Professional Documents
Culture Documents
Director
MIE Carlos Andrs Nio Nio
Director
MIE Carlos Andrs Nio Nio
AUTORIDADES ACADMICAS
Fundador
Dr. ALFONSO BELTRN BALLESTEROS
Rector Seccional
Dr. ALBERTO CADENA ANGARITA
Vicerrectora Acadmica
Dra. LAURA MILENA PALACIOS MORA
Vicerrectora de Investigaciones
Dra. MARTHA LUCA HINCAPIE LPEZ
DEDICATORIAS
Dedico este proyecto a Dios por su infinito amor.
A mi madre por sus consejos y su apoyo incondicional.
A mi ta Aida (QEPD) a mi abuela Ramona (QEPD) y a mi ta Mara (QEPD), las
amo infinitamente.
A Daniel Reyes por estar siempre a mi lado.
A mi familia en especial a mi abuela Mara, gracias por consentirme tanto.
A mi amiga y compaera de tesis Lina Nez. Lo logramos!
A mis amigos Mauricio Senz, Kevin Gonzlez por estos cinco aos de
aprendizaje.
A mi tutor Carlos Nio por su dedicacin y a todas las personas que de alguna
manera hicieron esto posible.
Isabel Cristina Portillo Aguilar
Al culminar mis estudios profesionales me siento con la felicidad ms grande que
no cabe en mi pecho de ver mis logros realizados que con tantos esfuerzos hoy
llegan no a su final porque an no terminan, sino que continan en pro y
beneficios de los dems. Quiero darles mis agradecimientos a todas las personas
que me han acompaado en este trayecto y me han hecho engrandecer. Primero
a Dios, quin me dio la vida y el don de sabidura para aprender y entender a
cabalidad a lo que se refiere esta carrera tan llena de servicios para el bien del
que la necesite. A mi abuela Alfonsina Molina quin se nos adelant de esta vida
pero que gracias a sus sabios consejos me ense muchas cosas de las cuales
siempre tuve en mi mente y s que donde est se encuentra tranquila por su
labor.
A mis padres abuelos Ivn y Nancy por haber hecho de m una persona de bien,
Por mis estudios, por sus desvelos, atenciones y preocupaciones en mis aos de
vida. A ti, Mam Claudia por traerme a este mundo y por todos sus esfuerzos,
enseanzas como las de toda madre. A mis hermanos Laura y Henry Ivn por su
apoyo incondicional, paciencia, por estar juntos siempre, ustedes son mi razn de
ser. A todo el cuerpo de docentes de la Universidad por sus enseanzas, a mis
compaeros de estudios principalmente a Lina e Isabel por lo que luchamos para
realizar este proyecto, al docente Carlos Andrs Nio por sus exigencias para que
todo fuera un xito.
Por ltimo, quiero agradecerle al Ing. Jorge Quintero quin me ense a amar
esta carrera, que Dios le premie. A todos, Mil Gracias.
Mara Alejandra Surez Romero
Este proyecto de investigacin se lo dedico a Dios, porque en ningn momento
me dejo fallecer.
A mi abuelo Jos Ignacio Maestre que ya hoy no se encuentra conmigo.
A mi familia, en especial a mi hermanito Ernesto David Nez Maestre.
A mis hermanos Lilyam Rodrguez, David Cristancho, Luisa Nez, Pierina Ramos
que siempre estuvieron apoyndome.
A Isabel Portillo que fue mi amiga y compaera de lucha.
A Kevin Gonzlez y Mauricio Senz que me aguantaron cinco aos.
A mis profesores y a todas esas personas que de una u otra forma colaboraron
para que esto fuera una realidad.
Lina Marcela Nez Maestre
AGRADECIMIENTOS
Los autores expresan sus agradecimientos a:
Carlos Andrs Nio Nio, por su apoyo y paciencia.
A la ingeniera Marta Chaparro y a todo el banco docente.
A la Universidad Manuela Beltrn.
TABLA DE CONTENIDO
Pg.
