| |
| Acadêmico(a): Thomas Oelke Adriano |
| Título: MUSIC EMOTIONS INTEL: IDENTIFICADOR AUTOMÁTICO DE EMOÇÕES EM MÚSICAS |
| |
| Conclusão: |
| Os objetivos principais deste trabalho foram o desenvolvimento de um script para extração de características relevantes para o reconhecimento de emoções em músicas e a utilização de uma abordagem de interpretação das músicas considerando sua duração total. Esta abordagem consiste em identificar um conjunto de emoções por música, diferente da forma tradicional utilizada, que identifica uma emoção por música. Este objetivo foi atingido, onde as músicas são divididas em segmentos de 15 segundos e os valores de valência e alerta são extraídos a partir destes segmentos. Apesar do objetivo principal ter sido atingido, a assertividade final obtida com o algoritmo de regressão utilizado foi baixa, isto é, com um resultado inferior da assertividade utilizando o baseline. Isso se deve ao baixo número de experimentos feitos. Um motivo que contribuiu para o baixo número de experimentos foi o esforço gasto em rotinas desnecessárias da ferramenta, como a rotina de persistência das métricas em uma base de dados. Inicialmente entendeu-se que seria valiosa a funcionalidade de persistir métricas em uma base de dados, em contraste de apenas escreve-las na console, porém ao final do trabalho notou-se que a rotina foi pouco usada e tomou grande parte do tempo de desenvolvimento. Além do tempo investido erroneamente, a demora no tempo de treinamento do algoritmo também impactou para o baixo número de experimentos executados. As execuções de treinamento levavam de 45min à 4h em uma máquina com as seguintes configurações: CPU Core i7 2.5GHz, HD SSD, 16 GB de LPDD3 1866MHz, MacOS X. Esta duração variava de acordo com número de características utilizadas e com as configurações do algoritmo de redução de dimensionalidade (PCA). O problema de baixa assertividade pode ser resolvido fazendo-se mais experimentos com configurações variadas, como, por exemplo: além dos kernels testados (RBF e Sigmoid), kernels de SVR diferentes, algoritmos diferentes, configurações de redução de dimensionalidade diferentes, características adicionais, etc. A contribuição principal deste trabalho é o modelo de representação emocional composto, em contraste do modelo de representação singular. Conforme observado na análise de resultados qualitativa, uma mesma música possui várias emoções ao longo de sua duração. Com este modelo é possível cobrir este aspecto dinâmico das emoções em músicas, podendo servir de base para diferentes algoritmos de aprendizado de máquina relacionados a área, bem como ser estendido para outras abordagens deste domínio. |
| |
|
