一：LLDs特徵和HSFs特徵
（1）首先區分一下frame和utterance，frame就是一幀語音。utterance是一段語音，是比幀高一級的語音單位，通常指一句話，一個語音樣本。utterance由多幀語音組成，通常對一個utterance做分幀來得到多幀訊號。
（2）LLDs（low level descriptors）LLDs指的是手工設計的一些低水平特徵，一般是在一幀語音上進行的計算，是用來表示一幀語音的特徵。
（3）HSFs（high level statistics functions）是在LLDs的基礎上做一些統計而得到的特徵，比如均值，最大值等等。HSFs是對utterance上的多幀語音做統計，所以是用來表示一個utterance的特徵。
（4）後面講的一些特徵集，是由一些專家設計的一些特徵，包括了LLDs和HSFs。

二：GeMAPS特徵集
（1）GeMAPS特徵集總共62個特徵，這62個都是HSF特徵，是由18個LLD特徵計算得到。下面先介紹18個LLD特徵，然後介紹62個HSF特徵。這裡只簡單介紹每個特徵的概念，不涉及具體計算細節。
（2）18個LLD特徵包括6個頻率相關特徵，3個能量/振幅相關特徵，9個譜特徵。
（3）基音F0的概念：先理解一個常用的概念，基音，通常記作F0，一般的聲音都是由發音體發出的一系列頻率、振幅各不相同的振動複合而成的。這些不同頻率的振動（諧波）發出的音就是基音。
（4）6個頻率相關特徵包括：Pitch（log F0，在半音訊率尺度上計算，從27.5Hz開始）；Jitter（單個連續基音週期內的偏差，偏差衡量的是觀測變數與特定值的差，如果沒有指明特定值通常使用的是變數的均值）；前三個共振峰的中心頻率，第一個共振峰的頻寬。
（5）3個能量/振幅的特徵包括：Shimmer（相鄰基音週期間振幅峰值之差），Loudness（從頻譜中得到的聲音強度的估計，可以根據能量來計算），HNR（Harmonics-to-noise）信噪比。
（6）9個譜特徵包括，Alpha Ratio（50-1000Hz的能量和除以1-5kHz的能量和），Hammarberg Index（0-2kHz的最強能量峰除以2-5kHz的最強能量峰），Spectral Slope 0-500 Hz and 500-1500 Hz（對線性功率譜的兩個區域0-500 Hz和500-1500 Hz做線性迴歸得到的兩個斜率），Formant 1, 2, and 3 relative energy（前三個共振峰的中心頻率除以基音的譜峰能量），Harmonic difference H1-H2（第一個基音諧波H1的能量除以第二個基音諧波的能量），Harmonic difference H1-A3（第一個基音諧波H1的能量除以第三個共振峰範圍內的最高諧波能量）。
（7）對18個LLD做統計，計算的時候是對3幀語音做symmetric moving average。首先計算算術平均和coefficient of variation（計算標準差然後用算術平均規範化），得到36個統計特徵。然後對loudness和pitch運算8個函式，20百分位，50百分位，80百分位，20到80百分位之間的range，上升/下降語音訊號的斜率的均值和標準差。這樣就得到16個統計特徵。上面的函式都是對voiced regions（非零的F0）做的。對Alpha Ratio，Hammarberg Index，Spectral Slope 0-500 Hz and 500-1500 Hz做算術平均得到4個統計特徵。另外還有6個時間特徵，每秒loudness峰的個數，連續voiced regions（F0>0）的平均長度和標準差，unvoiced regions（F0=0）的平均長度和標準差，每秒voiced regions的個數。36+16+4+6得到62個特徵。

三：eGeMAPS特徵集
（1）eGeMAPS是GeMAPS的擴充套件，在18個LLDs的基礎上加了一些特徵，包括5個譜特徵：MFCC1-4和Spectral flux（兩個相鄰幀的頻譜差異）和2個頻率相關特徵：第二個共振峰和第三個共振峰的頻寬。
（2）對這擴充套件的7個LLDs做算術平均和coefficient of variation（計算標準差然後用算術平均規範化）可以得到14個統計特徵。對於共振峰頻寬只在voiced region做，對於5個譜特徵在voiced region和unvoiced region一起做。
（3）另外，只在unvoiced region計算spectral flux的算術平均，然後只在voiced region計算5個譜特徵的算術平均和coefficient of variation，得到11個統計特徵。
（4）另外，還加多一個equivalent sound level 。
（5）所以總共得到14+11+1=26個擴充套件特徵，加上原GeMAPS的62個特徵，得到88個特徵，這88個特徵就是eGeMAPS的特徵集。

四：ComParE特徵集
（1）ComParE，Computational Paralinguistics ChallengE，是InterSpeech上的一個挑戰賽，從13年至今（2018年），每年都舉辦，每年有不一樣的挑戰任務。
（2）從13年開始至今（2018年），ComParE的挑戰都會要求使用一個設計好的特徵集，這個特徵集包含了6373個靜態特徵，是在LLD上計算各種函式得到的，稱為ComParE特徵集。
（3）可以通過openSmile開源包來獲得，另外前面提到的eGeMAPS也可以用openSmile獲得。

五：2009 InterSpeech挑戰賽特徵
（1）前面說的6373維特徵集ComparE是13年至今InterSpeech挑戰賽中用的。（2）有論文還用了09年InterSpeech上Emotion Challenge提到的特徵，總共有384個特徵，計算方法如下。
（3）首先計算16個LLD，過零率，能量平方根，F0，HNR，MFCC1-12，然後計算這16個LLD的一階差分，可以得到32個LLD。
（4）對這32個LLD應用12個統計函式，最後得到32x12 = 384個特徵。
（5）同樣可以通過openSmile來獲得。

六：BoAW
（1）BoAW，bag-of-audio-words，是特徵的進一步組織表示，是根據一個codebook對LLDs做計算得到的。這個codebook可以是k-means的結果，也可以是對LLDs的隨機取樣。
（2）在論文會看到BoAW特徵集的說法，指的是某個特徵集的BoAW形式。比如根據上下文“使用特徵集有ComparE和BoAW”，可以知道，這樣的說法其實是指原來的特徵集ComparE，和ComparE經過計算後得到的BoAW表示。
（3）可以通過openXBOW開源包來獲得BoAW表示。

七：YAAFE特徵：
（1）使用YAAFE庫提取到的特徵，具體特徵見YAAFE主頁。

八：參考資料
[1] 論文：eGeMAPS特徵集（2016 IEEE trans on Affective Computing）
[2] 論文：2013 InterSpeech ComparE挑戰賽（2013 InterSpeech）
[3] 論文：2009 InterSpeech情感挑戰（2009 InterSpeech）
[4] 論文：BoAW用於語音情感識別（2016 InterSpeech）
[5] YAAFE主頁