用于低资源行为标注的稀疏连接与分离训练深度神经网络：夫妻治疗中的声学分类
机器学习
2016-06-15 v1 神经与进化计算
摘要
观察性研究建立在对人类状态的准确评估之上。一个能够实时对对话者状态进行建模的行为识别系统可以极大地辅助心理健康领域。然而，从语音中进行行为识别仍然是一项具有挑战性的任务，由于数据含噪且维度高，特别是当数据有限且标注粗略且主观时，很难找到具有泛化性和代表性的特征。深度神经网络（DNN）在广泛的机器学习任务中展现了潜力，但对于行为信号处理（BSP）任务，由于数据量有限，其应用受到了限制。我们提出了一种稀疏连接与分离训练的 DNN（SD-DNN）框架来处理数据有限的问题。首先，我们将声学特征集划分为子集，并训练多个不同的分类器。然后，这些分类器的隐藏层成为整合所有特征流的更深层网络的一部分。整个系统允许全连接，同时限制了任何时刻训练的参数数量，使得即使在数据有限的情况下也能实现收敛。我们在夫妻治疗领域的多个行为编码上展示了结果，并证明了在行为分类准确率上的优势。我们还展示了该系统在实时行为标注方面的可行性。
引用
@article{arxiv.1606.04518,
title = {Sparsely Connected and Disjointly Trained Deep Neural Networks for Low Resource Behavioral Annotation: Acoustic Classification in Couples' Therapy},
author = {Haoqi Li and Brian Baucom and Panayiotis Georgiou},
journal= {arXiv preprint arXiv:1606.04518},
year = {2016}
}