RESUMEN...............................................................................................................10
ABSTRACT..............................................................................................................11
1. DESCRIPCIN DEL PROYECTO....................................................................12
1.1
INTRODUCCIN........................................................................................13
1.2
1.3
PREGUNTA DE INVESTIGACIN.............................................................15
1.4
JUSTIFICACIN........................................................................................15
1.5
OBJETIVOS...............................................................................................16
1.5.1
Objetivo General..................................................................................16
1.5.2
Objetivos Especficos..........................................................................16
2. MARCO TERICO............................................................................................16
2.1
ANTECEDENTES DE LA INVESTIGACIN..............................................17
2.2
2.3
BASES TERICAS....................................................................................20
2.3.1
Tonalidad En La Msica.......................................................................20
2.3.2
Amplitud...............................................................................................20
2.3.3
Frecuencia...........................................................................................21
2.3.4
Timbre..................................................................................................21
2.4
2.4.1
Ira.........................................................................................................23
2.4.2
Felicidad...............................................................................................23
2.4.3
Miedo...................................................................................................23
2.4.4
Tristeza................................................................................................23
2.4.5
2.5
2.5.1
2.5.2
2.5.3
2.6
2.6.1
2.6.2
2.6.3
3. DISEO METODOLGICO..............................................................................33
3.1
TIPO DE INVESTIGACIN........................................................................33
3.2
DISEO DE INVESTIGACIN..................................................................33
3.3
3.4
3.4.1
3.4.2
Interfaz Grfica....................................................................................37
3.4.3
Potencias.............................................................................................38
3.4.4
3.4.5
Envolvente...........................................................................................40
3.4.6
3.4.7
Color Background................................................................................44
3.5
4. RESULTADOS..................................................................................................47
4.1
PRESENTACIN DE RESULTADOS........................................................47
4.1.1
4.1.2
Entrenamiento Red..............................................................................49
4.2
ANLISIS DE RESULTADOS....................................................................51
4.3
DISCUSIN................................................................................................58
4.4
CONCLUSIONES Y RECOMENDACIONES.............................................59
BIBLIOGRAFA........................................................................................................61
LISTA DE TABLAS
Pg.
Tabla 1. Funciones de las emociones.......................................................................................... 17
Tabla 2. Estado del arte................................................................................................................. 19
Tabla 3. Modelo circumplejo de Russel 1....................................................................................26
Tabla 4. Modelo circumplejo de Russell 2...................................................................................27
Tabla 5. Figuras Geomtricas....................................................................................................... 38
Tabla 6. Porcentaje de efectividad por cuadrante.......................................................................50
Tabla 7. Prueba red neuronal canciones cuadrante I.................................................................51
Tabla 8. Prueba red neuronal canciones cuadrante II.................................................................52
Tabla 9. Prueba red neuronal canciones cuadrante II.................................................................53
Tabla 10. Prueba red neuronal canciones cuadrante III..............................................................54
Tabla 11. Prueba red neuronal canciones cuadrante IV.............................................................56
LISTA DE FIGURAS
Pg.
Figura 1. Emociones Segn Eva Heller_____________________________________________24
Figura 7. Correlatos de Desarrollo del Circumplejo.__________________________________32
Figura 8. Diseo de Investigacin.________________________________________________33
Figura 9. Interfaz Grfica.________________________________________________________37
Figura 10. Diagrama Clculo de potencias._________________________________________39
Figura 11. Diagrama de Frecuencias MEL.__________________________________________40
Figura 13. Envolvente 2._________________________________________________________42
Figura 15. Envolvente.__________________________________________________________43
Figura 18. Arousal versus Valencia._______________________________________________46
Figura 19. Promedios Coeficiente de Correlacin de Pearson por cuadrantes____________48
Figura 20. Red neuronal auto asociativa___________________________________________49
Figura 21. Red neuronal_________________________________________________________50
Figura 22. Canciones cuadrante I_________________________________________________52
Figura 23. Cuadrante II__________________________________________________________53
Figura 24. Canciones cuadrante II.________________________________________________54
Figura 25. Canciones cuadrante III________________________________________________55
Figura 26. Canciones cuadrante IV________________________________________________56
RESUMEN
El tono es una sensacin auditiva que tiene una relacin directa con la frecuencia
de los sonidos escuchados, este est relacionado con el concepto de altura en la
msica donde los sonidos pueden clasificarse como altos y bajos. Este trabajo
intenta relacionar sonidos y colores para crear el fenmeno de sinestesia.
El principal objetivo de este estudio es obtener una herramienta software que
caracteriza las vibraciones en la msica utilizando un color representadas en una
cancin utilizando coeficientes cepstrales MEL descritos por coeficientes de
Pearson visualizado en una interfaz grfica en formas geomtricas y background;
clasificadas por una red neuronal de tipo AANN .Las emociones a relacionar son:
Tristeza, Calma ,Rabia, Felicidad y Miedo las cuales fueron definidas por los
autores Juslin y Laukka [24],se utiliz un banco de msica las cuales las diversas
melodas fueron clasificadas por cuadrantes segn el modelo basado en un plano
cartesiano definido como arousal versus valencia donde se estudia que grado de
excitacin produce la meloda y como lo relaciona entre lo agradable o
desagradable.
ABSTRACT
The tone is a hearing feeling that has a relationship direct with the frequency of
them sounds listened, this is related with the concept of height in the music where
them sounds can classify in high and low. This paper attempts to relate sounds and
colors to create the phenomenon of synaesthesia.
The main objective of this study is to obtain a tool software that characterizes
music vibration using a color represented in a song using coefficients cepstrales
MEL described by main components of Pearson, displayed on a graphical interface
in geometric shapes and background; classified rated by an associative neural
network (TREATY). rated by an associative neural network emotions to relate are:
sadness, calm, anger, happiness and fear which were defined by the authors Juslin
and Laukka [24], there is a Bank of music different which melodies were classified
by quadrants according to the model based on a Cartesian plane defined as
arousal versus valence where they review that you degree of excitement produces
the melody, was used and how relates it between the pleasant or unpleasant.
