1st International Conference on Computer, Electrical and Electronic Sciences 2020, Konya, Türkiye, 8 - 10 Ekim 2020, ss.1
Müzikten
duygu tanıma yapılması, günümüzde hala oldukça zor bir görevdir. Bu
çalışmada, müzikten duygu tanıma yapılması için genel problemler tespit
edilmiş, bu problemlerin üstesinden gelmek ve sınıflandırma başarısını artırmak
için yaklaşımlar geliştirilmiştir. Bu amaçla, çeşitli makine öğrenmesi yöntemleri
ve farklı araçlardan elde edilen öznitelikler kullanılarak Türkçe müziklerden
duygu tanıması yapılmak istenmiştir. Yöntem olarak Bayes Ağları, Sıralı Minimal
Optimizasyon (SMO), Karar Ağaçları (J.48) ve Lojistik Regresyon kullanılmıştır.
Bu yöntemler, duygu tanıma yapmak için oluşturulan bir veri tabanı üzerine
uygulanmış ve performansları ölçülmüştür. Bu veri tabanı her biri 30 saniyelik
124 müzik alıntısından oluşan Türkçe Duygusal Müzik Veri Tabanı‘dır. Müzik
sinyallerinden öznitelik elde etmek için ise, yapılan çalışmalarda sık sık
karşımıza çıkan ve öznitelik çıkarma sırasında karşılaşılan sorunlara kapsamlı
çözüm sağlayan çeşitli araçlar kullanılmıştır. Bu araçlar çok sayıda farklı
öznitelik elde etmemize olanak sağlar. Buna ek olarak gereksiz
olan öznitelikleri çıkarmak ve sınıflandırıcı performansını artırmak amacıyla
korelasyon tabanlı öznitelik seçme yöntemi (Correlation-based Feature
Selection) kullanılmıştır. Her bir araçtan elde edilen özellikler ayrı ayrı
kullanılarak, makine öğrenmesi yöntemleri ile birlikte sınıflandırma işlemi
yapılmıştır. Sınıflandırma aşamasında sonuçları değerlendirmek ve karşılaştırmak için 10 kat
çapraz doğrulama yöntemi uygulanmıştır. Yapılan
çalışmada, elde edilen özniteliklere öznitelik seçim yöntemi uygulanarak ve
Bayes Ağları sınıflandırıcısı kullanılarak %94.35 oranında doğruluk ile duygu
tanıma gerçekleştirilmiş, ve diğer sınıflandırıcıların hepsinden daha iyi sonuç
alınmıştır. Son olarak, bütün araçlardan elde edilen öznitelikler bir araya
getirilmiş ve bu özniteliklere yine seçim işlemi yapılmıştır. Bu işlemden sonra
ise, Bayes Ağları kullanılarak elde edilen duygu tanıma oranı %1.6 artarak,
%95.96 olmuştur.
Recognizing emotion from music is still a very
difficult task today. In this study, general problems were determined for
emotion recognition from music, and approaches were developed to overcome these
problems and to increase classification success. For this purpose, emotion
recognition from Turkish music was aimed by using various machine learning
methods and features obtained from different toolboxes. BayesNet, Sequential
Minimal Optimization (SMO), Decision Trees (J.48) and Logistic Regression were
used as methods. These methods were applied on a database constructed for
emotion recognition and their performance was measured. This database is the
Turkish Emotional Music Database consisting of 124 music excerpts of 30 seconds
each. In order to obtain features from music signals, various toolboxes have
been used that provide comprehensive solutions to the problems encountered
frequently during feature extraction. These toolboxes allow us to obtain a
large number of different features. In addition, the correlation-based feature
selection method (CFS) was used to remove unnecessary features and to increase
classifier performance. The classification was made with machine learning
methods, using the features obtained from each toolbox separately. 10-fold
cross validation method was applied to evaluate and compare the results at the classification.
Accuracy measure was used to evaluate the success of the system. In the study,
%94.35 emotion recognition was achieved by using the feature selection method
and BayesNet classifier which yielded better results than all other
classifiers. Finally, all features are combined and the selection process is
made for these features again. After this process, the emotion recognition rate
obtained by using BayesNet classifier increased by %1.6 to %95.96.