| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 1.88 MB | Adobe PDF |
Orientador(es)
Resumo(s)
Nesta investigação, procurámos fazer uma caracterização dicotómica de sons confortáveis ou stressantes, através do uso de aprendizagem máquina. Para além de trazer à luz informações sobre características subjacentes a sons simples que criem uma valência subjectiva para o
ouvinte médio, imaginamos que os resultados deste tipo de classificação podem contribuir para a criação de um sistemas de aconselhamento na criação de design sonoro para interfaces com o utilizador em produtos ou aplicações. Para o desenvolvimento do sistema foi necessário criar
um dataset temático. Foram depois extraídos descritores áudio de baixo nível, de cada exemplo do dataset. Finalmente, utilizámos estes dados para alimentar algoritmos de aprendizagem máquina. Os resultados foram avaliados à luz das estratégias comuns em sistemas de Music
Information Retrieval (MIR) e indicaram a possibilidade da criação de um sistema automático de caracterização sonora.
In this research, we have looked into a dichotomous characterization of sounds as either “Comfortable” or “Stressful”, through the use of machine learning. In addition to bringing light to information about underlying features the simple sounds that create a subjective medium for the listener, we envision that the results of this type of classification can contribute to the creation of an advisory system for the creation of sound design in user interfaces for products or applications. For the development of the system it was necessary to create a dataset. Lowlevel audio descriptors were then extracted for each instance of the dataset. Finally, we have used this data to feed machine learning algorithms. The results were evaluated in light of the common strategies in Music Information Retrieval (MIR) and indicated the viability of setting up an automatic sound characterization system.
In this research, we have looked into a dichotomous characterization of sounds as either “Comfortable” or “Stressful”, through the use of machine learning. In addition to bringing light to information about underlying features the simple sounds that create a subjective medium for the listener, we envision that the results of this type of classification can contribute to the creation of an advisory system for the creation of sound design in user interfaces for products or applications. For the development of the system it was necessary to create a dataset. Lowlevel audio descriptors were then extracted for each instance of the dataset. Finally, we have used this data to feed machine learning algorithms. The results were evaluated in light of the common strategies in Music Information Retrieval (MIR) and indicated the viability of setting up an automatic sound characterization system.
Descrição
Palavras-chave
Aprendizagem máquina Categorização sonora Valência sonora Computação afetiva Music information retrieval Datasets Machine learning Sound categorization Valencia Affective computing Music information Retrieval