CARACTERIZACIN EMOCIN MUSICAL UTILIZANDO FRECUENCIAS MEL

EN COMPONENTES PRINCIPALES REPRESENTADAS CON VARIACIN DE

COLORES Y FORMAS GEOMTRICAS CLASIFICADAS POR UNA RED
NEURONAL

ISABEL CRISTINA PORTILLO AGUILAR

MARIA ALEJANDRA SUAREZ ROMERO
LINA MARCELA NUEZ MAESTRE

Director
MIE Carlos Andrs Nio Nio

UNIVERSIDAD MANUELA BELTRN

FACULTAD DE INGENIERAS
INGENIERA BIOMDICA
BUCARAMANGA
2016

CARACTERIZACIN EMOCIN MUSICAL UTILIZANDO FRECUENCIAS MEL

EN COMPONENTES PRINCIPALES REPRESENTADAS CON VARIACIN DE
COLORES Y FORMAS GEOMTRICAS CLASIFICADAS POR UNA RED
NEURONAL

ISABEL CRISTINA PORTILLO AGUILAR

MARIA ALEJANDRA SUAREZ ROMERO
LINA MARCELA NUEZ MAESTRE

Trabajo de grado para optar al ttulo en Ingeniero Biomdico

Director
MIE Carlos Andrs Nio Nio

UNIVERSIDAD MANUELA BELTRN

FACULTAD DE INGENIERAS
INGENIERA BIOMDICA
BUCARAMANGA
2016

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

Director del programa de Ingeniera Biomdica

ING. CAMILO ERNESTO TORRES TRUJILLO

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

PLANTEAMIENTO DEL PROBLEMA........................................................14

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

ESTADO DEL ARTE...................................................................................18

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

EXPRESIN EN LA EJECUCIN MUSICAL............................................22

2.4.1

Ira.........................................................................................................23

2.4.2

Felicidad...............................................................................................23

2.4.3

Miedo...................................................................................................23

2.4.4

Tristeza................................................................................................23

2.4.5

Teora Del Color Segn Eva Heller......................................................23

2.5

El MODELO DE AFECTO CIRCUMPLEJO...............................................25

2.5.1

Teoras De Las Emociones Bsicas....................................................29

2.5.2

El Modelo De Circumplejo Afectar.......................................................30

2.5.3

Vas De Excitacin Neuronal...............................................................30

2.6

AROUSAL VERSUS VALENCIA................................................................31

2.6.1

Interacciones Cognitivas Con Los Sistemas De Valencia Y Arousal. .31

2.6.2

Implicaciones Para La Neurociencia Afectiva.....................................31

2.6.3

Correlatos De Desarrollo Del Circumplejo...........................................32

3. DISEO METODOLGICO..............................................................................33
3.1

TIPO DE INVESTIGACIN........................................................................33

3.2

DISEO DE INVESTIGACIN..................................................................33

3.3

TCNICAS E INSTRUMENTOS DE RECOLECCIN DE DATOS...........34

3.4

TCNICAS DE PROCESAMIENTO Y ANLISIS DE DATOS...................34

3.4.1

Creacin De Formas Geomtricas......................................................34

3.4.2

Interfaz Grfica....................................................................................37

3.4.3

Potencias.............................................................................................38

3.4.4

Coeficientes Cepstrales En Las Frecuencias De Mel (MFCCS).........39

3.4.5

Envolvente...........................................................................................40

3.4.6

Conversin de RGB a HSI...................................................................44

3.4.7

Color Background................................................................................44

3.5

CANCIONES POR CUADRANTES...........................................................46

4. RESULTADOS..................................................................................................47
4.1

PRESENTACIN DE RESULTADOS........................................................47

4.1.1

Matriz De Entrada Red Neuronal........................................................47

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. DESCRIPCIN DEL PROYECTO

En este captulo se presenta la estructura del trabajo y se plantean los objetivos de

la investigacin, con su respectiva justificacin para dar cumplimiento a estos.

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

segn los autores mencionados anteriormente. Se seleccionaron cuarenta y tres

(43) canciones, las cuales
datos

fueron extradas de un banco de msica o base de

AMG1608, reconocimiento de la emocin de la universidad nacional de

Taiwn. Estas se categorizaron segn las emociones y cuadrantes del modelo

circumplejo propuesto por James Russell 1980, (Arousal vs Valencia). En donde
por medio de estas caracterizaciones a cada una de las cuarenta y tres (43)
canciones que fueron seleccionadas se eligieron los diez (10) segundos ms
representativos de cada una, y a la muestra de diez segundos de cada cancin se
le calcularon los coeficientes cepstrales en las frecuencias de MEL (MFCCs) en
intervalos de dos segundos, posteriormente se aplic la tcnica Coeficiente de
Correlacin de Pearson a la salida de los coeficientes cepstrales de MFCCs, la
matriz arrojada de realizar este ejercicio es la de entrenamiento en la Red
Neuronal Artificial de tipo AANN hasta alcanzar los resultados ms ptimos para
ser implementada mediante parmetros definidos como un performance, nmero
de capas y el tipo de entrenamiento de red.
El presente trabajo de investigacin cuenta con cuatro captulos, los cuales sern
puntualizados brevemente a continuacin: en el primer captulo se presenta la
estructura del trabajo y se plantean los objetivos de la investigacin con su
respectiva justificacin para dar cumplimiento a estos, en el segundo captulo se
encuentran

las bases tericas de la investigacin segn los autores Juslin y

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

1.2 PLANTEAMIENTO DEL PROBLEMA

Una medida

importante en la msica es el tono de tal forma que las

caractersticas de las distintas melodas diferencian la percepcin de las

sensaciones producidas por la msica, el cual es una aspecto importante para que
con el tono se modifique la relacin de colores en formas geomtricas la cual ser
representada en una interfaz grfica, mediante la extraccin de caractersticas
como Coeficientes Cepstrales en las Frecuencias de Mel (MFCCs), coeficiente de
correlacin de Pearson, potencias y envolvente, donde cada una de estas estn
presentes en las meloda usando componentes principales para ser entrenada en
una red neuronal artificial (RNA).

