在开始模型训练前，一定要对数据处理熟悉！
一、预处理：
1、IEMOCAP语音数据部份
根据人（1F,1M,2F,2M,3F,3M,4F,4M,5F,5M）：
ang有语音数目：[147,82,67,70,92,148,205,122,78,92]
exc有语音数目：[63,80,96,114,48,103,154,84,82,217]
hap有语音数目：[69,66,70,47,80,55,31,34,77,66]
neu有语音数目：[171,213,135,227,130,190,76,182,221,163]
sad有语音数目：[78,116,113,84,172,133,62,81,132,113]
混和：
ang有语音数目：1103exc有语音数目：1041hap有语音数目：595
neu有语音数目：1708sad有语音数目：1084总共5531条
若果是4490条的话，就是除去了exc的1041条。
在可以看见这个5分类各自的语音数目并不是很均衡。一大多数SER论文是做四分类即，'ang','hap','neu','sad'，把'hap'与'exc'语音合并。那我也做4分类的SER，以便后期与其他论文的模型性能的比较。
2、数据界定
大多数论文笔用5折交叉验证或则10折交叉验证。
K折交叉验证：把数据平均分成k等份，每次实验拿一份做测试，其余用做训练。实验k次求平均值。如5折交叉验证就是把数据平均分成5等份，每次实验拿一份做测试，其余用做训练。实验5次求平均值。
在IEMOCAP上的SER论文实验有speakerindependent与speakerdependent之分：
（1）speakerdependent（SD）：若采用5折交叉验证法，将语音情感数据库中的所有数据随机搅乱，之后平均成5份，逐一选定1份作为测试数据，其他4份做训练数据，最后将得到的确切率求和取平均。这么重复5次5折交叉验证，之后再求和取平均。
（2）speakerindependent（SI）：将IEMOCAP中逐一选定不同的说话人做测试数据，其他说话人做训练数据，最后将每位人的语音情感辨识确切率求和取平均；若采用5倍交叉验证，按照说话人的数目以80%:20%的比列分割数据，80%的数据用于模型训练，剩余的数据用于模型测试。具体就是：IEMOCAP有10个人，1/2/3/4/5/6/7/8-thperson做训练集（80%），9/10-th做测试集（20%）；1/2/3/4/5/6/9/10-thperson做训练集（80%），7/8-th做测试集（20%）；1/2/3/4/7/8/9/10-thperson做训练集（80%），5/6-th做测试集（20%）；1/2/5/6/7/8/9/10-thperson做训练集（80%），3/4-th做测试集（20%）；3/4/5/6/7/8/9/10-thperson做训练集（80%），1/2-th做测试集（20%）。这与根据session做5折交叉验证类似了。
IEMOCAP有5个session：1/2/3/4/5，比较非常，一个session里有两个人，所以假如依照session做5折交叉验证的话就相当于speakerindependent了。
按session的5折交叉验证：
fold1：2/3/4/5-thsession组成训练集，1-thsession为测试集；
fold2：1/3/4/5-thsession组成训练集，2-thsession为测试集；
fold3：1/2/4/5-thsession组成训练集，3-thsession为测试集；
fold4：1/2/3/5-thsession组成训练集，4-thsession为测试集；
fold5：1/2/3/4-thsession组成训练集，5-thsession为测试集；
本次实验策略采用SI，说话人独立的策略。
3、特征提取
常用的特点：语谱图、MFCC等。语谱图（语音频谱图）：有线性频谱图、梅尔频谱图、log-Mel频谱图。
此次我就提取梅尔频谱图：
（1）首先把IEMOCAP的语音统一到相同宽度，这儿我统一到2秒，即把一条语音切分成2秒一段，重叠1.6秒；不足2秒的语音用0补充。
def cut_wav(wav, seg_length, overlap, rate):
"""波形数据切割"""
seg_len_points = seg_length * rate # 一个segment所包含的采样点数
seg_overlap_points = overlap * rate # segment重叠的采样点数
seg_hop_points = (seg_length - overlap) * rate # segment移动
start = 0 # 开始指针
end = start + seg_len_points # 结尾指针
segs = [] # 存储切分片段的
# 一段语音可被分割的数量
seg_num = int((len(wav) - seg_len_points + seg_hop_points) / seg_hop_points)
# 长度不足一个片段的补零处理
if len(wav) < seg_len_points:
segs.append(np.hstack([wav, np.array([0] * (seg_len_points - len(wav)))]))
# segs.append(wav)
for _ in range(seg_num): # 从头开始切分
segs.append(wav[int(start): int(end)]) # 添加新片段
start += seg_hop_points # 更新起始指针
end = start + seg_len_points # 更新结尾指针
return segs（2）预加重：
def pre_emphasis(signal): # 定义预加重函数
pre_emphasis = 0.97
