Türk Müziği Uyaranları Kullanılarak İnsan Duygularının Makine Öğrenmesi Yöntemi İle Tanınması

Mehmet Bilal Er; Harun Çiğ

doi:10.29109/gujsc.687199

Türk Müziği Uyaranları Kullanılarak İnsan Duygularının Makine Öğrenmesi Yöntemi İle Tanınması

Öz

Müzik, zaman ve frekansa göre değişiklik gösteren çok çeşitli karmaşık bileşenlerden oluşan bir ses sinyalidir. Müziğin dinleyicide çok çeşitli duygular uyandırdığı literatürde yaygın olarak kabul edilmektedir. Bir kişinin dinlediği müziğe hüzünlü ya da mutlu duygu içeriyor demesi gerçekte hissettiği duyguyu ortaya koymayabilir. Ancak müzik dinleme anında hissedilen duyguya göre beynin içinde meydana gelen elektriksel dalgalanmalar, algılanan gerçek duygunun yapısını daha doğru bir şekilde ortaya koyabilmektedir. Beyin sinyalleri kullanılarak insan duygularının tespit edilmesi, birçok alanda güncel araştırma konusu olmuştur. Bu çalışmada ise müzik parçaları dinlerken insan duygularının tanınması problemi ele alınmıştır. Farklı türlerdeki Türk müziği parçaları katılımcılara dinletilerek beyinlerinde oluşan elektriksel dalgalar incelenerek mutlu, hüzünlü, rahatlatıcı ve gergin duygu durumları tanınmaya çalışılmıştır. Katılımcılardan gürültüsüz bir ortamda farklı türlerden müzik parçaları dinlemeleri istenilmiştir. Duyguların sınıflandırılması için öncelikle farklı kanallardan Elektroansefalografi (EEG) sinyalleri alınmıştır ve elde edilen bu sinyaller üzerinden belirli öznitelikler çıkarılmıştır. Çıkarılan öznitelikler Destek Vektör Makineleri (DVM), K En Yakın Komşu (KNN) ve Yapay Sinir Ağlarını (YSA) makine öğrenmesi algoritmaları kullanılarak sınıflandırılmıştır. Veri setini eğitmek ve insan duygularını sınıflandırmak için kullanılan algoritmalardan en iyi doğruluk oranı YSA ile elde edilmiştir. Elde edilen bulgulara göre, kullanılan yöntemin iyi performans gösterdiği gözlemlenmiştir.

Anahtar Kelimeler

İnsan Duygularını Tanıma

Kaynakça

[1] C. C. Pratt, Music as the language of emotion. Oxford, England: The Library of Congress, 1952.
[2] R.-F. Day, C.-H. Lin, W.-H. Huang, and S.-H. Chuang, “Effects of music tempo and task difficulty on multi-attribute decision-making: An eye-tracking approach,” Comput. Human Behav., vol. 25, no. 1, pp. 130–143, Jan. 2009.
[3] G. Varotto, P. Fazio, D. R. Sebastiano, G. Avanzini, S. Franceschetti, and F. Panzica, “Music and emotion: An EEG connectivity study in patients with disorders of consciousness,” in 2012 Annual International Conference of the IEEE Engineering in Medicine and Biology Society, 2012, pp. 5206–5209.
[4] D. HURON, “Is Music an Evolutionary Adaptation?,” Ann. N. Y. Acad. Sci., vol. 930, no. 1, pp. 43–61, 2001.
[5] I. Peretz and R. J. Zatorre, “Brain Organization for Music Processing,” Annu. Rev. Psychol., vol. 56, no. 1, pp. 89–114, 2005.
[6] S. M. Alarcão and M. J. Fonseca, “Emotions Recognition Using EEG Signals: A Survey,” IEEE Trans. Affect. Comput., vol. 10, no. 3, pp. 374–393, 2019.
[7] P. J. Lang, “The emotion probe: Studies of motivation and attention.,” American Psychologist, vol. 50, no. 5. American Psychological Association, US, pp. 372–385, 1995.
[8] R. W. Picard, Affective Computing. The MIT Press, 2000.

