揭示隐藏因素：面向语音情感识别中特征提升的可解释人工智能

语音情感识别（SER）因其在心理健康、教育和人机交互等多个应用领域而受到广泛关注。然而，SER系统的准确性受到高维特征集的阻碍，这些特征集可能包含不相关和冗余的信息。为克服这一挑战，本研究提出了一种迭代特征提升方法，该方法强调特征相关性和可解释性，以提升机器学习模型性能。我们的方法涉及细致的特征选择和分析，以构建高效的SER系统。通过模型可解释性解决主要问题时，我们采用了一个基于Shapley值的特征评估循环，以迭代方式优化特征集。该过程在模型性能和透明度之间取得平衡，从而能够全面理解模型的预测。所提出的方法具有若干优势，包括识别和移除不相关及冗余特征，从而构建更有效的模型。此外，它促进了可解释性，有助于理解模型预测以及识别情感判定的关键特征。该方法在Toronto情感语音集（TESS）、柏林情感语音数据库（EMO-DB）、Ryerson音视频情感语音与歌曲数据库（RAVDESS）以及Surrey音视频表达情感（SAVEE）数据集上的SER基准测试中验证了有效性，性能优于现有最先进方法。据我们所知，这是首个将模型可解释性融入SER框架的工作。本文源代码公开于：https://github.com/alaaNfissi/Unveiling-Hidden-Factors-Explainable-AI-for-Feature-Boosting-in-Speech-Emotion-Recognition。