Music Emotion Prediction Using Recurrent Neural Networks

本研究探讨了使用循环神经网络识别音乐中传达的情感的应用，旨在通过将音乐与听众的情感状态相匹配，增强音乐推荐系统并支持治疗干预。我们使用Russell的情感象限将音乐分类为四个不同的情感区域，并开发了能够准确预测这些类别的模型。我们的方法涉及使用Librosa提取全面的音频特征，并应用各种循环神经网络架构，包括标准RNN、双向RNN和长短期记忆（LSTM）网络。我们使用一个包含900个音频剪辑的数据集进行了初始实验，并根据情感象限进行标记。我们将神经网络模型的性能与一组基线分类器进行比较，并分析它们在捕捉音乐表达中固有的时间动态方面的有效性。结果表明，在较小的数据集中，简单的RNN架构可能表现得相当甚至更优秀，特别是与更复杂的模型相比。我们还在更大的数据集上进行了以下实验：一个是基于我们的原始数据集进行增强，另一个来自其他来源。这项研究不仅增强了我们对音乐情感影响的理解，而且展示了神经网络在创建更个性化和情感共鸣的音乐推荐和治疗系统方面的潜力。

本论文旨在使用循环神经网络识别音乐所传达的情感，以增强音乐推荐系统并支持个性化音乐治疗。

使用Librosa提取音频特征并应用各种循环神经网络架构来预测音乐的情感类别，包括标准RNN、双向RNN和LSTM网络。简单的RNN架构在较小的数据集上表现得更好。

实验使用了包含900个音频剪辑的数据集，并对更大的数据集进行了实验。本论文不仅增强了我们对音乐情感影响的理解，还展示了神经网络在创建更个性化和情感共鸣的音乐推荐和治疗系统方面的潜力。

相关研究包括使用深度学习识别音乐情感的研究，如“Deep Learning for Music Emotion Recognition: A Review”和“Music Emotion Recognition: A State of the Art Review”。