Rozpoznávání hudební nálady a emocí za pomoci technik Music Information Retrieval

Abstract

Tato práce se zabývá oblastí Music Information Retrieval, přesněji její podoblastí zaměřující se na rozpoznávání hudebních emocí s názvem Music Emotion Recognition. Počáteční kapitoly práce se věnují obecnému přehledu a definici MER, kategorizaci jednotlivých metod a nabízejí tak komplexní pohled na tuto vědní disciplínu. Práce se dále zabývá výběrem a popisem vhodných parametrů pro rozpoznávání emocí, k čemuž využívá nástroje openSMILE a MIRtoolbox. K získání databáze nahrávek a jejich subjektivních emočních popisů byla použita volně dostupná databáze DEAM. Praktická část práce se již plně zabývá návrhem statického dimenzionálního regresního vyhodnocovacího systému pro číselnou predikci hudebních emocí u hudebních nahrávek, přesněji jejich polohy v AV emočním prostoru. Práce publikuje a komentuje přehled dosažených výsledků jak pro individuální analýzu významnosti jednotlivých parametrů pro úspěšnost predikce, tak celkové analýzy úspěšnosti predikce navrženého modelu.This work focuses on scientific area called Music Information Retrieval, more precisely it’s subdivision focusing on the recognition of emotions in music called Music Emotion Recognition. The beginning of the work deals with general overview and definition of MER, categorization of individual methods and offers a comprehensive view of this discipline. The thesis also concentrates on the selection and description of suitable parameters for the recognition of emotions, using tools openSMILE and MIRtoolbox. A freely available DEAM database was used to obtain the set of music recordings and their subjective emotional annotations. The practical part deals with the design of a static dimensional regression evaluation system for numerical prediction of musical emotions in music recordings, more precisely their position in the AV emotional space. The thesis publishes and comments on the results obtained by individual analysis of the significance of individual parameters and for the overall analysis of the prediction of the proposed model.