1.3 PREGUNTA DE INVESTIGACIN

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

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) con la cual se pretende clasificar
las canciones que representan una emocin segn los aportes tericos de los
autores Justin y Lauca.

1.5OBJETIVOS

Los objetivos planteados para el desarrollo del proyecto de investigacin se

definen a continuacin:
1.5.1 Objetivo General

Caracterizar los tonos de una cancin para representarlos en variaciones de

colores distribuidos una interfaz grfica mediante componentes principales y
frecuencias MEL para reducir la dimensionalidad de esta y clasificarlas en una red
neuronal.

1.5.2 Objetivos Especficos

Implementar frecuencias MEL como factor determinante en la extraccin del

tono para representarlo en una interfaz grfica mediante la variacin de colores
representados en formas geomtricas.

Categorizar las emociones presentes en la msica mediante un banco de

canciones basados en cuadrantes arousal y valencia para ser clasificados en
una red neuronal.

16

Analizar los componentes principales de las frecuencias MEL para reducir la

dimensionalidad de esta para ser clasificada en una red neuronal.
2. MARCO TERICO

En este tem se encuentra la revisin bibliogrfica realizada para la ejecucin del

presente trabajo de investigacin, recopilando informacin de los autores como
Justin y Lauca, teora del color de Eva Hller y el modelo circunflejo por James
Russell.
2.1ANTECEDENTES DE LA INVESTIGACIN

En 1970 Robert Plutchik describe las emociones como procesos de adaptacin

que colaboran en la supervivencia de los seres vivos y distingue ocho emociones
principales. [5]
Tabla 1. Funciones de las emociones
Lenguaje subjetivo
Miedo
Ira
Alegra
Tristeza
Confianza
Sorpresa
Anticipacin
Asco

Lenguaje funcional
Proteccin
Destruccin
Reproduccin
Reintegracin
Afiliacin
Exploracin
Exploracin
Rechazo

Fuente: Funciones de las emociones [5]

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

En este tem se encuentra la revisin bibliogrfica realizada para la ejecucin del

presente trabajo de investigacin.

18

Tabla 2. Estado del arte

TTULO
Quantification and
display of
emotions in
music,
Cambridge.[10]

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

El objetivo era examinar

los
efectos
de
la
valencia
emocional
sobre el reconocimiento
de fotografas con un
intervalo
corto
de
retencin.

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.

Base musical que se

compone de 1608 clips de
30 segundos de msica
anotado por 665 sujetos
clasificando cada una de
las canciones segn las
emociones presentes en el
plano arousal vs valence.

Desarrolla tcnica de
reconocimiento
de
msica
utilizando
MFCC
y
redes
neuronales.

Caracterizacin
de
los
coeficientes Mel en la
implementacin de una red
neuronal artificial.

Fuente: Estado del arte. Autoras.

2.3BASES TERICAS

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

El concepto de tonalidad jerarquiza los tonos y los colores en las disciplinas de la

msica y el arte visual hasta la actualidad. Esta caracterstica contribuye a
establecer la funcionalidad de los elementos presentes en una pieza musical o en
un espacio bidimensional o tridimensional, determinado por los colores que le
ocupan. Con el concepto de una Tonalidad Sinestsica, se har referencia a una
relacin de correspondencias entre sonidos afinados y colores condicin clnica
conocida como Sinestesia [14].
2.3.2 Amplitud

Se refiere a la intensidad de lo que se escucha, ya que depende de la altura que

alcance las ondas sonoras con respecto a la posicin de equilibrio cuando no
vibran.
Las sensaciones que se puedan percibir son muy subjetivas, porque todo
depende, de la anatoma del odo de cada persona. Existe una forma prctica para
medir la amplitud sonora, y es con decibelios, en donde se puede escuchar el
silencio a cero decibelios (0 db). Por ejemplo una conversacin a una distancia
promedio de tres metros se escucha a 45 db, una orquesta sinfnica en el teatro
marcara alrededor de 70 db, una calle con mucho ruido de trfico alcanza los 90
db. [15]
2.3.3 Frecuencia

Principalmente est determinada por el nmero de oscilaciones por segundo que

produce una onda sonora. La frecuencia de un sonido determina tono o altura, se
dice que a mayor nmero de hertzios

el sonido ser ms agudo y a menor

nmero de hertzios el sonido ser grave.

