基于语音情感分析的机器学习心理健康监测研究进展

随着包括机器学习在内的数据驱动工具的发展，音频信号处理已经达到了很高的精度水平，无论是语音识别还是情感分析。

这两个问题都需要为信号源创建一个模型。虽然语音信号的这一要求已经得到了解决，但通过将识别问题重新划分为声学模型、语言模型和可选的发音模型，对语音信号中的情绪变化检测建模仍然存在问题。这一特殊的方面对于精神健康障碍的诊断可能非常有趣，因为它可能带来有关心理迹象的有用信息，例如突然的情绪变化和其他精神健康问题。

然而，语音情感变化检测的主要问题与变化/异常检测的执行方式有关。更具体地说，如何处理收集到的原始语音数据
从不同的来源，如直接记录患者的讲话，或从与心理学家的电话交谈。此外，音频源的本质还会产生其他问题，例如(a)可能的来源太多，(b)需要为每种情绪类别提供足够的数据，(c)特别是收集到的音频的不确定性问题
数据。

基于这些考虑，机器学习似乎是解决这些问题的可靠解决方案。事实上，语音情感识别一直以来都是基于数据驱动的模型，如隐马尔可夫模型(HMM)、深度神经网络(DNN)，并在最近向端到端或动态模型发展，而情感变化/异常检测仍有待完善
定义了基于机器学习的框架来解决上述问题。这样的框架应该能够对音频源建模，并满足情绪变化/异常检测过程的目标。

该呼吁建议提出对所提出问题的不同方面感兴趣的贡献，包括(但不限于):

开发基于机器学习的语音情感识别方法;

情绪化语音信号的变化/异常检测方法

专用语音语料库和音频数据集和/或特征提取方法

语音情感识别和/或情感变化/异常检测的不确定性建模。

关键字:机器学习，语音情感识别，情绪变化/异常检测，神经网络，音频数据集，表达性语音语料库，特征提取，建模不确定性

重要提示:本研究主题的所有投稿必须在其提交的章节和期刊的范围内，如其任务陈述中所定义的。在同行评审的任何阶段，Frontiers保留将超出范围的稿件转移到更合适的章节或期刊的权利。