Classificação automática de emoções em músicas latinas utilizando diferentes fontes de informação

• Ano de defesa: 2016
• Autor(a) principal: Przybysz, André Luiz
• Orientador(a): Silla Junior, Carlos Nascimento
• Banca de defesa: Silla Junior, Carlos Nascimento, Hruschka Júnior, Estevam Rafael, Furlanete, Fábio Parra, Costa, Yandre Maldonado e Gomes da
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Tecnológica Federal do Paraná; Cornelio Procopio
• Programa de Pós-Graduação: Programa de Pós-Graduação em Informática
• País: Brasil
• Palavras-chave em Português: Classificação - Multimeios; Emoções; Códigos telegráficos e cifrados; Classification - Non-book materials; Emotions; Cipher and telegraph codes
• Área do conhecimento CNPq: CNPQ::CIENCIAS EXATAS E DA TERRA
• Link de acesso: http://repositorio.utfpr.edu.br/jspui/handle/1/2932

Com a quantidade de músicas disponíveis on-line, tem ocorrido uma crescente expansão nas pesquisas de informação musical e nas investigações de recuperação para sistemas automatizados. O campo de Music Information Retrieval (MIR) olha para vários aspectos relacionados à como organizar, categorizar e acessar coleções musicais. O desenvolvimento de novos métodos e a criação de novas representações musicais podem contribuir na precisão dos classificadores para o reconhecimento das emoções, uma vez que estes estão entre os maiores desafios da área de Music Emotion Recognition (MER). Esse trabalho investiga, implementa e combina três diferentes fontes de informações (cifras, áudio e letras) para a classificação automática de emoções em músicas. A metodologia de trabalho é descrita por meio das seguintes atividades: criação da base de dados Multimodal Latin Music Mood Database (MLMMD), pré-processamento dos dados, mineração e combinação dos dados. Por meio dos procedimentos foi realizada uma análise dos diferentes resultados utilizando as diferentes fontes de informação de forma individual e combinada. Primeiramente, foi possível observar que o método combinatório multimodal early fusion foi melhor do que os demais (no fusion e late fusion). Segundo, o classificador Support Vector Machine (SVM) mostrou uma média melhor que os demais.