1.1INTRODUCCIN
El tono es una sensacin auditiva que tiene una relacin directa con la frecuencia
de los sonido escuchados [1], este est relacionado con el concepto de altura en
la msica donde los sonidos pueden ser altos y bajos. [2]
Existe una condicin clnica que relaciona sonidos y colores determinados por la
visin llamada Sinestesia; cmo tambin puede suceder cuando se observa un
nmero o letra [3]. A este tipo de sensaciones no se les categoriza ni se le
establecen reglas ya que son emociones subjetivas y en cada individuo se
presenta de manera diferente. [4]
Este proyecto de investigacin se basa en demostrar la relacin emocin-color
representada en una cancin utilizando Coeficientes Cepstrales en las
Frecuencias de MEL (MFCCs) y coeficiente de correlacin de Pearson para ser
visualizados en una interfaz grfica permitiendo una variacin de colores en el
background y figuras geomtricas. Para ello se disea un algoritmo en Matlab
utilizando Redes Neuronales Artificiales (RNA) de tipo AANN con la cual se
pretende clasificar las canciones que representan una emocin segn los aportes
tericos de los autores Juslin y Laukka.
En primera instancia se realiza una bsqueda de aportes tericos, en donde se
bas en los trabajos de investigacin de los autores Juslin - Laukka, los cuales en
sus trabajos exponen que existen cinco (5) emociones que predominan en la
msica, tales como: ira, tristeza, felicidad, miedo y calma. Dichas emociones son
utilizadas en el proyecto ya que cada una de ellas tiene predeterminado un color
13
Laukka, Eva Hller con la psicologa del color y el modelo circunflejo de James
Russell, el tercer captulo muestra cmo se desarroll todo el proceso de estudio
mediante un banco de msica en el cual se encuentran clasificadas las
emociones: tristeza, rabia, calma, felicidad, miedo en un plano segn el modelo de
James Russell , el cuarto captulo describe los resultados y conclusiones de los
cuatro (4) cuadrantes y su comportamiento respecto al entrenamiento de la red
neuronal de tipo AANN, y por ltimo las referencias de las fuentes usadas en el
transcurso de la investigacin.
14
Una medida
Se puede encontrar por medio de una red neuronal artificial la relacin existente
entre cuadrantes y cancin segn arousal versus valencia?
1.4JUSTIFICACIN
Encontrar una relacin entre la medida del tono en la msica permitir encontrar la
forma en que las distintas melodas tienen caractersticas que diferencian la
percepcin de las sensaciones. Una medida importante para patronear la msica
es el tono que ella trae consigo, de forma que caractersticas de las distintas
melodas diferencian la percepcin de las sensaciones producidas por la msica,
aspecto importante para que con el patrn de tono se modifique la relacin de
colores en una imagen, en este caso, en formas geomtricas.
Este proyecto de investigacin se basa en demostrar la relacin emocin-color
representada en una cancin utilizando Coeficientes Cepstrales en las
15
1.5OBJETIVOS
16
Lenguaje funcional
Proteccin
Destruccin
Reproduccin
Reintegracin
Afiliacin
Exploracin
Exploracin
Rechazo
James Russell en 1980 midi los estados emocionales en los humanos por medio
de dos variables: la valencia y la activacin. La valencia indica una experiencia
emocional es positiva o negativa, en un rango continuo que pasa por neutro. La
activacin va de inactiva hasta muy activa. Cuando Russell realiz las mediciones,
las ubic en un sistema coordenado, con la valencia como eje horizontal y la
activacin como vertical. As es visible que las emociones ocupan una regin
17
circular, por lo cual se conoce a este aporte como el modelo circumplejo de las
emociones. [6]
Paul Ekman en 1984 estudia las emociones a travs de las expresiones del rostro
y define seis emociones bsicas: Alegra, Ira, Miedo, Asco, Sorpresa. [7]
Otro autor como lo es Nico Frijda, afirma que las emociones son la respuesta a las
situaciones, y describe seis emociones principales. Los estudios con base en las
emociones bsicas buscan utilizar la ira y el temor, en primera instancia, por
ejemplo, en algoritmos de bsqueda y en la generacin de autonoma. [8]
En 2013 N.J. Nalini y S. Palanivel en el Departamento de Ciencias de la
Computacin e Ingeniera en la Universidad Annamalai, en India. En donde el
principal objetivo era el desarrollo de una tcnica de reconocimiento de emocin
en la msica usando coeficientes MEL (MFCC), la red neuronal asociativa Auto
(AANN) y la mquina de vectores de soporte (SVM).
