Learnable Deep Wavelet Packet Transform for Speech Emotion Recognition in High-Risk Suicide Calls

Cette étude propose une architecture multirésolution de bout en bout qui apprend des représentations émotionnelles à partir du signal vocal brut. Contrairement à la transformée en ondelettes discrète, la décomposition en paquets d’ondelettes traite les coefficients d’approximation et de détail pour affiner la représentation temps-fréquence. Les bases et le débruitage sont appris, avec une fonction de seuillage dur asymétrique des coefficients. Le modèle associe ensuite un réseau convolutif dilaté à une dimension avec attention spatiale et des GRU bidirectionnelles avec attention temporelle. Il accepte des signaux de durée variable sans segmentation et sans étapes distinctes de prétraitement ou de post-traitement. L’évaluation porte sur NSPL-CRISE et IEMOCAP ; les auteurs rapportent des résultats supérieurs aux méthodes comparées.