[发明专利]一种情绪分析方法、系统、设备及可读存储介质

说明书

本申请实施例公开了一种情绪分析方法、系统、设备及可读存储介质，所述方法包括：提取打过标签的所述声音样本的音频特征；再将所述音频特征转换为数学数据；将所述数学数据的数据矩阵与所述情绪类别标签绑定形成数据集合，并将所述集合转换为数学矩阵；将该数学矩阵的数据按照比例随机拆分为训练集和测试集。使用tensorflow对上述训练集数据进行训练，得到情绪分析模型；基于所述情绪分析模型对测试集样本进行测试验证，得到所述测试样本的分析结果，比较所述分析结果和所述测试样本的情绪类别标签是否一致，直到测试集上样本的准确率满足设定阈值。利用本模型可以准确又快捷的分析声音所蕴含的情绪。

技术领域

本申请实施例涉及人工智能技术领域，具体涉及一种情绪分析方法、系统、设备及可读存储介质。

背景技术

现有市场上的技术主要通过声音转文字的技术对声音所包含的信息进行分析，很难识别出声音所代表的情绪情感；或者，即使通过一些关键字能识别部分情绪情感，但是换了其他的语种这种方式即失效；又或者当前已有的通过声音特征识别情绪情感的技术由于对于本质特征提取不全面，导致分析不准确。

发明内容

为此，本申请实施例提供一种情绪分析方法、系统、设备及可读存储介质，不通过声音转文字信息，而是通过提取声音的本质特征，利用AI技术对样本进行训练，从而形成情绪情感分析模型，并用该模型来分析声音所蕴含的情绪情感。

为了实现上述目的，本申请实施例提供如下技术方案：

根据本申请实施例的第一方面，提供了一种情绪分析方法，所述方法包括：

获取声音样本音频，对所述声音样本音频进行标准化处理，对标准化处理后的声音样本音频打上预先定义的情绪类别标签；

提取打过标签的所述声音样本音频的音频特征，所述音频特征包括MFCC特征矩阵、样本音频片段的过零率等声纹声学特征信息；再将所述音频特征转换为数学数据，所述数学数据包括声音样本音频的MFCC特征矩阵、过零率信息等声纹声学特征数据；

将所述数学数据的数据矩阵与所述情绪类别标签绑定形成集合，并将所述标签集合转换为数学矩阵；并将该数学矩阵的数据按照比例随机拆分为训练集和测试集。

使用tensorflow对上述训练集中数据进行训练，得到情绪分析模型；基于所述情绪分析模型通过程序脚本自动处理加人工辅助处理的方式对测试样本进行测试验证，得到所述测试样本的分析结果，比较所述分析结果和所述测试样本的情绪类别标签是否一致。若不一致，分析所述测试样本数据和对应的情绪类别标签是否准确，若所述测试样本数据不准确，则舍弃所述测试样本；若所述对应的情绪类别标签不准确，则重新打标签；将重新打标签后的测试样本放入训练集，调整tensorflow训练参数，对上述调整后的训练集重新进行训练，并增加新的测试样本到测试集中以进行下一次测试，重复上述过程，直到测试集上样本的准确率满足设定阈值。

可选地，所述情绪类别标签包括高兴、悲伤、愤怒、恐惧、厌恶、惊喜、平静和忧伤等。情绪类别标签会根据业务需求进行适当调整。

可选地，所述情绪分析模型按照如下步骤进行训练：

设置训练参数，所述训练参数包括训练次数、层次结构、激活函数和代价函数、优化函数等；

将中间数据以图形化形式显示出来，在训练结束的时候，观察loss和acc中间参数；若loss和acc中间参数不符合预期，则修改参数重新训练，以使得loss和acc中间参数符合预期。

可选地，所述方法还包括：

利用所述情绪分析模型对测试音频样本进行分析，基于所述情绪分析模型通过程序脚本自动处理加人工辅助处理的方式检查所述测试音频样本的分析结果是否准确，对于不准确的音频数据如果是标签不准确，则重新打上正确标签，然后放入训练集中，以更新训练集。如果数据不准确的，则舍弃。