En este trabajo se consideraron las emociones bsicas las cuales fueron cinco:
enojado, triste, feliz, miedo, y el neutro. Se recogi la base de datos de la seal de
msica para esta obra a 44,1 KHz con 16 bits por muestra, recogida de varios
sitios web. Se extraen caractersticas MFCC de la seal de msica. Los
clasificadores SVM - AANN y se utilizaron para reconocer la emocin. El 80,0%
de los datos se utiliz para la formacin y el 20,0% para la prueba. Con el modelo
de AANN el rendimiento medio de reconocimiento es de aproximadamente 94,4%
y con el modelo SVM rendimiento del reconocimiento promedio es de 85,0%. El
resultado experimental muestra que el rendimiento del modelo AANN es mejor que
el modelo SVM. El trabajo futuro es mejorar el rendimiento de sistema de
reconocimiento de emocin mediante la combinacin con los otros mtodos. [9]
2.2ESTADO DEL ARTE
18
AUTORES
Danielle
Bragg
AO
2010
RESUMEN
Desarrolla mtodos para
cuantificar y presentar el
contenido emocional en
la msica.
A circumplex
model of affect.
[11]
James A.
Russell
1980
Se
presenta
una
metodologa donde se
prueban
asociaciones
que existe entre meloda
y el color.
Reconocimiento
de fotografas de
contenido
emocional:
Efectos de la
valencia cuando
se controla el
arousal. [12]
Jaime
Redondo y
Jos
Fernndez
Rey
2010
The
amg1608
dataset for music
emotion
recognition.[13]
Yu-An
Chen, YiHsuan
Yang, JuChiang
Wang
2015
Emotion
Recognition
in
Music
Signal
using AANN and
SVM.[9]
N.J.Nalini y
S.Palanivel
2013
APORTE
Aborda
cuantifica
el
contenido emocional de la
msica, y presenta un
mtodo
visual
para
presentar emocion: Juslin
y Laukka.
Permite obtener referencias
en los resultados obtenidos
mediantes
los
experimentos del modelo
cicumplejo aplicado por
Rusell.
Influencia de la valencia
emocional
sobre
el
reconocimiento
de
fotografas
contenido
emocional.
En este trabajo se
propone
un
nuevo
mtodo de bases de
datos musicales.
Desarrolla tcnica de
reconocimiento
de
msica
utilizando
MFCC
y
redes
neuronales.
Caracterizacin
de
los
coeficientes Mel en la
implementacin de una red
neuronal artificial.
Esta base terica o desarrollo terico abarca dos reas que son la msica y las
emociones en la msica. A continuacin se encontrara el desarrollo terico para
realizar este proyecto de investigacin.
2.3.1 Tonalidad En La Msica
19
20
pieza musical.[20]
21
por una onda sonora por unidad de rea normal a la direccin de propagacin.
[21]
La ira se caracteriza por tener un tiempo rpido, y un alto nivel de sonido, al igual
este tambin tiene mucha variabilidad de sonido y su tono es alto, el color que
identifica la ira segn estos autores es el rojo oscuro. [24]
2.4.2 Felicidad
El miedo se caracteriza segn los estudios por un tiempo rpido que se encuentra
debajo del nivel de un sonido, existe una variabilidad excesiva del nivel de sonido
y su nivel de tono es alto, se encuentra una variabilidad diminuta y hay un
aumento del contorno de tono, por lo tanto su color determinado es el amarillo.
[24]
2.4.4 Tristeza
22
bajo nivel de tono, el cual hace que haya una cada en la definicin de la afinacin.
El color que los identifica es el prpura y el azul, respectivamente. [24]
2.4.5 Teora Del Color Segn Eva Heller
La autora Eva Heller [1] realiz una encuesta a 2000 personas en Alemania donde
se les preguntaba cul era su color preferido, qu impresiones le poda causar un
color, cul no era de su gusto y qu colores asociaban normalmente a los distintos
sentimientos.
Dicha encuesta arroj 160 asociaciones de sentimientos e impresiones distintas
que iban del amor al odio, del optimismo a la tristeza, de la elegancia a la fealdad,
de lo moderno a lo anticuado todo relacionado con determinados colores. Los
resultados del estudio a su vez mostraron que la combinacin coloressentimientos no es algo accidental, que parten de experiencias universales como
experiencias que se viven desde la infancia en el lenguaje y pensamiento. [25]
En otros estudios realizados por Eva Heller, se definen otros colores para cada
emocin, estos colores fueron utilizados en las figuras geomtricas que se
presentan en la interfaz grfica teora que utilizan los autores Juslin y Laukka
Figura 1. Emociones Segn Eva Heller
Calma
Miedo
Ira
Felicidad
Fuente: Teora
Tristeza
23
FELICIDAD
Deban colocar las palabras alrededor del borde del crculo donde las palabras
opuestas describan sentimientos opuestos, y las palabras ms cercanas en el
crculo describan los sentimientos que son ms similares.
