编辑“音樂情緒辨識”

{{copyedit|time=2013-07-01T17:09:29+00:00}}
{{no footnotes|time=2013-07-01T17:09:29+00:00}}
'''音樂情緒辨識'''（Music Emotion Recognition）是藉由分析音樂資訊，自動辨識音樂所要表達的情緒。音樂情緒辨識本身是個跨領域的研究，同時需要[[心理學]]、[[音樂學]]及[[資訊科學]]的知識。

== 常見的情緒辨識方法 ==
=== 基於音樂內容的音樂辨識系統 ===
此類系統利用訊號處理以及機器學習演算法訓練模型，對音樂抽取特徵並加以分析，藉此找出音樂特徵與受測者對音樂情緒標示的關聯。
以下列出最常使用的機器學習方法：
* [[Support vector machine]](SVM)
藉由尋找最佳分界平面將資料分開，如此一來便可以利用最佳分界平面將新的測試資料歸類。
* Support Vector Regression(SVR)
SVR與SVM的概念類似。不同之處在於SVM所找的平面將空間一分為二，但SVR要找的是能準確預測資料分布的平面。 
機器學習後，通常使用[[交叉驗證]]來對準確度加以驗證。交叉驗證主要是將資料庫隨機分成數個不重疊的部分，每次提取一個部分做測試資料，剩餘的作為訓練資料。其作法是基於：
* 訓練資料與測試資料需有相同的性質
* 訓練資料與測試資料不重複

而機器學習最常使用的流程如下：
# 產生訓練模型:將訓練資料進行特徵抽取，同時將所有訓練資料交由受測者標定情緒，藉由以上兩者產生訓練模型。
# 測試資料:將測試資料進行特徵抽取，交給訓練模型進行情緒辨識，產生音樂情緒。

==== 分類法 ====
使用各種形容詞當作情緒標籤者稱之。例如:有趣的(fun)、強烈的(intense)、甜蜜的(sweet)等。此法常用SVM作為機器學習的演算法，訓練出一個或多個模型。

==== 座標法 ====
藉由定義出二維或三維的情緒座標，將情緒展開成為平面或空間。

最常被使用的情緒平面是泰爾二維情緒平面，縱軸與橫軸皆介於-1到1之間，其中縱軸為激昂度，越上方表情緒越激昂；橫軸為正向度，越右方表情緒越正向。如此一來，每一首歌都可以被標示在情緒平面中。不同於分類法，座標法中的情緒是連續，此處選擇的機器學習方法為SVR。

=== 基於文字的音樂情緒辨識系統 ===
除了使用分析音樂訊號的方法，還可以利用文字資訊以及資料探勘的技術對音樂情緒加以分析。

== 参见 ==
{{Columns-list|2|
* {{tsl|en|Affect control theory|情感控制论}}
* {{tsl|en|Affective design|情感设计}}
* {{tsl|en|Affective haptics|情感触觉论}}
* [[聊天机器人]]
* [[研究和技术开发框架计划|赛博情感]]（英语：{{tsl|en|CyberEmotions}}）
* {{tsl|en|Emotion Markup Language|情感标记语言}}（EmotionML）
* [[Kismet]]
* [[文本情感分析]]
* [[可穿戴式电脑|可穿戴计算机]]
}}

== 參考文獻 ==
# P. N. Juslin and J. A. Sloboda. Music and Emotion: Theory and Research. Oxford University Press, New York, 2001.
# A. Wieczorkowska, P. Synak, and Z. W. Ras. Multi-label classification of emotions in music. In Proc. Intelligent Information Processing and Web Mining, pp. 307-315, 2006.
# L. Lu, D. Liu, and H. Zhang. Automatic mood detection and tracking of music audio signals. In IEEE Transaction Audio, Speech and Language Processing, vol. 14, no. 1, pp.5–18, 2006.
# Y. -H. Yang, Y. -C. Lin, Y. -F. Su, and H.-H. Chen. A regression approach to music emotion recognition. In IEEE Transactions on Audio, Speech and Language Processing, vol. 16, no. 2, pp. 448–457, 2008.
# R. O. Duda, P. E. Hart, and D. G. Stork. Pattern Classification. John Wiley & Sons, Inc., New York, 2000
# R. W. Picard. Affective Computing. MIT Press, Cambridge, MA, 2000.
# L. Lu, D. Liu, and H. -J Zhang. Automatic mood detection and tracking of music audio signals. In IEEE Transactions on Audio, Speech, and Language Processing, vol. 14, no. 1, 2006.
# K. Hevner. Expression in music: a discussion of experimental studies and theories. In Psychol. Rev., vol. 42, pp. 186–204, 1935.

[[Category:音樂科技]]
[[Category:心理学]]
[[Category:資訊科學]]