网络以提取高级特性描述符和创建一个更好的分类器。
传统hand-designed特性表现不佳的情绪识别任务,主要因为他们是低级特征,很难完全描述了根深蒂固的信息隐藏在情感(25]。因此,深度学习方法的帮助下,各种各样的传统特色与DBN网络集成在一起,实现更好的识别结果在情绪识别任务。
3所示。讨论和分析
3.1。预测结果的比较
基于文献的历史血压数据库中的数据(22),221年实验个体,60到75岁,初步筛选出来。预测这类人的血压趋势可以帮助他们控制自己的血压,指导他们的药物,并提供一些疾病的早期风险预警。
图8显示了血压的比较实际值时间序列数据和模型的预测结果,和图9给出了误差预测模型。
从数据可以看出8和9ARIMA-SVM模型具有更高的预测精度比传统的ARIMA模型,克服了单一模型的局限性。Q-learning-based深强化学习和SARSA-based深强化学习比前两个在高维空间预测的预测精度高于前两种。尤其是基于撒尔沙深强化学习方法学习能够充分表达的原始时间序列数据中隐藏的信息血压。
3.2。HBD集成的效率
当实验大数据的存储容量增加,两个系统集成HBD实验物流公司的效率。结果如图所示10。
从图可以看出10,这个系统是整个云HBD高效整合。
测试结果的并发性HBD综合本文图所示11。
据图分析11随着时间的增加,系统摘要远远大于HBD基于物联网集成系统在处理整个云HBD,本文表明,系统在处理整个云HBD更高的性能。
3.3。合唱情感识别分析
为了验证光谱背景特征的有效性提出了在合唱情感识别中,我们比较经典的MFCC特征和MFCC和三角洲特征与光谱背景特征对柏林Emo-DB, SAVEE CASIA数据集,分别。榆树采用分类的分类器,隐藏节点的数目是6000和hardlim激活函数。图12显示了情感识别精度的比较不同的分类器(扬声器)的依赖。
在图12,我们比较与资讯摘要算法,支持向量机,榆树,单层DBN网络(SLDBN)和双层DBN网络(DLDBN)。实验结果表明,本文算法的准确性比上面的方法大大提高了,这表明,本文算法能更有效地分类和识别语音的情感。
在这个实验中,8合唱从柏林Emo-DB被随机选择的样本数据集作为训练集,其余2合唱作为测试集样本。为了避免样本的随机性造成的误差,我们选择5次重复实验和计算的平均识别精度。图13显示了情感识别精度的比较不同的分类器(扬声器独立)。
通过图13,我们发现在演讲者独立实验中,本文的算法与资讯相比,支持向量机,榆树,单层DBN网络(SLDBN)和双层DBN网络(DLDBN)。实验结果表明,本文算法比上面的方法。都有改善,表明了本文算法的有效性的情感识别合唱人员。
4所示。结论
如果音乐只有音符和节奏,它只是一个空壳。只有通过给予丰富的情感的表达音乐可以更全面和更完美。情绪和情感的表达贯穿合唱。情感特征分析和提取的研究工作是在既定的情感语音数据库,进行能量的变化规律,基本频率,共振峰和其他特性在不同的情绪状态进行了观察和分析。根据统计分析结果,全球统计情感功能与情感歧视选择和提取。在本文中,根据不同的特征来描述情感的不同能力,各种强大的底层特征提取,然后他们被送入DBN网络提取高层特征描述符。然后,榆树分类结果投票和整体学习融合的概念,并证明了算法的有效性三个公共数据集。
数据可用性
使用的数据来支持本研究的结果都包含在本文。
的利益冲突
作者宣称没有利益冲突。