Se realiz una prueba piloto que constaba de 8 trminos y 8 categoras en donde
se deba categorizar mediante la asignacin de un puntaje:
24
La tabla 3
Emocionado
36
8
8
Contento
24
Triste
20
Con sueo
16
Despertado
Contento
23
19
10
Deprimido
11
18
Angustiado
19
25
CATEGORAS
Angus Miser
tia
ia
Place
r
21
15
Emoci
n
12
16
Excitaci
n
8
3
29
17
18
14
21
8
6
5
2
1
18
19
21
11
12
4
5
9
11
5
22
14
25
19
3
10
2
4
5
4
23
6
11
2
1
4
2
6
10
19
22
24
3
1
2
1
1
1
14
8
1
4
6
3
Depresi
n
Somnolen
cia
Satisfacci
n
5
2
1
3
1
1
1
17
26
34
32
3
4
29
26
32
7
6
26
29
26
26
Alegre
Contento
20
22
4
2
12
10
Otro trabajo, realizado por Manny San guillen, mide el estado emocional de una
persona a travs de la velocidad y posicin de algunos puntos sobre el brazo y la
mano, mientras se golpea una puerta. Esto con el fin de hacer verosmiles los
movimientos de los robots. [28]
El paradigma experimental que reina en la investigacin de la neurociencia
afectiva, postula que las emociones se pueden dividir en categoras discretas e
independientes y que las estructuras y las vas nerviosas especficas favorecen
cada una de estas categoras emocionales.
Esta teora de las emociones bsicas ha producido avances significativos en la
comprensin del afecto y sin embargo, en los campos de la psicologa clnica y la
psiquiatra, ha dejado sin resolver muchas cuestiones importantes. [29]
Figura 3. Modelo Circumplejo.
27
Alta excitacin
Alerta
Emocionado
Divertido
Entusiasmo
Encantado
Exaltado
Feliz
-1
Desagradable
-1
Estable
Baja excitacin
28
Agradable
Los investigadores saben desde hace tiempo la dificultad que tienen las personas
para evaluar, discernir, y la descripcin de sus propias emociones. Esta dificultad
sugiere que los individuos no experimentan o reconocen, emociones como
entidades discretas, aisladas, sino que ms bien reconocer las emociones como
experiencias ambiguas y superpuestas. [31]
Se ha realizado un estudio amplio y detallado de las intercorrelaciones entre las
experiencias emocionales, utilizando tcnicas estadsticas tales como el
escalamiento multidimensional y el anlisis factorial de los informes subjetivos de
palabras emocionales, caras, y experiencias. [32]
Estas dimensiones han sido conceptualizadas de diferentes maneras:
Dimensiones de afecto: positivo o negativo.
2.5.3 Vas De Excitacin Neuronal
Tlamo
Amgdala
Corteza parietal
Red reticular
Ansioso
Triste
Feliz
30Contentoo
Agradable: valencia.
Ansioso
Feliz
Agradable: valencia.
Desagradable: valencia.
Triste
Contento
Desagradable: valencia
Miedo
Enfado
Triste
Feliz
Emocionado
Contento
31
Agradable: valencia
3. DISEO METODOLGICO
32
Triangulo
Circulo
Estrella
Integracin interfaz-algoritmo
33
Salidas:
Im1
Im1=(520,1024)
1: for y = 1:1024
2: for y = 1:520
3:
r=sqrt((y-Cy ).^2 + (x-Cx).^2)
4:
if r<40 & r>35
5:
Im1(x,y,1)=0
6:
Im1(x,y,2)=0
7:
Im1(x,y,3)=1
8:
end
34
9:
10:
11:
12:
13:
14:
15:
16:
17:
18:
19:
20:
if
r<35
Im1(x,y,1)=0
Im1(x,y,2)=1
Im1(x,y,3)=1
end
if r>40
Im1(x,y,1)=1
Im1(x,y,2)=0
Im1(x,y,3)=1
end
end
end
Salidas:
Im1
Salidas:
35
cx=512
IMS
cy=20
r=50
ANG=[pi/4 3*pi/4 3*pi/2]
ANG2=[pi/2 7*pi/4 5*pi/4]
1: for u = 1:20
2:
cy=round(2*(rand(1)-0.5)*((256-r-1)))
3:
cx=round(2*(rand(1)-0.5)*(512-r-1))
4:
[IMS,dircamb]=dibtrian(cx,cy+15,r,[0,1,0],[1 1 1],ANG,1)
5
[IMS2,dircamb2]=dibtrian(cx,cy,r,[0,1,0],[1 1 1],ANG2,0)
6:
if ikk=1:length(dircamb2(:,1))
7:
IMS(dircamb2(ikk,1),dircamb2(ikk,2),1)=IMS2(dircamb2(ikk,1),dircamb2(ikk,2),1)
8:
endif
9:
imshow(IMS)
10: end
Salidas:
Im1
1: for u = 1:20
2: cy=round(2(rand(1)-0.5(y-r-1))
3: cx=round(2(2(rand(1)-0.5(y-r-1))
4:
if ikk=1:tamaomatriz(IMS(:,1))
5:
IMS(dircamb(ikk,1),dircamb(ikk,2),1=IMS2(dircamb(ikk,1),dircamb(ikk,2),1)
6:
end
36
INTERFAZ GRFICA
Potencias
para el
37
Tabla 5. Figuras
FIGURAS
POTENCIAS
Geomtricas
Bajas
Media - bajas
Medias Altas
Altas
0-800 Hz801-1500 Hz
2501-3000 Hz
1501-2500 Hz
38
FFT
Seal a parametrizar
DCT
MFCC
Logaritmo
Envolvente
39
40
41
42
Color Background
43
Los colores del background se obtuvieron con los ngulos de hsi (ver figura 25) y
el vector de salida de la red neuronal y con base en esto se hall cinco ecuaciones
para dar mayor precisin.