emphasized_signal = np.append(signal[0],signal[1:] - pre_emphasis * signal[: -1])
return emphasized_signal # 返回预加重以后的采样数组（3）生成梅尔语谱图：先librosa.load加载语音；之后调用cut_wav把语音切分成2秒一段，该函数返回一条语音的所有段；循环，对每一个语音段seg执行：预加重，stft变换，np.abs，平方，mel混频器组，dot，power_to_db操作，就可以得到mel-spectrum；最后生成图象。
def get_spectrogram(root_path, new_path):
emos = ['ang', 'exc', 'hap', 'neu', 'sad']
label_dict = {'ang': 0, 'exc': 1, 'hap': 1, 'neu': 2, 'sad': 3} # 把exc与hap合并
fold_name = ["Session1F", "Session1M", "Session2F", "Session2M", "Session3F",
"Session3M", "Session4F", "Session4M", "Session5F", "Session5M"]
print("数据收集阶段：")
time = datetime.datetime.now().strftime('%Y-%m-%d %H:%M:%S')
print(time)
for name in fold_name: # 遍历每一折文件夹
for emo in emos: # 遍历每一种情感
files = os.listdir(os.path.join(root_path, name, emo)) # 列出该折中该类情感的文件
for f_name in files: # 针对每一个wav文件#D:\Workspace\FLDNetOnIEMOCAP\IEMOCAP\Session1F\ang\Ses01F_impro01_F012.wav
f_path = os.path.join(root_path, name, emo, f_name) # 获取文件名
print(f_path)
(sig, rate) = librosa.load(f_path, sr=16000)
print(len(sig))
segs = cut_wav(sig, seg_length=2, overlap=1.6, rate=rate) # 切分波形数组为2s长，重叠1.6s片段
for i, seg in enumerate(segs):
y = pre_emphasis(seg) # 预加重
# 对每一段(2秒)segment进行变换
linear = librosa.stft(y=y, n_fft=1024, hop_length=512)
mag = np.abs(linear) # (1+n_fft//2, T) 复数的实部：np.abs(D(f,t))频率的振幅
mag = mag ** 2 # 平方
mel_basis = librosa.filters.mel(sr = rate, n_fft=1024, n_mels=40) # (n_mels, 1+n_fft//2) 梅尔谱矩阵
mel = np.dot(mel_basis, mag) # (n_mels, t) 梅尔谱=梅尔谱矩阵*幅度谱矩阵 mel spectrogram
mel = librosa.power_to_db(mel) # mel-spec
# logmelspec = librosa.amplitude_to_db(melspec) # 转换到对数刻度
plt.figure(figsize=(3, 3)) #
librosa.display.specshow(mel, y_axis='mel', fmax=8000, x_axis='time', sr=rate) # ???
# plt.title('Mel spectrogram')
plt.axis('off') # 关闭坐标轴
before = f_path[: -4] # 前缀D:\Workspace\FLDNetOnIEMOCAP\IEMOCAP\Session1F\ang\Ses01F_impro01_F012
seg_name = before + "-" + str(i) + ".png"
save_path = os.path.join(new_path, name, emo) # 存储路径创建
if not os.path.exists(save_path):
os.makedirs(save_path)
plt.savefig(os.path.join(save_path, seg_name.split('\\')[-1]), bbox_inches='tight', pad_inches=0)
# seg_name.split('\\')[-1] 就是Ses01F_impro01_F012
plt.close()右图显示，session1F中impro04_F031语音的第四段的梅尔语谱图：Ses01F_impro04_F031-3
最后得到的数据结构：
fold0:训练集：1-8-thperson的梅尔语谱图测试集：9-10-thperson的语谱图
fold1:训练集：1-8-thperson的梅尔语谱图测试集：9-10-thperson的语谱图
fold2:训练集：1-8-thperson的梅尔语谱图测试集：9-10-thperson的语谱图
fold3:训练集：1-8-thperson的梅尔语谱图测试集：9-10-thperson的语谱图
fold4:训练集：1-8-thperson的梅尔语谱图测试集：9-10-thperson的语谱图