SavedAdd your journal

Journals / Gazi Üniversitesi Fen Bilimleri Dergisi Part C: Tasarım ve Teknoloji / 2020 / Cilt: 8 - Sayı: 2

Türk Müziği Uyaranları Kullanılarak İnsan Duygularının Makine Öğrenmesi Yöntemi İle Tanınması

Mehmet Bilal ER
Harun ÇİĞ
Pages
458–474
Publication Date
2022-10-18
DOI
—
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

Elde edilen bulgulara göre, kullanılan yöntemin iyi performans gösterdiği gözlemlenmiştir.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Müzik, zaman ve frekansa göre değişiklik gösteren çok çeşitli karmaşık bileşenlerden oluşan bir ses sinyalidir.
📊
Key Findings & Data:Farklı türlerdeki Türk müziği parçaları katılımcılara dinletilerek beyinlerinde oluşan elektriksel dalgalar incelenerek mutlu, hüzünlü, rahatlatıcı ve gergin duygu durumları tanınmaya çalışılmıştır.
💡
Conclusion & Impact:Elde edilen bulgulara göre, kullanılan yöntemin iyi performans gösterdiği gözlemlenmiştir.
🔬Design:Survey & Empirical Study
📍Scope:Comprehensive Sample
⚙️Variables:İnsan Duygularını Tanıma

Özet

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.

🔖

Cite This Article

ER, M. B., ÇİĞ, H. (2022). Türk Müziği Uyaranları Kullanılarak İnsan Duygularının Makine Öğrenmesi Yöntemi İle Tanınması. Gazi Üniversitesi Fen Bilimleri Dergisi Part C: Tasarım ve Teknoloji, Cilt: 8 - Sayı: 2, 458–474. https://ajindex.com/articles/521994

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (16)

  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
  8. American Psychological Association, US, pp. 372–385, 1995
  9. R. W. Picard, Affective Computing. The MIT Press, 2000
  10. L. Shu et al., “A Review of Emotion Recognition Using Physiological Signals,” Sensors (Basel)., vol. 18, no. 7, p. 2074, Jun. 2018
  11. 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
  12. 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
  13. 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
  14. 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
  15. 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
  16. Y. Liu et al., “What Strikes the Strings of Your Heart?–Multi-Lab