Figura 17. ngulo HSI
Para calcular las ecuaciones se realiz una tabla de dos columnas en donde la
primera columna expresaba los grados que maneja hsi para dar los colores y en la
segunda el vector de salida de la red neuronal, teniendo en cuenta que los colores
de cada cuadrante se encuentran definidos de la siguiente manera: cuadrante I
amarillo, cuadrante II verde, cuadrante III azul y por ltimo el cuadrante IV rojo.
Si y 0 y <1
44
Si y >4.45 y5
ygrado=125 y145
Si y >4.45 y5
45
Rabia
Felicidad
Rammstein Du hast
Death Open casket
Swans Raping a slave
Valence
-1
Willie Nelson Blue eyes crying in the rain
Robert Johnson Come on in my kitchen
The Rolling Stones No expectations
Bobby Blue Bland Stormy monday blues
The Auteurs Junk shop clothes
Nick Drake Time has told me
Tom Waits Downtown train
Elvis Costello God give me strength
Scud Mountain Boys In a ditch
George Jones A good year for the roses
III
-1
Arousal
Tristeza
Calma
46
47
1.0000
0.8000
0.6000
0.4000
0.2000
0.0000
1 2 3 4 5 6 7 8 9 10 11 12 13
-0.2000
-0.4000
-0.6000
-0.8000
-1.0000
Calma
Rabia
Tristeza
Felicidad
Miedo
Entrenamiento Red
48
49
4.2ANLISIS DE RESULTADOS
Amarillo
Verde
Azul
Fucsia
Rojo
Efectividad
Goody Two
Shoes
29
26
27
33%
Efectividad 10
segundos
(entrenamiento)
100%
Barbie Girl
10
39
25
10
11
41%
100%
Splish Splash
28
17
15
42,4%
75%
American Girl
28
26
29
28,6%
100%
Groove Is In
The Heart
I Know You
Got Soul
Days In The
Hole
Basket Case
44
46
29
32,1%
75%
53
57
23
37,9%
100%
10
37
38
23
32,7%
75%
21
28
28
24,4%
25%
25
26
17
35,2%
66,7%
Doo Wah
Diddy Diddy
Chili
5
25
34
3
26
26,9%
Peppers
Higher
Ground
Fuente: Prueba red neuronal canciones cuadrante I. Autoras.
50
25%
Cuadrante I - Felicidad
60
50
40
30
20
10
0
Cancin 1
Cancin 2
Cancin 3
Cancin 4
Cancin 5
Cancin 6
Cancin 7
Cancin 8
Cancin 9
Cancin 10
Amarillo
Verde
Azul
Fucsia
Rojo
Efectividad
Bang Your
Head
Wish
Mudhoney
Unsung
Gun Club
In My Eyes
In The
Meantime
Rise Above
Accept
Kid Rock
10
27
41
56
39,1
Efectividad 10
segundos
(entrenamiento)
100%
12
7
12
13
7
12
11
25
17
26
15
13
29
25
36
45
22
21
4
2
7
10
2
10
53
51
46
71
32
35
48,6%
46,4%
39%
43%
41%
38,5%
75%
100%
50%
100%
50%
75%
4
15
8
19
24
20
13
34
44
1
11
6
34
43
56
47,9%
33,9%
42%
100%
100%
100%
51
Cuadrante II - Rabia
80
60
40
20
0
Cancin 1
Cancin 2
Cancin 3
Cancin 4
Cancin 5
Cancin 6
Cancin 7
Cancin 8
Cancin 9
Cancin 10
Amarillo
Verde
Azul
Fucsia
Rojo
Efectividad
Rammstein
Du Hast
26
11
41
19
25,2%
Efectividad 10
segundos
(entrenamiento)
50%
Death
31
29
59
23,1%
100%
Rapinga
Slave
28
17
26
41
24,6%
75%
El miedo al igual que la rabia comparte el mismo cuadrante II, lo que difiere entre
ellas es que en el miedo predomina el amarillo. En estas melodas se evidencia
que en los diez segundos representativos estuvieron compartidos los colores
amarillo y rojo en cada una de ellas.
Figura 154. Canciones cuadrante II.
Cuadrante II - Miedo
Cancin 1
100
50
0
Cancin 2
Cancin 3
52
En este cuadrante (ver tabla 10), que representa la emocin tristeza en cada una
de las melodas durante su entrenamiento en la red neuronal tuvo una buena
efectividad por lo cual predomin el color azul caracterstico de esta emocin.