Existen los umbrales de percepcin humana de la frecuencia sonora que estn
entre los 20 Hz y 20,000 Hz, estos varan en el individuo o persona,
proporcionalmente estn relacionados con la amplitud de la presin sonora. [16]
2.3.4 Timbre

20

El Timbre de un sonido, es comnmente definido como la caracterstica que hace

que dos sonidos que estn en la misma frecuencia y amplitud, se escuchen
diferentes, usualmente se considera como el color propio de un instrumento
musical, o de una voz. El timbre de un sonido es determinado por los armnicos
que le acompaan, en realidad en la naturaleza ninguna frecuencia sonora es
escuchada sola de forma pura si no que va acompaada por una serie de
frecuencias secundarias (armnicos) las cuales determinan la forma de la onda
sonora[17].
Hay ms factores en juego cuando se habla del timbre en el sonido, los cuales se
encuentran en relacin unos con otra llamada envolvente, de manera muy
somera se podra mencionar cuatro:
1. Ataque: Tiempo que tarda una onda sonora desde el momento en que es
iniciada la vibracin de la misma, al momento en el que alcanza su mayor amplitud
sonora.
2. Cada: Tiempo que tarda la onda sonora para volver al estado de equilibrio (0
db) despus del punto mximo de amplitud sonora.
3. Sostenimiento: Tiempo que la onda sonora permanece estacionaria en la misma
amplitud.
4. Liberacin: Tiempo que tarda la onda sonora para ir del sostenimiento al estado
de equilibrio (0 db). [18]
2.4EXPRESIN EN LA EJECUCIN MUSICAL

El estudio de Juslin y Laukka, afirman que existen 5 emociones que predominan

en la msica (Ira, Miedo, Felicidad, Tristeza, calma), dichos autores presentan
unas series de propiedades fundamentales para retratar las emociones: [19]

El tiempo: es la velocidad con que debe ejecutarse una

pieza musical.[20]

21

Nivel del sonido: es la potencia acstica transferida

por una onda sonora por unidad de rea normal a la direccin de propagacin.
[21]

Articulacin: es la forma en que se produce la

transicin de un sonido a otro o bien sobre la misma nota. [22]

Variacin: tcnica compositiva en que un tema se

repite con cambios a lo largo de una pieza.[23]

Contraste: aporta la variedad a la msica, y evita que

una msica sea demasiado aburrida y repetitiva.[23]
A continuacin se muestra las caracterizaciones que Juslin y Laukka ofrecen a las
emociones que se tratan en el presente trabajo.
2.4.1 Ira

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

Esta emocin se representa a travs de un tiempo rpido, y pasa de un sonido de

medio nivel a un alto nivel, tambin descubren que existe una variabilidad de tono
y hay una afinacin al momento de definicin. El color que fue determinado segn
los conocimientos de estos autores para esta emocin fue un verde vibrante. [24]
2.4.3 Miedo

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

Por ltimo ellos encuentran que la tristeza y la ternura, se comunican a travs de

un tiempo lento, y un bajo nivel de ruido, existe poca variabilidad de sonido, y un

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

del color. [25]

23

FELICIDAD

2.5El MODELO DE AFECTO CIRCUMPLEJO

Tras revisiones bibliogrficas sobre la validez del modelo circumplejo de Russell

se acert con un modelo el cual consista en una clasificacin por categoras de 28
trminos que describen sus estados de nimo, sentimientos, estados temporales,
afecto o emociones. 36 estudiantes de la Universidad de la Columbia Britnica, de
ambos sexos se ofrecieron para participar en la investigacin. [26]
La tarea asignada para este grupo de estudiantes bsicamente se trataba de
colocar las ocho categoras: placer, emocin, excitacin, angustia, miseria,
depresin, somnolencia y satisfaccin en orden circular, por ejemplo.
Figura 2. Modelo Circumplejo de Russell.

Fuente: Modelo circumplejo de Russell. [26]

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:

1 a la distancia entre los trminos colocado adyacente en el crculo.

2 a la distancia entre los trminos colocados opuesto en el crculo.

Se concluye que los 8 trminos se correlacionan con las 8 categoras, las 36

correlaciones variaban entre 0.19 y 1.00, en donde diez de las 36 correlacione era
1.00, lo que result 10 sujetos cuyos ordenamientos circular era perfectamente
sincronizado. Por lo tanto, sera un 27% de validez de esta prueba piloto [26].

24

La tabla 3

presenta las frecuencias con la que las personas colocan las

categoras de emociones en las ocho ranuras alrededor del crculo.

Nota: Las 28 palabras fueron escogidas por la tcnica en las que los sujetos se
basara, no en sus estados afectivos actual, sino en su representacin interna del
afecto.

Tabla 3. Modelo circumplejo de Russel 1

POSICIN DEL CIRCULO
TRMINOS

Emocionado

36

8
8

Contento

24

Triste

20

Con sueo

16

Despertado

Contento

23

19

10

Deprimido

11

18

Angustiado

19

Fuente: Modelo circumplejo de Russell. [26]

Se realiz el proceso como se plane con 28 trminos y 8 categoras a los cuales

haba que realizarle el mismo proceso descrito anteriormente.
En conclusin, los resultados arrojados demostraron que en la tabla 4, los 28
trminos carecan de lmites precisos ya que un trmino puede situarse en
diferentes categoras. Por lo tanto, el porcentaje de validez del experimento es
muy similar al resultado de la prueba piloto, ya que los trminos se correlacionan
con las categoras al clasificarlos, por ejemplo: el trmino felicidad fue clasificado
en 4 categoras (felicidad, emocin, excitacin y satisfaccin)[26].
Mediante el uso del modelo circumplejo se han realizado aportes en medicina, en
psicologa, en el anlisis del lenguaje y en msica, entre otros campos. Trabajos
ms cercanos al tema del artculo son la medicin del estado emocional de una

25

persona y el cambio de las caractersticas de presentacin de la pantalla en un

telfono mvil; [27] tambin, la medicin del estado emocional de un jugador, con
el fin de cambiar las caractersticas de un juego de video.

