Вы находитесь на странице: 1из 6

Введение

В настоящее время музыкальные платформы обеспечивают легкий доступ к большому


количеству музыки. Они постоянно работают над улучшением организации музыки и
управления поиском, тем самым решая проблему выбора и упрощая поиск новых
музыкальных произведений. Системы рекомендаций приобретают все большую
популярность и помогают людям выбрать подходящую музыку на все случаи жизни. Однако
в рекомендациях, основанных на персонализации и эмоциях, все еще существует проблемы.

Музыка оказывает большое влияние на человека и широко используется для расслабления,


поднятия настроения, излечения от стресса и болезней, для поддержания умственной и
физической работоспособности. Существует широкий спектр клинических практик в
музыкальной терапии для поддержания хорошего самочувствия. В данной работе будет
представлен дизайн персонализированной системы музыкальных рекомендаций, основанной
на восприятии слушателем музыкальной композиции. Система рекомендаций направлена на
то, чтобы помочь людям с выбором музыки для различных жизненных ситуаций и для
поддержки их психического и физического состояние.

Предварительные исследования

Было проведено много исследований в отношении влияния музыки на физиологическое и


эмоциональное состояние человека.

Исследования, проводимые звукозаписывающими компаниями в 60х -70х годах, доказали,


что музыка одинаково влияет на слушателя с физической точки зрения: именно по этой
причине толпы людей на фестивалях реагируют на одну и ту же песню одинаково.

Аннэли Хаке также отмечает, что важно понимать разницу между тем, какие чувства музыка
вызывает, и тем, какие эмоции она выражает. Например, чтобы заставить человека грустить
одной только грустной мелодии недостаточно. Справедливо и обратное – человек не начнёт
радоваться, едва прослушав веселую мелодию, поскольку у него могут быть свои, даже
негативные, ассоциации с этой песней (например, разрыв отношений с любимым человеком).

Итан Хейн, профессор музыки в Государственном университете города Монтклер, говорит,


что восприятие музыки целиком и полностью зависит от культурной принадлежности
слушателя. Вряд ли найдется такая мелодия, которая на всех произведет одинаковое
впечатление.

Клэр Элизабет Картер говорит, что для объяснения влияния западной музыки на человека
хорошо подходит круговая модель Дж. Расселла (J.A. Russell) – это так называемая модель
эмоционального опыта, где эмоции располагаются в следующей последовательности:
удовольствие (0°), возбуждение (45°), активация (90°), дистресс (135°), неудовольствие
(180°), депрессия (225°), сонливость (270°), релаксация (315°).
По вертикали – это шкала «интенсивности эмоции», по горизонтали – шкала «валентности»
«Получается, что быстрая музыка обладает высокой интенсивностью, а медленная – низкой.
Что касается тональностей, то мажорная тональность – это положительная валентность, а
минорные – отрицательная», – объясняет Клэр.

То, что мы обычно осознаем в качестве звука, — это вибрации среды в определённом
диапазоне частот и интенсивностей. Сами по себе слышимые вибрации ничем
принципиально не отличаются от неслышимых.
Учёные установили, что это напрямую связно с ритмами головного мозга. Получая через
органы слуха аудиоинформацию, мозг анализирует еѐ, сравнивая со своими ритмами. У
каждого человека ритмы протекают со своей частотой. Именно поэтому, так различны вкусы
к музыке. Под старость функционирование процессов в головном мозгу замедляется, и
человек перестаёт воспринимать быструю ритмичную музыку, отдавая предпочтение более
спокойным и размеренным композициям. А всѐ потому, что мозг не поспевает обрабатывать
быстро меняющуюся информацию.

Бpитанский наyчный жypнал "Nature"опyбликовал статью амеpиканской исследовательницы


из калифоpнийского yнивеpситета, доктоpа Фpанзис Раyшеp о положительном влиянии
мyзыки Моцаpта на человеческий интеллект. Американские исследователи в начале 90-х
годов ввели такой термин как «эффект Моцарта». Смысл данного эффекта заключается в том,
что после 10-минутного прослушивания произведений австрийского композитора, скорость
решения задач на пространственное мышление значительно возрастает. Практически
доказано, что музыка влияет на интеллектуальные способности человека. Она способствует
повышению эмоциональной активности человека.

По данным отчета медицинского центра Стэнфордского университета, музыка затрагивает


области мозга, связанные с концентрацией внимания и развитием памяти. При этом пиковая
мозговая активность возникает в периоды тишины между звуками — расслабленный мозг
мгновенно включается в работу.
Реализация
Определение эмоций

Для решения проблемы определения эмоций используется API Microsoft Cognitive Services,
который позволяет получить данные по загруженному изображению. После анализа
изображения, можно получить результаты в виде баллов для различных категорий эмоций.
Всего предусмотрено восемь категорий: Anger, Contempt, Disgust, Fear, Happiness, Neutral,
Sadness, Surprise (Злость, Презрение, Отвращение, Страх, Счастье, Нейтральная, Грусть,
Удивление). Баллы выдаются по шкале от 0 до 1 (с шагом 0.001).
Результат выдаётся в виде JSON, из которого можно выбрать нужные для проекта данные.