Tabla 10. Prueba red neuronal canciones cuadrante III.
CUADRANTE III (Tristeza)
Cancin
Amarillo
Verde
Azul
Fucsia
Rojo
Efectividad
Blue Eyes
Crying
InTheRain
Come On In
My Kitchen
No
Expectations
Stormy
Monday Blues
Junk Shop
Clothes
Time Has Told
Me
Down town
Train
God Give Me
Strength
Ina Ditch
10
17
48
18
47,5%
Efectividad 10
segundos
(entrenamiento)
75%
18
48
60,1%
100%
26
60
27
47,2%
100%
25
61
10
15
51,7%
100%
10
46
14
48,9%
66,7%
15
67
13
26
51,9%
75%
20
60
19
53,1%
100%
11
40
105
12
58
46,5%
50%
18
34
15
43%
75%
A Good Year
For The
Roses
14
57
11
60%
75%
53
Cancin 1
Cancin 2
Cancin 3
Cancin 4
Cancin 5
Cancin 6
Cancin 7
Cancin 8
Cancin 9
Cancin 10
Amarillo
Verde
Azul
Fucsia
Rojo
Efectividad
Surfer Girl
11
34
16
21,1%
Efectividad 10
segundos
(entrenamiento)
75%
Just The
Way You Are
15
51
33
14
27,2%
75%
The59th
Street
Bridge Song
Put Your
Dreams
Away
LaLaMeansI
LoveYou
C930Freedo
mOf76
Alli have to
do is dream
I'veGotaCru
shon You
21
10
20,8%
100%
19
10
22,7%
100%
11
46
16
21
16,3%
66,7%
23
24
17
10
21,5%
25%
21
22
33,3%
66,7%
12
32
21
14
25,3%
66,7%
Sweet
Lorraine
15
20
15
13
22,4%
100%
How Deep Is
The Ocean
11
39
21
16
22,6%
100%
En el cuadrante IV (ver tabla 11) que indica la emocin calma con su color
caracterstico como es el fucsia durante el entrenamiento de los diez segundos
ms representativos de cada una de las melodas
Cuadrante IV - Calma
60
40
20
Cancin 1
Cancin 2
Cancin 3
Cancin 4
Cancin 5
Cancin 6
Cancin 7
Cancin 8
Cancin 9
Cancin 10
0
Amarillo
54
EFECTIVI
DAD POR
CUADRA
NTE (%)
19%
EFECTIVI
DAD
TOTAL
(%)
30,70%
40%
22%
57,10%
20%
61,50%
19%
30,70%
19%
EMOCIN
AZ
UL
VER
DE
AMARIL
LO
FUCS
IA
ROJ
O
CALMA
Carlos Nakai Canyon Reverie1
FELICIDAD
F.jerry_lee_lewis_
great_
balls_of_fire
RABIA
R.Babes_in_Toyla
nd__Bruise_Violet
TRISTEZA
Sweet Dreams...
PATSY CLINE 1963
MIEDO
Atari Teenage
Riot Deutschland (Has
Gotta Die!)
55
Efectividad
CALMA
10
FELICIDAD
RABIA
TRISTEZA
MIEDO
AZUL
ROJO
Esta investigacin tuvo como propsito relacionar por medio de una red neuronal
artificial la relacin que existe entre cuadrantes y cancin segn arousal versus
valencia. Donde una medida importante en la msica es el tono de manera que
caractersticas de diversas melodas diferencien la percepcin de emociones
producidas por la msica.
Este estudio estuvo enfocado en las emociones existentes en la msica, que fue
comparado con trabajos realizados por los autores Juslin y laukka, Eva hller con
su psicologa del color y la relacin Arousal versus Valencia. En esta tesis se han
descrito el uso de Redes neuronales artificiales como va de clasificacin de las
emociones presentes en una meloda, ajustando parmetros propios de ella como
Performance, nmero de capas, tipo de entrenamiento de red. Por otro lado, los
datos que se ingresaron a la red se le extrajeron frecuencias MEL ya que
aportaron datos relevantes para esta investigacin, dichos datos fueron
normalizados con coeficientes de Pearson para su posterior ingreso a la red
neuronal artificial a implementar. Una de las dificultades encontradas en el proceso
estuvo en la normalizacin de los datos y en el entrenamiento de la red, ya que la
salida de dicha red no arrojaba los puntos ptimos para que se pudiera
implementar posteriormente.
A continuacin, se presenta una discusin global de los resultados obtenidos:
56
57
58
BIBLIOGRAFA
[1] E. Heller, Psicologa del Color, Cmo actan los colores sobre los sentimientos
y la razn, Editorial Gustavo Gili, 1a edicin, 2014.
[2] H. F. Olson, Music, Physics and Engineering (Dover Books on Music), Second
Edition.
[3] F. J. G. Compen, Tonalidad Sinestsica: Relaciones entre la tonalidad de la
msica y del color a travs de una propuesta personal, Guanajuato-Mxico, 2011.