Tabla 4. Modelo circumplejo de Russell 2

Trmino
s
Felicidad
Encantad
o
Emociona
do
Asombra
do
Desperta
do
Tenso
Alarmado
Enojado
Asustado
Irritado
Afligido
Frustrado
Miserable
Triste
Melancli
co
Deprimid
o
Aburrido
Cado
Cansado
Soolient
o
Calma
Relajado
Satisfech
o
A gusto
Contenid
o
Sereno

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

Fuente: Modelo circumplejo de Russell. [26]

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

Fuente: Modelo circumplejo. Autoras.

2.5.1 Teoras De Las Emociones Bsicas

28

Agradable

La teora dominante de la emocin en la investigacin psiquitrica y neurociencia

postula que los seres humanos estn evolutivamente dotados de un conjunto
discreto y limitado de emociones bsicas. [30]
Otras emociones se producen a travs de la activacin de las vas neuronales
separadas distintas del sistema de miedo, y del mismo modo que producen
sensaciones subjetivas, los patrones de los sistemas nerviosos perifrico y los
comportamientos asociados con ese estado emocional especfico. [30]

2.5.2 El Modelo De Circumplejo Afectar

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

En la siguiente imagen se observa la ruta que realiza el cerebro al recibir un

estmulo sensorial.
RED DE EXCITACIN

Figura 4. Vas de Excitacin Neuronal.

Estmulo sensorial

Tlamo

Amgdala

Corteza parietal

Corteza sensorial primaria

29
Corteza de asociacin
Corteza frontal

Red reticular

Fuente: Designing Emotions for Activity Selection in Autonomous Agents. [34]

2.6AROUSAL VERSUS VALENCIA

En el siguiente tem se explica la tcnica que se utiliz para la clasificacin de las

emociones.
2.6.1 Interacciones Cognitivas Con Los Sistemas De Valencia Y Arousal

Los psiclogos sociales han sealado desde hace tiempo la importancia de la

evaluacin cognitiva en la experiencia afectiva, con factores contextuales e
idiosincrsicos que influyen significativamente auto-informes de la experiencia
afectiva. [33]
El auto-informes de los estados afectivos pueden variar dramticamente cuando
se alteran las claves contextuales, incluso cuando el ncleo de las respuestas
fisiolgicas a esas seales es idnticos. [33]
Los hallazgos empricos preliminares sugieren que la corteza prefrontal puede
servir a la funcin de interpretar las sensaciones de placer y excitacin dentro de
diferentes contextos situacionales, que culmina en la experiencia subjetiva de una
emocin especfica dentro de un particular, situacional e histrico contexto. [34]

2.6.2 Implicaciones Para La Neurociencia Afectiva

Alta excitacin: arousal.

Figura 5. Implicaciones para la Neurociencia Afectiva.

Desagradable: valencia.

Ansioso
Triste

Feliz

30Contentoo

Baja excitacin: arousal.

Agradable: valencia.

Fuente: El desarrollo de la competencia emocional.[33]

Figura 6. Implicaciones para la Neurociencia Afectiva.

Alta excitacin: arousal.

Ansioso

Feliz

Agradable: valencia.

Desagradable: valencia.

Triste

Contento

Baja excitacin: arousal.

Fuente: El desarrollo de la competencia emocional. [33]
2.6.3 Correlatos De Desarrollo Del Circumplejo

Los estudios de comportamiento de los circumplejo afectivos han demostrado que

los conceptos y experiencias de emocin difieren a travs de las edades y etapas
de desarrollo.
Figura 72. Correlatos de Desarrollo del Circumplejo.
Alta excitacin: arousal

Desagradable: valencia

Miedo
Enfado
Triste

Feliz
Emocionado
Contento

31

Baja excitacin: arousal

Agradable: valencia

Fuente: El desarrollo de la competencia emocional. [33]

3. DISEO METODOLGICO

En el siguiente captulo se encontrar el diseo metodolgico utilizado para el

desarrollo del presente trabajo de investigacin.
3.1TIPO DE INVESTIGACIN

El presente proyecto de investigacin es de enfoque cualitativo ya que se vale de

la percepcin que cada persona tiene con respecto al color.
3.2DISEO DE INVESTIGACIN

32

En el diagrama que se presenta a continuacin se describen las fases de la

investigacin.
Figura 8.3 Diseo de Investigacin.
Bases tericas
Interfaz con figuras geomtricas

Triangulo

Circulo
Estrella

Algoritmo variables tonales

Integracin interfaz-algoritmo

Extraccin canciones de base de datos AMG1608

Categorizacin de emociones segn Arousal versus Valencia

Entrenamiento Red Neuronal

Implementar programa para ejecutarlo

Fuente: Diseo de investigacin. Autoras.