[9] L. Shu et al., “A Review of Emotion Recognition Using Physiological Signals,” Sensors (Basel)., vol. 18, no. 7, p. 2074, Jun. 2018.
[10] A. M. Bhatti, M. Majid, S. M. Anwar, and B. Khan, “Human emotion recognition and analysis in response to audio music using brain signals,” Comput. Human Behav., vol. 65, pp. 267–275, Dec. 2016.
[11] F. Zhang, H. Meng, and M. Li, “Emotion extraction and recognition from music,” 2016 12th International Conference on Natural Computation, Fuzzy Systems and Knowledge Discovery (ICNC-FSKD). IEEE, 2016.
[12] A. Goshvarpour and A. Goshvarpour, “EEG spectral powers and source localization in depressing, sad, and fun music videos focusing on gender differences,” Cogn. Neurodyn., vol. 13, no. 2, pp. 161–173, 2018.
[13] A. M. Bhatti, M. Majid, S. M. Anwar, and B. Khan, “Human emotion recognition and analysis in response to audio music using brain signals,” Comput. Human Behav., vol. 65, pp. 267–275, Dec. 2016.
[14] C. Shahnaz, Shoaib-Bin-Masud, and S. M. S. Hasan, “Emotion recognition based on wavelet analysis of Empirical Mode Decomposed EEG signals responsive to music videos,” 2016 IEEE Region 10 Conference (TENCON). IEEE, 2016.
[15] Y. Liu et al., “What Strikes the Strings of Your Heart?–Multi-Label Dimensionality Reduction for Music Emotion Analysis via Brain Imaging,” IEEE Trans. Auton. Ment. Dev., vol. 7, no. 3, pp. 176–188, 2015.
[16] R. Nawaz, H. Nisar, and Y. V. Voon, “The Effect of Music on Human Brain; Frequency Domain and Time Series Analysis Using Electroencephalogram,” IEEE Access, vol. 6, pp. 45191–45205, 2018.
[17] J.-L. Hsu, Y.-L. Zhen, T.-C. Lin, and Y.-S. Chiu, “Affective content analysis of music emotion through EEG,” Multimed. Syst., vol. 24, no. 2, pp. 195–210, 2017.
[18] G. Balasubramanian, A. Kanagasabai, J. Mohan, and N. P. G. Seshadri, “Music induced emotion using wavelet packet decomposition—An EEG study,” Biomed. Signal Process. Control, vol. 42, pp. 115–128, 2018.
[19] M. Yanagimoto and C. Sugimoto, “Recognition of persisting emotional valence from EEG using convolutional neural networks,” 2016 IEEE 9th International Workshop on Computational Intelligence and Applications (IWCIA). IEEE, 2016.
[20] C.-Y. Liao, R.-C. Chen, and S.-K. Tai, “Emotion stress detection using EEG signal and deep learning technologies,” 2018 IEEE International Conference on Applied System Invention (ICASI). IEEE, 2018.
[21] S. Vaid, P. Singh, and C. Kaur, “EEG Signal Analysis for BCI Interface: A Review,” 2015 Fifth International Conference on Advanced Computing & Communication Technologies. IEEE, 2015.
[22] Siuly, “ANALYSIS AND CLASSIFICATION OF EEG SIGNALS,” UNIVERSITY OF SOUTHERN QUEENSLAND, 2012.