[4] P. D. J. M. G.-M. Gema Soria- Urios, Msica y Cerebro: Fundamentos
Neurocienificos y trastornos musicales, Neurol, vol. 52, pp. 45-55, 2011.
[5] Plutchik,R. Emotion: A Psychoevolutionary synthesis. New York: Harper Row,
1980.
[6]Russell James A., Barrett F. Lisa. Core Affect, Prototypical Emotional Episodes,
and Other Things Called Emotion: Dissecting the Elephant, Journal of Personality
and Social Psychology. Vol. 76. No. 5: 805819, (1999).
[7] Ekman P. Argumento de las emociones bsicas. Cognicin y la emocin.6:169200.1992.
59
[8] Fridja NH. Las emociones. Nueva York: Raven Press; Cambridge University
Press; 1986.
[9]N.J.Nalini, S.Palanivel. Emotion Recognition in Music Signal using AANN and
SVM. Tamilnadu, India: International Journal of Computer Applications (0975
8887) Volume 77 No.2, September 2013.
[10]Danielle Bragg. Quantification and Display of Emotions in Music. Cambridge,
Massachusetts: Harvard College - 2010.
[11]James A Rusell. A Circumplex Model of Affect. Vancouver, Canada: University
of British Columbia. Journal of personality and social psychology Vol 39, No.6,
1161-1178,1980.
[12]Jaime Redondo, Jos Fernndez-Rey. Reconocimiento de fotografas de
contenido emocional: Efectos de la valencia cuando se controla el arousal.
Espaa: Universidad de Santiago de Compostela. Psicolgica, 31, 65-86,(2010).
[13]Yu-An Chen, Yi-Hsuan Yang, Ju-Chiang Wang, Homer Chen. The AMG1608
Dataset for Music Emotion Recognition. Taiwan: National Taiwan University.2015.
[14]Compen, F. J. Tonalidad sinestsica: Relaciones entre la tonalidad y del color
a travs de una propuesta personal. Mxico: Universidad politcnica de valencia.
(2011).
[15]
60
[18] ARIZA, Javier. Las imgenes del sonido. Cuenca: Ediciones de la Universidad
de Castilla-La Mancha. 2003.
[19] P.N. Juslin and P. Laukka. Communication of emotions in vocal expression and
music performance: Different channels, same code. Psychological Bulletin,
129(5):770814, 2003.
[20] Metzger, Heinz-Klaus y Reiner Riehn (directores).El problema de la
interpretacin, Editorial Labor S. A., Barcelona, 1992.
[21] Chion, Michel, El sonido, Editorial Paids, Barcelona. (1999).
[22] Tarchini, G. Anlisis musical: sintaxis, semntica y percepcin. Buenos Aires:
el autor. (2004).
[23] Juslin, PN. Cmo mejorar la comunicacin emocional en la interpretacin
musical. En SW Yi (Ed.), Actas de la V Conferencia Internacional de Msica
Percepcin y Cognicin (pp. 387-392). Sel, Corea: Universidad Nacional de Sel.
(1998)
[24]P.N. Juslin and P. Laukka. Communication of emotions in vocal expression and
music performance: Different channels, same code?. Psychological Bulletin,129
(5):770814, 2003.
[25]E. Heller, Psicologa del Color, Cmo actan los colores sobre los sentimientos
y la razn, Editorial Gustavo Gili, 1a edicin , 2014.
[26]James A Rusell. A Circumplex Model of Affect. Vancouver, Canada: University
of British Columbia. Journal of personality and social psychology. Vol 39, No.6,
1161-1178.1980.
[27]Posner Jonathan, Russell James, Peterson Bradley. The circumplex model of
affect: An integrative approach to affective neuroscience, cognitive development,
and psychopathology, Development and Psychopathology Vol. 17: 715734,2005.
61
social. Vol. 13. Newbury Park, CA: Sage; 1992. pp. 25-59.
[29]Peter Christian, Herbon Antje.Emotion representation and physiology
assignments in digital systems, Interacting with Computers, Vol 18: 139
1702.2006.
[30]Fagerberg Petra, Sthl Anna, Hk Kristina (2004). eMoto: emotionally
engaging interaction, Personal and Ubiquitous Computing, vol 8: 377381
[31] Russell JA, Fehr B. conceptos borrosos en una jerarqua difusa: Variedades
de ira. Journal of personality and social psychology.1994; 67:186-205
[32] Fernndez-Dols JM, Ruiz-Belda MA. En: Russell JA, Fernndez-Dols JM,
editores. La psicologa de la expresin facial. Nueva York: Cambridge University
Press; 1997. pp. 255-274.
[33] Saarni C. El desarrollo de la competencia emocional. Nueva York: Guilford
Press; 1999.
[34] L. D. Caamero (2003). Designing Emotions for Activity Selection in
Autonomous Agents, eds., Emotions in Humans and Artifacts, Cambridge, MA: The
MIT Press: 115148.
62
63