3.3TCNICAS E INSTRUMENTOS DE RECOLECCIN DE DATOS

Para el entrenamiento de la Red Neuronal Auto Asociativa (AANN). Se utilizaron

cuarenta y tres (43) canciones de la base de datos AMG1608, reconocimiento de
la emocin de la universidad nacional de Taiwn. Los cuadrantes estn
determinados de la siguiente manera: para el primer cuadrante felicidad, de esta
emocin se seleccionaron (10) canciones, segundo cuadrante rabia (10)
canciones y miedo (3) canciones, tercer cuadrante tristeza (10) canciones y en el
cuarto cuadrante calma (10) canciones.

33

3.4TCNICAS DE PROCESAMIENTO Y ANLISIS DE DATOS

Para el entrenamiento de la Red Neuronal Auto Asociativa (AANN) se ingres una

matriz con los coeficientes de correlacin de Pearson calculados de las
frecuencias mel de las cuarenta y tres (43) canciones seleccionadas la cual tiene
una dimensin de 13x142 y sus datos estn normalizados en un rango entre -1 y
1.
3.4.1 Creacin De Formas Geomtricas

Para la generacin de la interfaz grfica se dio un valor agregado al aadir formas

geomtricas, dichas formas son: Cuadrado, Tringulo, Estrella y crculo. En la
generacin de los algoritmos de las formas se tienen en cuenta parmetros
relevantes que ayudan a su graficacin en Matlab como por ejemplo: Lados,
Radio, ngulos. En cuanto, al background se tiene en cuenta los autores Juslin y
Laukka para la determinacin de los colores presentes en cada cancin, donde en
mayor proporcin ser el color que ms predomina en esta. Las formas
geomtricas contienen el resto de colores que establecer una emocin segn la
teora del color de la autora Eva Heller.

Crculo: Se establece tamao de la pantalla para ser visualizada la forma

geomtrica, como segundo paso se dan valores a los radios para la generacin
de esta, para la generacin de los colores del borde, centro y background es
necesario tener en cuenta el plano RGB.
Seudocdigo: Construccin forma geomtrica. Entorno: Crculo
Entradas :
Cy=100
Cx=50

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

Cuadrado: Se establece inicialmente el tamao de pantalla en el que ser

visualizado esta forma geomtrica, posteriormente mediante el plano RGB se
designa el color de fondo que presenta esta. Finalmente se designan las
iteraciones en los diferentes puntos de la cuadrcula, el color est establecido
segn el plano RGB.
Seudocdigo: Construccin forma geomtrica. Entorno: Cuadrado
Entradas :
Im2=ones(600,1024)
Im1(:,:,1)=Im2.*1;Im1(:,:,2)=Im2.*0.6;Im1(:,:,3)=Im
2.*0
1: for ik = 1:20
2: a=rand(1)
3:
x1=floor(a*1024)
4:
c=rand(1)
5:
y1=floor(c*600)
6:
Im1(y1:y1+20,x1:x1+25,1)=1
7:
Im1(y1:y1+20,x1:x1+25,2)=0
8:
Im1(y1:y1+20,x1:x1+25,3)=0
9: imshow(Im1)
10: end

Salidas:
Im1

Tringulo: Como en los casos anteriores, tambin se establece tamao de

pantalla de visualizacin y los ngulos que son necesarios para la generacin
de esta forma geomtrica.
Seudocdigo: Construccin forma geomtrica. Entorno: Tringulo
Entradas :

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

Estrella: A partir del crculo se construye la estrella, donde se definen los

centros, radio y los diferentes ngulos que sern necesarios para definir esta
forma geomtrica.
Seudocdigo: Construccin forma geomtrica. Entorno: Estrella
Entradas :
Im1:ones[x,y,3]
Definir cx,cy,r
Definir ngulo1:[Ang(1) Ang(2) Ang(3)]
Definit ngulo2:[ Ang(1) Ang(2) Ang(3)]

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

3.4.2 Interfaz Grfica

En una pantalla de 612x1024 aparecern las formas geomtricas determinadas

para el desarrollo del trabajo de investigacin. El background de sta determinar
en gran porcentaje la emocin que se va a transmitir en cada tramo de la cancin,

36

y el porcentaje restante de emocin ser transmitida por el tamao y el color de

las formas geomtricas creadas. Ver figura 9.
Figura 94. Interfaz Grfica.

INTERFAZ GRFICA

Fuente: Interfaz grfica. Autoras

Se seleccionaron tres variables para extraer informacin de cada cancin:

Potencias

El programa seleccionado para crear el algoritmo de extraccin de las potencias

fue Matlab. El primer paso fue seleccionar el tiempo que se utiliz

para el

ventaneo de la cancin, el cual se seleccion realizando pruebas para que en el

tramo seleccionado sea posible transmitir una emocin, luego se calcula la
magnitud de la transformada rpida de Fourier en cada segundo de la cancin,
como la seal es real se divide el espectro en la mitad, y posteriormente se crea
la densidad espectral ya que esta posee menos ruido que la transformada rpida
de Fourier. Se crean las cuatro bandas de frecuencia correspondientes a cada
figura seleccionada.
La forma (tabla 5) y el tamao de las figuras que sern visualizadas en la interfaz
grfica estarn determinadas por las potencias de la cancin.

37

Tabla 5. Figuras

FIGURAS

POTENCIAS

Geomtricas

Bajas

Media - bajas

Medias Altas

Altas

Fuente: Formas geomtricas. Autoras.

