Vorhersage der Verteilung von wahrgenommenen Musikemotionen anhand diskreter Proben

Typischerweise wird ein maschinelles Lernmodell zur automatischen Erkennung von Musikemotionen trainiert, um die Beziehung zwischen Musikmerkmalen und wahrgenommenen Emotionswerten zu lernen. Das bloße Zuordnen eines Emotionswerts zu einem Clip in der Trainingsphase funktioniert jedoch nicht gut, da die wahrgenommene Emotion eines Clips von Person zu Person variiert. Um dieses Problem zu lösen, schlagen wir einen neuartigen Ansatz vor, der die wahrgenommene Emotion eines Clips als Wahrscheinlichkeitsverteilung im Emotionsraum darstellt. Darüber hinaus entwickeln wir eine Methodik, die die Emotionsverteilung eines Clips vorhersagt, indem sie die Emotionsmasse an diskreten Proben des Emotionsraums schätzt. Wir entwickeln auch Modellfusion-Algorithmen, um verschiedene perceptuelle Dimensionen des Musikhörens zu integrieren und die Modellierung der Emotionswahrnehmung zu verbessern. Die Wirksamkeit des vorgeschlagenen Ansatzes wird durch eine umfassende Leistungsstudie validiert. Es wird eine durchschnittliche R²-Statistik von 0,5439 für die Emotionsvorhersage erreicht. Wir zeigen auch, wie dieser Ansatz angewendet werden kann, um unser Verständnis von Musikemotionen zu vertiefen.