Modelo de aprendizado de máquina para classificação de gêneros musicais populares da região amazônica legal internacional
Palavras-chave:
recuperação de informação musical, aprendizado de máquina, gêneros musicais, base de dados, computação musicalResumo
A preferência musical da sociedade possui continua estima por gêneros musicais internacionais em detrimento aos nacionais ou locais. A música é um dos meios de comunicação mais utilizados para a facilitação e ergonomia na organização da estrutura social influenciando o estilo de vida, gostos e convivência interpessoal. Diversos aplicativos com conceito musical dentro de várias ferramentas utilizam os classificadores musicais. Por diversos motivos, os classificadores musicais possuem pouca ou nenhuma informação sobre gêneros musicais locais. Este trabalho atual apresenta um modelo de aprendizado de máquina de classificação automático de gêneros musicais populares amazônicos. Apresentando a nova versão, a base de dados contém os gêneros musicais populares: andino, brega, carimbó, cúmbia, merengue, pasillo, salsa e vaqueirada, oriundos da região da Amazônia Legal Internacional. A base de dados confeccionada apresenta 125 faixas para cada ritmo com 788 parâmetros. Esses parâmetros foram extraídos em três versões temporais: início, meio e final da música. Para testes, analisou-se a acurácia a partir de validação cruzada dos modelos de KNN, MLP, SVC e XGB obtendo 57.58%, 56.79%, 61.33% e 61.17%, respectivamente. Concluindo que o modelo em máquina de vetor suporte (SVC) apresentou a melhor robustez para os cenários empregados.
Downloads
Referências
Aucouturier, J.-J. and Pachet, F. (2003). Representing musical genre: A state of the art. Journal of new music research, 32(1):83–93.
Bigliassi, M., Altimari, L. R., and Ito, W. M. (2013). Ritmos e estilos musicais: um estudo descritivo das preferências e percepções no exercício físico. Brazilian Journal of Biomotricity, 7(4):165–173.
Defferrard, M., Benzi, K., Vandergheynst, P., and Bresson, X. (2016). Fma: A dataset for music analysis. arXiv preprint arXiv:1612.01840.
Dim, C., Alves, L., and Sousa, P. (2019). Predição de gêneros musicais utilizando técnicas de aprendizado de máquina. In Anais do XVI Encontro Nacional de Inteligência Artificial e Computacional, pages 344–352. SBC.
Fabbri, F. and Pinho, M. G. (2017). Uma teoria dos gêneros musicais: duas aplicações [tradução]. Revista Vórtex, 5(3).
Geleilate, J. M. G. and Marcelino, D. M. N. (2010). A influência de estilos musicais no humor, tempo percebido e decisão de retorno em loja de consumo popular. IV Encontro de Marketing da ANPAD.
Geron, A. (2019). Mãos à Obra: Aprendizado de Máquina com Scikit-Learn & TensorFlow. Alta Books.
Guggari, S., Kadappa, V., Umadevi, V., and Abraham, A. (2020). Music rhythm tree based partitioning approach to decision tree classifier. Journal of King Saud University Computer and Information Sciences.
Holzapfel, A., Sturm, B., and Coeckelbergh, M. (2018). Ethical dimensions of music information retrieval technology. Transactions of the International Society for Music Information Retrieval, 1(1):44–55.
Junior, J. S. J. (2021). Nem original, nem cópia: versões musicais entre o mainstream e a periferia. Números.
Karunakaran, N. and Arya, A. (2018). 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.
Menezes Bastos, R. J. d. (2007). As contribuições da música popular brasileira às músicas populares do mundo: diálogos transatlânticos Brasil-Europa-África - Segunda parte. Universidade Federal de Santa Catarina.
Mondelli, M. L. B., Gadelha Jr, L. M., and Ziviani, A. (2018). O que os pa ́ıses escutam: Analisando a rede de gêneros musicais ao redor do mundo. In Anais do VII Brazilian Workshop on Social Network Analysis and Mining. SBC.
Schreibman, S., Siemens, R., and Unsworth, J. (2015). A new companion to digital humanities. John Wiley & Sons.
Silla Jr, C. N., Kaestner, C. A., and Koerich, A. L. (2007). Automatic music genre classification using ensemble of classifiers. In 2007 IEEE International Conference on Systems, Man and Cybernetics, pages 1687–1692. IEEE.
Silla Jr, C. N., Koerich, A. L., and Kaestner, C. A. (2008). The latin music database. In ISMIR, pages 451–456.
Sturm, B. L. (2013). The GTZAN dataset: Its contents, its faults, their effects on evaluation, and its future use. CoRR, abs/1306.1461.
Sturm, B. L. (2014). The state of the art ten years after a state of the art: Future research in music information retrieval. Journal of new music research, 43(2):147–172.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2022 Os Autores
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial 4.0 International License.