En la siguiente figura se pueden evidenciar los pasos seguidos para la extraccin

de las potencias y la clasificacin en cuatro (4) bandas de potencias con sus
respectivos valores.
Figura 50. Diagrama Clculo de potencias.

Densidad espectralBandas de potencia

2 segundos seal en tiempo

0-800 Hz801-1500 Hz
2501-3000 Hz
1501-2500 Hz

Fuente: Calculo de potencias. Autoras.

Coeficientes Cepstrales En Las Frecuencias De Mel (MFCCS)

38

Son coeficientes para la representacin del habla basados en la percepcin

auditiva humana, tratan de modelar numricamente la percepcin del odo
humano en escala logartmica.
Se calculan separando la seal en pequeos tramos, en este caso cada 2
segundos, a cada parte se le aplica la transformada de Fourier y se obtiene la
potencia espectral de la seal, se aplica el banco de filtros correspondientes a la
escala MEL al espectro obtenido anteriormente y se le suman las energas a cada
uno de ellos, este banco de filtros separa las frecuencias, despus se toma el
algoritmo de las energas de cada frecuencia MEL y se aplica la transformada de
coseno directa (DCT) a los algoritmos. Ver Figura 7.
Cada fila del resultado del clculo de los coeficientes MEL es la salida de un filtro
pasa banda y cada una de estas tiene un ancho de banda.
Estos determinarn el color de las figuras en la interfaz grfica.
Figura 6. Diagrama de Frecuencias MEL.

FFT

Seal a parametrizar

DCT

MFCC

Banco de filtros (Escala MEL)

Logaritmo

Fuente: Diagrama Frecuencias MEL. Autoras.

Envolvente

A la envolvente se le extraen dos caractersticas importantes que son la desviacin

estndar y la energa.

39

Seudocdigo: Clculo de potencias, Envolvente y frecuencias MEL

Entradas :
Salidas:
Tw = 25
P1,P2,P3,P4, mfcc, energa,desviacin
Ts = 10
alpha = 0.97
R = [ 300 3700 ]
M = 20
C = 13
L = 22
pFF=2*fs
hamming=@(N)(0.54-0.46*cos(2*pi*[0:N-1].'/
(N-1)))
speech1=speech(:,1)
m=1/800000
finmusic=length(speech1)-30*fs
1: for i=1:(fs*5):finmusic
2:
ttw2seg=i:(i+5*fs)
3:
V=speech1(ttw2seg)
4:
p11=[1:800];
5:
P1=m*(trapz((p11),cc(p11)))
6:
p22=[801:1500]
7:
p33=[1501:2500
8:
p44=[2501:3000]
9:
pp=length(cc)
10: [ MFCCs, FBEs, frames ] = mfcc( V', fs, Tw, Ts, alpha, hamming, R, M, C, L )
11:
lutt=find(V>0)
12:
lutt1=find(V<0)
13: y = filtfilt(numB,denB,PDatos)
14: y1= filtfilt(numB,denB,PDatos1)
15:
sound(V,fs)
16:
energia=sum((abs(V)).^2)
17
desviacion=std(V)
18:
end

En el estudio de la envolvente se analiza la energa y la desviacin estndar

presentes en la cancin. Tomando como valor importante la energa relacionada
en cada cancin, cada cancin est clasificada entre 0 a 4 en cada cuadrante.

Figura 12. Envolvente.

40

Fuente: Envolvente. Autoras.

En el primer cuadrante se obtuvo como evidencia que la cancin 1 presenta la

mayor fuerza o energa con respecto a las dems canciones. Por otro lado, las
canciones 0 y 2 presentaron valores de energa relativamente cercanos por lo
cual los puntos en este cuadrante seran muy aledaos a este estudio.
Figura 73. Envolvente 2.

Fuente: Envolvente. Autoras.

En este cuadrante la cancin 0 present la mayor energa con respecto a las

dems canciones. Con respecto a la cancin 1 la energa fue mnima con
respecto a las dems canciones.

Figura 14. Envolvente.

41

Fuente: Envolvente. Autoras.

En el cuadrante 3.Las canciones 0,2 y 4 presentan mayor energa con respecto

a las canciones 1 y 3.Se evidencia que es el cuadrante con mayor dispersin
en sus puntos.
Figura 85. Envolvente.

Fuente: Envolvente. Autoras.

En este cuadrante, las canciones 1 y 2 presentan mayor energa con respecto

a las otras. Por otro lado, la cancin 3 presenta menor energa en el cuadrante
y es un punto con mayor distancia referente al resto de canciones.
Figura 16. Envolvente.

42

Fuente: Envolvente. Autoras.

En el ltimo cuadrante, las canciones 2 y 3 exhiben la mayor energa, as como

la cancin 4 evidencia menor energa por lo cual es un punto disperso en este
cuadrante.
3.4.3 Conversin de RGB a HSI

En primera instancia, el concepto de RGB viene de sus siglas en ingls (Red,

Green, Blue). Este modelo puede personalizar un color mediante la mezcla de los
tres colores de luz primarios anteriormente mencionados; el ojo humano tiene dos
tipos de clulas sensibles a la luz o tambin llamados fotorreceptores que tienen
la funcin de aportar informacin de color. La sensacin de los colores es como
respuesta a las curvas de sensibilidad al espectro radiado en el objeto observado
por lo tanto, se tienen respuestas diferentes.
En Matlab, la funcin rgb2hsi permite realizar la conversin de una imagen RGB a
HSI, donde los valores de HSI estn normalizados entre 0 y 1, mientras que RGB
est normalizado entre 0 y 255.En el cual, 0 representa el negro y 255 el blanco.