Рис. 1 — Пример работы Microsoft Cognitive Services

Для целей проекта выделяется три основные эмоции — Грусть, Злость, Счастье.

Кроме того, присутствует возможность задать свою текущую эмоцию вручную, с помощью
интерфейса пользователя.
Данные

Для того, чтобы повысить точность работы разрабатываемой программы, предлагается


использовать открытые данные из API Spotify, в котором можно извлечь music features для
любой интересующей нас композиции.

Рис. 2 — API Spotify

В первую очередь, нас интересуют данные о Mood (настроение): Valence (позитивность),


tempo (темп), Energy (энергичность) и Danceability (танцевальность).

Для того, чтобы собрать первоначальную базу данных песен, был написан парсер на Python,
что с помощью API Spotify составил локальный каталог музыкальных композиций с их
соответствием о настроении.

С помощью базы данных MusPsych мы можем определить, как те или иные параметры
композиции влияют на настроение человека. MusPsych представляет собой проект финского
университета, который создал приложение, в котором пользователю предлагается выбрать
мелодию, которая улучшила (или потенциально улучшит) его эмоциональное состояния.
В данном приложении записываются изначальные данные о эмоциональном фоне человека,
тип прослушиваемой музыки (с параметрами), а так же — помогло ли это улучшить
настроение.
Проанализировав базу данных MusPsych, мы пришли к выводу, что в данной области всё
соответствует исследованиям, которые проводились учёными. В первую очередь, что музыка
и настроение могут быть связаны диаграммой Рассела.

Рис. 3 — Диаграмма Рассела и параметры двух композиций

Таким образом, сопоставив данные MusPsych и Spotify, мы можем рекомендовать


композиции пользователям на основе «Энергичности» и «Позитивности» (Energy и Valence).

Классификатор

Чтобы соотнести нужные нам данные, а так же позволить самим анализировать нужные
параметры в композиции. мы использовали Метод Опорных Векторов.
Основная идея метода заключается в построении гиперплоскости, разделяющей объекты
выборки оптимальным способом. Алгоритм работает в предположении, что чем больше
расстояние (зазор) между разделяющей гиперплоскостью и объектами разделяемых классов,
тем меньше будет средняя ошибка классификатора.

Рис. 4 — Пример разделяющих гиперплоскостей


В итоге, нам удалось разбить композиции на четыре группы (Angry, Happy, Sad и Relaxed). На
основе полученных данных, пользователю уже будет рекомендоваться композиция для
поднятия настроения

Плейлист

После того, как пользователь определил своё настроение в программе, из приложения


поступает JSON-запрос на интернет-сервер, в котором содержится уникальный ID, текущая
дата, информация об устройстве и состояние человека в данный момент времени.
На основе последнего параметра выбираются 10 наиболее подходящий композиций для
поднятия (или удержания) настроения (в виде списка произведения на Spotify). А
уникальный ID гарантирует, что композиции не будут повторяться в будущем (в базе данных
на сервере сохранены соответствия между отправленными мелодиями и уникальным
номером пользователя.

Дальнейшие планы

В будущем планируется реализовать систему отзывов, с помощью которой система станет


способной инкрементально обучаться. Для этого предлагается использовать обучение с
подкреплением.

Список использованной литературы

1. Gaston, E. T. Dynamic Music Factors in Mood Change // Music Educators Journal. 1951.
№12. С. 42-44.
2. Ayata, D., Yaslan, Y., Kamasak, M. E. Emotion Based Music Recommendation System
Using Wearable Physiological Sensors // IEEE Transactions on Consumer Electronics. 2018.
№48. С. 196–203.
3. Fancourt, Daisy, Ockelford, Adam & Belai, Abi. // The Psychoneuroimmunological Effects
of Music: A Systematic Review and A New Model. Brain, behavior, and immunity. 2013
4. Erkkilä, Jaakko, Punkanen // Individual music therapy for depression – Randomised
Controlled Trial. The British journal of psychiatry: the journal of mental science. 2011 №
56. С. 154-123
5. Chanda, Mona Lisa, Levitin, Daniel. // The neurochemistry of music. Trends in cognitive
sciences. 2012 №48 С. 179-93
6. Chang, C.Y.; Lo, C.Y.; Wang, C.J.; Chung,P.C // A music recommendation system with
consideration of personal emotion. International Computer Symposium, Tainan, Taiwan,
2010; С. 18–23.