Categorización y reconocimiento de emociones en piezas musicales mediante aprendizaje automático

Ibáñez Redondo, Rubén (2019). Categorización y reconocimiento de emociones en piezas musicales mediante aprendizaje automático. Proyecto Fin de Carrera / Trabajo Fin de Grado, E.T.S. de Ingenieros Informáticos (UPM), Madrid, España.

Description

Title: Categorización y reconocimiento de emociones en piezas musicales mediante aprendizaje automático
Author/s:
  • Ibáñez Redondo, Rubén
Contributor/s:
  • Zanardini, Damiano
Item Type: Final Project
Degree: Grado en Ingeniería Informática
Date: June 2019
Subjects:
Faculty: E.T.S. de Ingenieros Informáticos (UPM)
Department: Inteligencia Artificial
Creative Commons Licenses: Recognition - No derivative works - Non commercial

Full text

[img]
Preview
PDF - Requires a PDF viewer, such as GSview, Xpdf or Adobe Acrobat Reader
Download (8MB) | Preview

Abstract

El primer paso para comenzar este proyecto fue el de investigar la representación de una pieza musical, que es un objeto complejo, en el algoritmo de Machine Learning para que hiciese clustering. Se investigaron distintos formatos, representaciones y conversores. A continuación, se realizó por toda la Web una búsqueda de datos y de representaciones de piezas musicales ya existentes, se analizaron y se compararon para poder sacar en claro cuáles eran las representaciones más usadas y los atributos más frecuentes para caracterizar una canción. Con toda la información recabada hasta este punto, se eligió un Dataset para realizar este proyecto entre los muchos existentes en Internet, y también un software para llevar a cabo el análisis. Ya con el Dataset cargado en WEKA, el software elegido, el primer paso fue el preprocesamiento, esta herramienta contiene filtros para la discretización, normalización, reemplazamiento y combinación de atributos, en resumen, técnicas que nos ayudan a reducir el número de atributos que conforman la información recopilada en bruto con el fin de mejorar el rendimiento de un algoritmo de aprendizaje. Los siguientes pasos fueron el análisis de nuestro conjunto de datos, tanto mediante la Clasificación Supervisada, que es el proceso que se lleva a cabo para encontrar propiedades comunes entre un conjunto de datos y clasificarlos dentro de diferentes clases, de acuerdo con un modelo de clasificación, como la No Supervisada, que consiste en encontrar grupos naturales en un conjunto de datos muy grande no etiquetados y sin una clase existiendo homogeneidad dentro de las clases y heterogeneidad entre las distintas clases. En último lugar, con el resultado del clustering se ha investigado sobre el reconocimiento de las emociones transmitidas por una pieza a partir de información proporcionada manualmente sobre un subconjunto de datos representativo de cada cluster.---ABSTRACT---The first step to start this project was to investigate the representation of a piece of music, which is a complex object, in the Machine Learning algorithm for clustering. Different formats, representations and converters were investigated. Then, a search of data and representations of existing pieces of music was carried out all over the Web, analysed and compared to make clear which were the most used representations and the most frequent attributes to characterize a song. With all the information gathered up to this point, a Dataset was chosen to carry out this project among the many existing on the Internet, and also a software to carry out the analysis. Already with the Dataset loaded in WEKA, the chosen software, the first step was the preprocessing, this tool contains filters for the discretization, normalization, replacement and combination of attributes, in short, techniques that help us reduce the number of attributes that make up the information collected in the raw in order to improve the performance of a learning algorithm. The following steps were the analysis of our data set, both through Supervised Classification, which is the process that is carried out to find common properties among a set of data and classify them into different classes, according to a classification model , like the Not Supervised, which consists of finding natural groups in a very large data set that is not labelled and without a class, there being homogeneity within the classes and heterogeneity between the different classes. Finally, the result of clustering has been investigated on the recognition of emotions transmitted by a piece from manually provided information on a subset of data representative of each cluster.

More information

Item ID: 55740
DC Identifier: http://oa.upm.es/55740/
OAI Identifier: oai:oa.upm.es:55740
Deposited by: Biblioteca Facultad de Informatica
Deposited on: 11 Jul 2019 13:39
Last Modified: 11 Jul 2019 13:39
  • Logo InvestigaM (UPM)
  • Logo GEOUP4
  • Logo Open Access
  • Open Access
  • Logo Sherpa/Romeo
    Check whether the anglo-saxon journal in which you have published an article allows you to also publish it under open access.
  • Logo Dulcinea
    Check whether the spanish journal in which you have published an article allows you to also publish it under open access.
  • Logo de Recolecta
  • Logo del Observatorio I+D+i UPM
  • Logo de OpenCourseWare UPM