Color Background

El color del background va a ser el que determina en mayor porcentaje la emocin

que se va a transmitir.

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

Fuente: ngulo HSI. [9]

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

ygrado=4587.4y 6 13234y 5+ 14076y 46687.6y 3 +1324.5 y2 6.2686 y+ 0.1;

Si ygrado< 0
ygrado=0
Si y 1 y <2.56

ygrado=134.62y 6 +1442.6y 56289y 4 +14255y 317718 y 2+11530y 3025.1;

Si y2.56 y3.56
ygrado=41.651y 5 +659.95y 4 4036.3y 3 +11799y 216173 y+ 8210.1;
Si y >3.56 y4.45
5

ygrado=484.96y 9731.3y + 78055y 312884 y +626970y502355 ;

44

Si y >4.45 y5
ygrado=125 y145
Si y >4.45 y5

ygrado=121.21y 3 +1672.7 y 27625.2y +11819 ;

Si y >5
ygrado=360
3.5 CANCIONES POR CUADRANTES

En este tem se encuentran las canciones que fueron elegidas para la

categorizacin de las emociones realizadas por los investigadores Juslin y Laukka.
Estas melodas fueron extradas de la base de datos amg1608 de la cual se
realiz un anlisis en las 1608 canciones de donde se escogieron 10 para cada
cuadrante, las canciones escogidas fueron las ms representativas de cada
emocin.
Figura 98. Arousal versus Valencia.

45

Rabia

Felicidad

Quiet Riot Bang your head (Metal Health)

Nine Inch Nails Wish
Mudhoney Sweet young thing aint sweet no more
Helmet Unsung
Gun Club For the love of ivy
Minor Threat In my eyes
II
Helmet In the meantime
Black Flag Rise above
Accept Balls to the wal
Kid Rock I am the bullgod

Aqua Barbie girl.

Bobby Darin splish splash
Tom Petty American girl
Iggy Pop Lust for life
Adam Ant- Goody two shoes.
Deee Lite Groove in the heart
Bobby Byrd I know you got soul
Humble Pie 30 Days in the hole
Manfred Man- Do wah diddv diddv

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

The Bech Boys Surfer girl

Billy Joel Just the way you are
IV & Garfunkel The 59th street bridge song (feelin groovy)
Simon
Frank Sinatra Put your dreams away (for another day)
The Delfonics La-la (means i love you)
Ween Freedom of 76
The Everly Brothers All i have to do is dream
Frank Sinatra Ive got a crush on you
Nat King Cole Sweet lorraine
Frank Sinatra How deep is the ocean

-1

Arousal

Tristeza

Calma

Fuente: Arousal versus Valence. Autoras.

4. RESULTADOS

En el presente tem se encontraran los resultados obtenidos en el presente trabajo

de investigacin.
4.1 PRESENTACIN DE RESULTADOS

En esta seccin se presentan los resultados arrojados al desarrollar el trabajo de

investigacin.
4.1.1 Matriz De Entrada Red Neuronal

46

De la base de datos AMG1608, reconocimiento de la emocin de la universidad

nacional de Taiwn se seleccionaron cuarenta y tres (43) canciones. Los
cuadrantes estn determinados de la siguiente manera: para el primer cuadrante
felicidad, de esta emocin se seleccionaron (10) canciones, segundo cuadrante
rabia (10) canciones y miedo (3) canciones, tercer cuadrante tristeza (10)
canciones y en el cuarto cuadrante calma (10) canciones.
De cada una de las cuarenta y tres (43) canciones fueron seleccionados los diez
(10) segundos ms representativos de cada una, y a la muestra de diez segundos
de cada cancin se le calcularon los coeficientes cepstrales en las frecuencias de
mel (MFCCs) en intervalos de dos segundos el cual da como resultado para cada
cancin una matriz de 13x198.
Debido a que a la red se le debe ingresar una matriz con una cantidad reducida de
datos para converja y no genere confusin se hizo una revisin terica con el fin
de encontrar una manera de disminuir la dimensionalidad de la matriz,
encontrando que aplicando el Coeficiente de Correlacin de Pearson era posible
reducir la dimensin de la matriz. El Coeficiente de Correlacin de Pearson se
obtuvo calculando la covarianza y las desviaciones de la matriz obtenida de los
Coeficientes Cepstrales en las Frecuencias de Mel (MFCCs) en intervalos de dos
segundos y haciendo un cociente entre estos dos datos, el cual da como resultado
un vector de trece (13) datos por cada dos segundos de cancin.
Despus de aplicar el Coeficiente de Correlacin de Pearson a cada una de las
cuarenta y tres (43) matrices de los Coeficientes Cepstrales en las Frecuencias de
Mel (MFCCs), se realiz una nueva matriz la cual tiene ahora una dimensin de
13x142, se normalizaron los datos con la funcin mapminmax para que los datos
queden en un rango entre -1 y 1.Se realiz un promedio por cada una de las cinco
(5) emociones y se grafic:
Figura 1910. Promedios Coeficiente de Correlacin de Pearson por cuadrantes

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

Fuente: Promedios Coeficiente de Correlacin de Pearson por cuadrantes. Autoras.

