Modelo automático de classificação de gêneros musicais amazônicos
Resumo
A globalização afeta a preferência musical da sociedade atual, que apresenta continua estima por ou gêneros musicais internacionais em detrimento aos nacionais ou locais. A música é dos meios de comunicação utilizados para a construção e organização da estrutura social influenciando o estilo de vida, gostos e convivência interpessoal. Portanto, cada manifestação de gênero musical apresenta função distinta para um ouvinte, como por exemplo, para dançar, festejar, descançar, ajudar na solidão, na tristeza etc. Diversos aplicativos como spotify e soundcloud, utilizam-se de classificadores de gêneros musicais para indicar, prever ou sugerir novas músicas para seus ouvintes. Por diversos motivos, a maioria dos classificadores não possui informações de gêneros musicais regionais. Este trabalho propõem um modelo de classificação automático de gêneros musicais populares amazônicos. Inicialmente, confeccionou-se uma base de dados contendo os gêneros musicais: andino, brega, carimbó, cúmbia, marabaixo, pasillo, salsa e vaqueirada, oriundos da região da Amazônia Legal dos países: Brasil, Guiana Francesa, Venezuela, Colômbia, Equador, Bolívia e Peru. Para a construção da base de dados, extraiu-se diversas características de cada música ao total de 64 parâmetros. Analisou-se os modelos de aprendizado de máquina na qual XGB, KNN, SVM e MLP obtiveram acurácia de 67.62%, 74.12%, 71.35%, 76.13%, respectivamente.
Referências
Rafael José de Menezes Bastos. As contribuições da música popular brasileira às músicas populares do mundo: diálogos transatlânticos Brasil-Europa-África - Segunda parte. Universidade Federal de Santa Catarina, 2007.
Andre Holzapfel, Bob Sturm, and Mark Coeckelbergh. Ethical dimensions of music information retrieval technology. Transactions of the International Society for Music Information Retrieval, 1(1):44–55, 2018.
Shankru Guggari, Vijayakumar Kadappa, V Umadevi, and Ajith Abraham. Music rhythm tree based partitioning approach to decision tree classifier. Journal of King Saud University-Computer and Information Sciences, 2020.
Nagamanoj Karunakaran and Arti Arya. A scalable hybrid classifier for music genre classification using machine learning concepts and spark. In 2018 International Conference on Intelligent Autonomous Systems (ICoIAS), pages 128– 135. IEEE, 2018.
Bob L. Sturm. The GTZAN dataset: Its contents, its faults, their effects on evaluation, and its future use. CoRR, abs/1306.1461, 2013.
Michaël Defferrard, Kirell Benzi, Pierre Vandergheynst, and Xavier Bresson. Fma: A dataset for music analysis. arXiv preprint arXiv:1612.01840, 2016.
Carlos N Silla Jr, Celso AA Kaestner, and Alessandro L Koerich. Automatic music genre classification using ensemble of classifiers. In 2007 IEEE International Conference on Systems, Man and Cybernetics, pages 1687–1692. IEEE, 2007.
Carlos Nascimento Silla Jr, Alessandro L Koerich, and Celso AA Kaestner. The latin music database. In ISMIR, pages 451–456, 2008.
Aurélien Géron. Mãos à Obra: Aprendizado de Máquina com Scikit-Learn & TensorFlow. Alta Books, 2019.