[23] B. Farnsworth, “What is EEG (Electroencephalography) and How Does it Work?” [Online]. Available: https://imotions.com/blog/what-is-eeg.
[24] S. D. Puthankattil, P. Joseph, U. R. Acharya, and C. Lim, “EEG signal analysis: a survey,” J. Med. Syst., vol. 34, pp. 195–212, Apr. 2010.
[25] H. . Jasper, “The Ten-Twenty Electrode System of the International Federation,” Electroencephalogr. Clin. Neurophysiol., vol. 10, pp. 371–375, 1958.
[26] B. S. Atal, “Automatic recognition of speakers from their voices,” Proc. IEEE, vol. 64, no. 4, pp. 460–475, 1976.
[27] S. Gupta, J. Jaafar, W. F. Wan Ahmad, and A. Bansal, “Feature Extraction Using Mfcc,” Signal Image Process. An Int. J., vol. 4, pp. 101–108, Aug. 2013.
[28] S. I.-J. Chien, Y. Ding, and C. Wei, “Dynamic Bus Arrival Time Prediction with Artificial Neural Networks,” J. Transp. Eng., vol. 128, no. 5, pp. 429–438, 2002.
[29] S. M. J. Pappu and S. N. Gummadi, “Artificial neural network and regression coupled genetic algorithm to optimize parameters for enhanced xylitol production by Debaryomyces nepalensis in bioreactor,” Biochem. Eng. J., vol. 120, pp. 136–145, 2017.
[30] Q. Yang, S. Le Blond, R. Aggarwal, Y. Wang, and J. Li, “New ANN method for multi-terminal HVDC protection relaying,” Electr. Power Syst. Res., vol. 148, pp. 192–201, 2017.
[31] D. Niebur and A. J. Germond, “Power flow classification for static security assessment,” Proceedings of the First International Forum on Applications of Neural Networks to Power Systems. IEEE.
[32] “Support Vector Machines, 1992; Boser, Guyon, Vapnik,” in SpringerReference, Springer-Verlag.
[33] A. Widodo and B.-S. Yang, “Support vector machine in machine condition monitoring and fault diagnosis,” Mech. Syst. Signal Process., vol. 21, no. 6, pp. 2560–2574, 2007.
[34] E. Kabir, Siuly, and Y. Zhang, “Epileptic seizure detection from EEG signals using logistic model trees,” Brain Informatics, vol. 3, no. 2, pp. 93–100, 2016.
[35] B. Schölkopf and A. J. Smola, Smola, A.: Learning with Kernels - Support Vector Machines, Regularization, Optimization and Beyond. MIT Press, Cambridge, MA, vol. 98. 2001.
[36] Y. Zhang, X. Ji, and S. Zhang, “An approach to EEG-based emotion recognition using combined feature extraction method,” Neurosci. Lett., vol. 633, pp. 152–157, 2016.
[37] H. Jégou, M. Douze, and C. Schmid, “Product Quantization for Nearest Neighbor Search,” IEEE Trans. Pattern Anal. Mach. Intell., vol. 33, no. 1, pp. 117–128, 2011.
[38] T. Cover and P. Hart, “Nearest neighbor pattern classification,” IEEE Trans. Inf. Theory, vol. 13, no. 1, pp. 21–27, 1967.
[39] C. Li et al., “Using the K-Nearest Neighbor Algorithm for the Classification of Lymph Node Metastasis in Gastric Cancer,” Comput. Math. Methods Med., vol. 2012, pp. 1–11, 2012.

