Resumen de Automatic Classification of musical mood by content-based analysis
Cyril Laurier
La música en formato digital forma parte de nuestras vidas. Automatizar la organización de estos datos es un gran desafío. En esta tesis, nos centramos en la clasificación automática de música a partir de la detección de la emoción que comunica. Para conseguirlo, proponemos modelos usando informaciones extraídas de la señal de audio mediante técnicas de procesamiento de señales, aprendizaje automático y recuperación de información. Primero, estudiamos cómo los miembros de una red social utilizan etiquetas y palabras clave para describir la música y las emociones que evoca. Con una técnica para reducir la complejidad dimensional de este problema, encontramos un modelo para representar los estados de ánimo. Luego, proponemos un método de clasificación automática de emociones y detallamos los resultados para distintos tipos de clasificadores. Analizamos las contribuciones de descriptores de audio y cómo sus valores están relacionados con los estados de ánimo, intentando encontrar explicaciones desde un punto de vista psicológico y/o musicólogico. Proponemos también una versión multimodal de nuestro algoritmo, usando las letras de canciones con un nuevo método de clasificación basado en las palabras claves para distinguir categorías de emociones. Finalmente, después de estudiar la relación entre el estado de ánimo y el género musical, presentamos un método usando la clasificación automática por género.
Mostramos que clasificadores basados en el género obtienen mejores resultados que otros métodos estándar. A modo de recapitulación conceptual y algorítmica, proponemos una técnica de extracción de reglas para entender como los algoritmos de aprendizaje automático predicen la emoción evocada por la música. Nuestros algoritmos han sido evaluados con datos de usuarios y en concursos de evaluación internacionales.
