[发明专利]基于Gamma分布分析的音乐连续情感特征分析评价方法

权利要求书

1.一种基于Gamma分布分析的音乐连续情感特征分析评价方法，其特征在于，具体步骤如下：

步骤一：计算音乐特征和情感标签之间的相关性；

设音乐信号为A_i，1≤i≤N，N为样本个数，在用户听音乐的过程中的Valence和Arousal情感标签为上，其采样率为2Hz，

(1)首先对音乐信号进行加窗、分帧，音乐情感分析长度取窗长w为4秒，帧移为0.5秒；

(2)其次，音频特征提取，设特征F_ij，1≤j≤M，M为特征维数，提取音高、响度等音乐底层特征，以及旋律、节奏等高层语义特征；

(3)计算每一维特征F_ij与打分L的Pearson相关系数，得到Pearson相关系数矩阵R，计算公式如下：

步骤二：基于Gamma分布的特征筛选方法；

由于相关系数是从0到1之间，且分布离1越近表示相关性大，分布离0越近表示相关性小，因此进行两次Gamma分布拟合去掉相关性小的，保留相关性较大的特征，

(1)首先，计算每一维特征在所有样本上相关系数的直方图；

(2)其次，对相关系数直方图进行Gamma分布拟合，在这里特定特征的相关系数为r_i，i＝1，2，...，n，其中n为样本个数，先对相关系数直方图进行Gamma分布拟合，根据Gamma分布的定义，得到概率密度函数拟合公式如下：

其中α为Gamma分布的形状参数，决定Gamma分布的陡峭程度，λ＝1/β为Gamma分布的尺度参数，决定Gamma分布的散布程度；

(3)再对相关系数直方图进行轴对称操作，即对轴对称后的相关系数直方图进行Gamma分布分析，得到拟合参数和

(4)根据两次Gamma拟合的参数构造相关性影响因子IF，对所有特征按IF从大到小排序，筛选出前K个最相关特征构成特征子集F_s，s＝1，…，K；

步骤三：建立情感感知概率矩阵EDM

(1)建立特征相似度矩阵FDM

首先对上一步筛选出的K维特征及情感打分进行分帧，取帧长为4秒，帧移为3秒，对情感特征的每一帧和对应的情感打分构建N×N的相似度矩阵FDM，构建方法如下：

设第t帧样本为A₁，A₂，...，A_N，且顺序确定，其特征为F₁，F₂，...，F_K，则：

FDM_pg＝dist(F_pk，F_qk)，1≤p，q≤N

其中F_ik表示第i个样本的第k维特征的特征向量，表示X和Y的欧式距离，经过这一步计算，得到K个特征相似度矩阵FDM_i，i＝1，...，K；

同样方法，设第t帧样本对应的打分为L₁，L₂，...，L_K，对打分也求得一个相似度矩阵LDM；

LDM_pg＝dist(L_p，L_q)，1≤p，q≤N

(2)情感感知概率矩阵EDM

为了衡量相应的特征差异，对每一帧的FDM_i和LDM计算矩阵相似度，计算方法如下：

那么，在T帧中，用每一帧都用如上方法计算特征差异概率，并归一化，就构成了情感感知概率矩阵EDM，计算方法如下：

EDM_tk＝ρ′_k^(t)

步骤四：计算情感变化最长路径，构造回归预测模型对维度情感进行预测；

(1)情感最大路径计算方法

在T帧中，用每一帧的特征矩阵与概率矩阵EDM相乘，构成新的情感特征矩阵FDM‘，在情感特征矩阵中，用最大权值路径作为特征向量，求解最大权值路径的问题，转化为求子问题的最优解，使用动态规划算法，记录了已求解过的子问题结果，设Path_i，j是对矩阵的描述，则其状态转移方程写为：

MP_i，j＝max{MP_i-1，j，MP_i，j+1}+MP_i，j

其中MP_i，j表示走到第i行第j列的最大权值，那么MP_i，j的最优解包含子问题MP_i-1，j和MP_i，j+1的最优解，其中MP_0，n-1＝Path_0，n-1，最大的路径权值通过比较底层的分数求得；

(2)基于Lasso回归的音乐连续情感预测方法

首先，在前面特征选择的基础上，设最优特征集为F_k，k＝1，2，...，K，在最优特征集上，分别对Valence和Arousal建立回归预测方程：

Y＝Xβ+μ

其中X为特征集，Y为Valence或Arousal的平均打分，μ为随机误差项；

其次，基于Lasso回归模型，对预测方程进行求解，求得取得最小时的拟合系数；

在求解拟合系数时，约束条件取最小的λ或SE值，取最小值为约束条件；最后，在最优拟合系数的基础上对新的未知样本经行Valence和Arousal的预测。