基于深度学习的学习者情感识别技术算法优化研究  

作　　者：曾光辉 ZENG Guanghui

机构地区：[1]广州工程技术职业学院,广东广州510900

出　　处：《信息技术与信息化》2025年第3期18-21,共4页Information Technology and Informatization

基　　金：2024年度广东省普通高校特色创新类项目“基于深度学习的在线学习智能评价方法研究”(2024KTSCX318);2024年度广州市高等教育教学质量与教学改革工程产教融合实训基地项目“新一代信息技术产教融合实训基地”(2024CJRHJD008)。

摘　　要：学习者情感的表现具有模糊性和时空分离特性,情感状态之间的界限不清晰,如反映在频谱图像上时,不同时间的语音对应的频谱特征可能差异较大。传统识别技术算法往往基于较为固定的特征提取模式,难以准确地从复杂多变的频谱图像中提取关键局部特征,如频谱峰值、谷值等,导致加权和未加权准确率较低。为此,文章提出了一种学习者情感识别技术算法的优化方法。利用K-均值聚类方法,根据语音信号的内在结构,将相似的语音片段进行聚类,生成学习者的语音频谱图像。采用传递函数对生成的语音频谱图像进行加重处理,以改善频谱图的平滑性和均衡性,增强频谱图像中的关键信息。将经过加重处理后的学习者语音频谱图像作为输入向量,输入到深度学习网络的卷积层。在卷积层中,针对加重处理的频谱图像进行特征提取,捕捉频谱峰值、谷值等关键的局部特征。在全连接层,将这些特征映射到情感类别空间,以实现情感分类。根据深度学习网络的输出,将识别样本划分到概率最高的情感类别中,完成学习者情感的识别。经实验证明,经过优化后的学习者情感识别算法,在加权和未加权准确率方面均实现了显著提升,显示出在学习者情感识别领域良好的应用潜力和前景。

关 键 词：深度学习 K-均值聚类方法 学习者 情感识别 算法优化 

分 类 号：TP3[自动化与计算机技术—计算机科学与技术]