Ayrıntılar

Birincil Dil

Türkçe

Konular

Mühendislik

Bölüm

Araştırma Makalesi

Yazarlar

Mehmet Bilal Er ^*
0000-0002-2074-1776
Türkiye

Harun Çiğ
0000-0003-0419-9531
Türkiye

Yayımlanma Tarihi

28 Haziran 2020

Gönderilme Tarihi

10 Şubat 2020

Kabul Tarihi

16 Mayıs 2020

Yayımlandığı Sayı

Yıl 2020 Cilt: 8 Sayı: 2

DOI

https://doi.org/10.29109/gujsc.687199

IZ

https://izlik.org/JA57KF87RN

Kaynak Göster

RIS / Bibtex

APA

Er, M. B., & Çiğ, H. (2020). Türk Müziği Uyaranları Kullanılarak İnsan Duygularının Makine Öğrenmesi Yöntemi İle Tanınması. Gazi Üniversitesi Fen Bilimleri Dergisi Part C: Tasarım ve Teknoloji, 8(2), 458-474. https://doi.org/10.29109/gujsc.687199

AMA

1.Er MB, Çiğ H. Türk Müziği Uyaranları Kullanılarak İnsan Duygularının Makine Öğrenmesi Yöntemi İle Tanınması. GUJS Part C. 2020;8(2):458-474. doi:10.29109/gujsc.687199

Chicago

Er, Mehmet Bilal, ve Harun Çiğ. 2020. “Türk Müziği Uyaranları Kullanılarak İnsan Duygularının Makine Öğrenmesi Yöntemi İle Tanınması”. Gazi Üniversitesi Fen Bilimleri Dergisi Part C: Tasarım ve Teknoloji 8 (2): 458-74. https://doi.org/10.29109/gujsc.687199.

EndNote

Er MB, Çiğ H (01 Haziran 2020) Türk Müziği Uyaranları Kullanılarak İnsan Duygularının Makine Öğrenmesi Yöntemi İle Tanınması. Gazi Üniversitesi Fen Bilimleri Dergisi Part C: Tasarım ve Teknoloji 8 2 458–474.

IEEE

[1]M. B. Er ve H. Çiğ, “Türk Müziği Uyaranları Kullanılarak İnsan Duygularının Makine Öğrenmesi Yöntemi İle Tanınması”, GUJS Part C, c. 8, sy 2, ss. 458–474, Haz. 2020, doi: 10.29109/gujsc.687199.

ISNAD

Er, Mehmet Bilal - Çiğ, Harun. “Türk Müziği Uyaranları Kullanılarak İnsan Duygularının Makine Öğrenmesi Yöntemi İle Tanınması”. Gazi Üniversitesi Fen Bilimleri Dergisi Part C: Tasarım ve Teknoloji 8/2 (01 Haziran 2020): 458-474. https://doi.org/10.29109/gujsc.687199.

JAMA

1.Er MB, Çiğ H. Türk Müziği Uyaranları Kullanılarak İnsan Duygularının Makine Öğrenmesi Yöntemi İle Tanınması. GUJS Part C. 2020;8:458–474.

MLA

Er, Mehmet Bilal, ve Harun Çiğ. “Türk Müziği Uyaranları Kullanılarak İnsan Duygularının Makine Öğrenmesi Yöntemi İle Tanınması”. Gazi Üniversitesi Fen Bilimleri Dergisi Part C: Tasarım ve Teknoloji, c. 8, sy 2, Haziran 2020, ss. 458-74, doi:10.29109/gujsc.687199.

Vancouver

1.Mehmet Bilal Er, Harun Çiğ. Türk Müziği Uyaranları Kullanılarak İnsan Duygularının Makine Öğrenmesi Yöntemi İle Tanınması. GUJS Part C. 01 Haziran 2020;8(2):458-74. doi:10.29109/gujsc.687199

Türk Müziği Uyaranları Kullanılarak İnsan Duygularının Makine Öğrenmesi Yöntemi İle Tanınması

Türk Müziği Uyaranları Kullanılarak İnsan Duygularının Makine Öğrenmesi Yöntemi İle Tanınması

Öz

Anahtar Kelimeler

Kaynakça

Ayrıntılar

Birincil Dil

Konular

Bölüm

Yazarlar

Yayımlanma Tarihi

Gönderilme Tarihi

Kabul Tarihi

Yayımlandığı Sayı

DOI

IZ

Kaynak Göster

Cited By

AKCİĞER SESLERİNİN DERİN ÖĞRENME İLE SINIFLANDIRILMASI

Derin Öğrenme İle Türkçe Müziklerden Müzik Türü Sınıflandırması

Derin Öğrenme Yöntemleri İle Konuşmadan Duygu Tanıma Üzerine Bir Literatür Araştırması

Makine Öğrenmesi Yöntemleri ile GTZAN Veri Kümesine Ait Müzik Türlerinin Sınıflandırılması