[发明专利]基于Gamma分布分析的音乐连续情感特征分析评价方法

说明书

本发明提供一种基于Gamma分布分析的音乐连续情感特征分析评价方法，首先建立音乐连续情感特征的Gamma分布分析评价方法，通过该方法在时序上找到与情感响应最相似的情感特征。其次，建立基于情感感知矩阵的情感特征分析方法，通过该方法从情感感知能力上对上述特征进行评价，找到感知能力最好的情感特征。最后基于Gamma分布的情感预测方法，实现音乐情感的实时、自动分析。本方法可对音乐情感自动分析，情感标签实时自动预测，为音乐情感的评价和选择提供依据，对人工智能、情绪感知等方面具有推动作用。

技术领域

本发明涉及一种基于Gamma分布分析的音乐连续情感特征分析评价方法。

背景技术

音乐情感自动识别研究已有十几年的历史，但是到目前为止，研究工作还处于相对初级阶段，音乐情感识别准确率还比较低。主要原因有以下两点：(1)缺乏音乐情感有效特征；(2)音乐表达的情感是主观且难以量化的。从本质来说，音乐是一些不同响度，频率和音色的声音的排列组合。音乐以旋律的差别，节奏的快慢，声音的高低强弱，和声的变化，以及音色的不同等方法来表现其情感。因此，如何提取与情感相关的声学特征对音乐情感的自动分析起到至关重要的作用。此外，音乐的时间结构对音乐情感认知来说非常重要。然而，在典型的音乐高层语义，如情感、曲风和相似性等预测建模任务中，时间信息经常被忽略了。在音乐情感计算中，往往特征数量较多，其中不相关、相互依赖的特征容易导致模型复杂、训练所需时间长、推广能力下降等的问题。因此如何剔除不相关或者冗余的特征，从而达到减少特征个数，增强模型泛化能力，提高模型精确度是情感计算中重要的一环。传统音乐情感是凭标签人工打分，而且往往用最终标签来评价整个音乐。这种做法一方面会造成音乐选择或推荐不准确的问题，另一方面也不能够进行实时音乐推荐。

发明内容

基于以上不足之处，本发明提供一种基于Gamma分布分析的音乐连续情感特征分析评价方法，主要解决音乐连续情感特征优化和选择问题，进而提高音乐情感识别率，对音乐情感进行实时评价。

本发明所采用的技术如下：一种基于Gamma分布分析的音乐连续情感特征分析评价方法，具体步骤如下：

步骤一：计算音乐特征和情感标签之间的相关性；

设音乐信号为A_i，1≤i≤N，N为样本个数，在用户听音乐的过程中的Valence和Arousal情感标签为L，其采样率为2Hz，

(1)为了保留时间信息，首先对音乐信号进行加窗、分帧，音乐情感分析长度取窗长w为4秒，帧移为0.5秒；

(2)其次，音频特征提取，设特征F_ij，1≤j≤M，M为特征维数，提取音高、响度等音乐底层特征，以及旋律、节奏等高层语义特征；

(3)计算每一维特征F_ij与打分L的Pearson相关系数，得到Pearson相关系数矩阵R，计算公式如下：

步骤二：基于Gamma分布的特征筛选方法；

由于相关系数是从0到1之间，且分布离1越近表示相关性大，分布离0越近表示相关性小，因此进行两次Gamma分布拟合去掉相关性小的，保留相关性较大的特征，

(1)首先，计算每一维特征在所有样本上相关系数的直方图；

(2)其次，对相关系数直方图进行Gamma分布拟合，在这里特定特征的相关系数为r_i，i＝1，2，...，n，其中n为样本个数，先对相关系数直方图进行Gamma分布拟合，根据Gamma分布的定义，得到概率密度函数拟合公式如下：

其中α为Gamma分布的形状参数，决定Gamma分布的陡峭程度，λ＝1/β为Gamma分布的尺度参数，决定Gamma分布的散布程度；