（1）数据处理：IEMOCAP数据四分类，train:validate:test=0.55:0.25:0.2。所有utterance切分或填充到7.5s，提取LLDs特征log-Melfilterbank四十维特征，窗长分别为25ms，窗移10ms。
（2）模型方法：输入语谱图，六个CNN block重头到尾进行卷积，提取特征；之后出入到LSTM序列建模，Attention模块对LSTM的输入进行选择权重，最后全连接层再softmax分类。
（3）实验：UA达到62.3%，比baseline的效果低（67.4%），但论文重点在于模型轻（参数量小于360K），计算快。另一个验证Additive margin softmax loss, Focal loss跟attention pooling效果相当，都能达到66%左右。
（4）总结：论文的创新不在网络结构，而是采用不同loss的效果。
（1）数据处理：IEMOCAP数据人工加入噪音，CHEAVD数据本生存在噪音，因此不用加噪音。
（2）模型方法：本文章是一个语音增强模型。输入带噪频谱，目标是生成纯净语音的频谱以及ideal ratio mask，中间有三层的LSTM层，每层会生成一些频谱特征以及相应的mask。最后一层输出生成的纯净语音频谱和IRM。
（3）实验：前者IEMOCAP数据和WSJ0数据一起用于训练语音增强模型，然后对IEMOCAP的测试集（加噪音后）进行情绪预测。后者语音增强模型首先在1000小时语料上训练好，然后对CHEAVD数据进行增强，增强后的语音用于语音情感识别。
（4）总结：语音增强模型在含语音情感的数据上训练后，对于带噪的语音情感识别任务效果显著；在一些低信噪比、低能量和笑声的片段中，语音增强后往往会被扭曲（distorted），SER效果可能会下降。
（1）数据处理：日本JAIST录制的语音数据，四个人（两男两女），每人表达4种情绪（生气、愉悦、中性、悲伤）。发音为元音a。
（2）模型方法：ARX-LF模型，the ARX-LF model has been widely used for representing glottal source waves and vocal tract filter。
（3）实验：对声门音（glottal source）的波形（waveform）分析，发现悲伤的元音更圆滑而愉悦和生气的更陡峭。统计参数（parameters）Tp, Te, Ta, Ee, F0(1/T0)发现，基频F0对不同情绪差异显著。
（4）总结：偏传统语言情感研究的方向，研究声门音对情绪的表达情况，具有探索性，在全面DL的趋势下，难能可贵。后续可对这些数据进行DL建模，也许是一个方向。但是难度在于声门音的收集与标注，目前的实验数据较为稀少且人工录制，成本高，数据量少。
（1）数据处理：IEMOCAP数据和NNIME数据，对valence、activation的评分1-5分别划成low/middle/high三个离散类别。特征源自openSMILE的45维特征，含MFCC、F0和响度等。
（2）模型方法：对于每一段音频，每人对它的情绪感知不一样，传统采用投票机制，选择众数作为唯一标签。本文采用不同的策略，对每个人的情感标签进行预测。基本模型是BLSTM-DNN模型，下图中的（a）部分。训练数据的标签分成三部分，一个是每个人的硬标签（唯一），另外两个是除了该目标人的其他人的软标签和硬标签。三类标签数据分别用BLSTM-DNN模型单独训练。然后冻结BLSTM-DNN参数，将各BLSTM-DNN的dense layer层的输出拼接，再叠加三个Dense layers，最后softmax到个人的硬标签。因此预测阶段，每个人有对应的情绪感知，当存在N个人的话，将有N个模型。