Pudindose observar que la matriz que se le va a ingresar a la red es diferente en

cada uno de los cuatro (4) cuadrantes lo cual es lo ideal para que la red no tenga
confusiones.
4.1.2

Entrenamiento Red

Para el entrenamiento de la red neuronal primero se carg la matriz de entrada la

cual tiene una dimensin de 13x142 con los datos ya normalizados.
Se defini un vector de salida para la red neuronal en el cual se le asign un
nmero a cada emocin, el nmero 1 fue asignado para miedo, 2 para felicidad, 3
para tristeza, 4 para calma, 5 para rabia. La red utilizada para el entrenamiento fue
la red neuronal auto asociativa (AANN) la cual se compone de una capa de
entrada, una capa de salida y una o ms capas ocultas [35].
Figura 110. Red neuronal auto asociativa

48

Fuente: Red neuronal auto asociativa.[9]

La red se entren con 4 capas dando como resultado un porcentaje de efectividad

de 93% de informacin acertada con respecto a un 7% de informacin no acertada
total.
Figura 121. Red neuronal

Fuente: Red neuronal. Autoras.

En cuanto a efectividad, el cuadrante IV que representa calma obtuvo el menor

porcentaje de efectividad en la red neuronal entrenada ya que tiene el mayor
nmero de informacin dispersa que se ver incidido en los colores a mostrar
segn este cuadrante; y el cuadrante con mayor porcentaje de efectividad fue el II
que corresponde a felicidad.

49

Tabla 6. Porcentaje de efectividad por cuadrante

Efectividad por cuadrantes en porcentaje (%)
Cuadrante
Acertado
No acertado
I
90%
10%
II
97,3%
2,7%
III
91,2%
8,8%
IV
84,6%
15,4%
V
91,4%
8,6%

Fuente: Porcentaje de efectividad por cuadrante. Autoras.

4.2ANLISIS DE RESULTADOS

Se probaron las canciones de las que fueron extrados los 10 segundos ms

significativos para entrenar la red. El resultado por cuadrantes fue el siguiente:
Tabla 7. Prueba red neuronal canciones cuadrante I.
CUADRANTE I (Felicidad)
Cancin

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%

Figura 132. Canciones cuadrante I

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

Fuente: Canciones cuadrante I. Autoras

En el cuadrante I que indica la emocin felicidad se obtuvo como resultado

durante el entrenamiento de los diez (10) segundos ms representativos que las
canciones Basket case y Chili peppers higher ground presentaron una efectividad
baja correspondiente al 25% con predominancia en el color azul que corresponde
a la emocin tristeza.
Tabla 8. Prueba red neuronal canciones cuadrante II.
CUADRANTE II (Rabia)
Cancin

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%

Fuente: Prueba red neuronal canciones cuadrante II. Autoras.

51

Figura 143. Cuadrante II

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

Fuente: Canciones cuadrante II. Autoras.

En el cuadrante II, en cada uno de los diez (10) segundos ms representativos de

cada cancin, el rojo como color caracterstico de esta emocin predomin en
todas las melodas por lo cul es el cuadrante con mejor efectividad.
Tabla 9. Prueba red neuronal canciones cuadrante II.
CUADRANTE II (Miedo)
Cancin

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%

Fuente: Prueba red neuronal canciones cuadrante II. Autoras.

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

Fuente: Canciones cuadrante II. Autoras.

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%

Fuente: Prueba red neuronal canciones cuadrante III. Autoras.

Figura 165. Canciones cuadrante III

Cuadrante III - Tristeza

120
100
80
60
40
20
0

Fuente: Canciones cuadrante III. Autoras.

53

Cancin 1

Cancin 2

Cancin 3

Cancin 4

Cancin 5

Cancin 6

Cancin 7

Cancin 8

Cancin 9

Cancin 10

Tabla 11. Prueba red neuronal canciones cuadrante IV

CUADRANTE IV (Calma)
Cancin

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%

Fuente: Prueba red neuronal canciones cuadrante IV. Autoras.

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

se obtuvo que la cancin

C930FreedomOf76 presenta una efectividad baja del 25% con predominancia de

color como el verde y el azul.
Figura 26.17 Canciones cuadrante IV

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

Fuente: Canciones cuadrante IV. Autoras.

En la siguiente tabla se evidencia la efectividad por cuadrante de cada una de las

emociones presentes.
La emocin que representa tristeza fue la ms efectiva de los cuadrantes con un
porcentaje de 61,50%, seguida de la emocin que indica rabia con un 57,10%. La
emocin con una baja efectividad en su cuadrante corresponde a la que indica
Calma con un 19% de efectividad. (ver tabla 12)
Tabla 12. Efectividad emociones

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!)

Fuente: Efectividad de las emociones. Autoras.

Figura 27. Efectividad de las emociones

55

Efectividad

CALMA

10

FELICIDAD
RABIA

TRISTEZA
MIEDO

AZUL

VERDE AMARILLO FUCSIA

ROJO

Fuente: Efectividad de las emociones. Autoras.

4.3 DISCUSIN

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

En la aplicacin de los trabajos de investigacin ejecutados anteriormente de los

autores Juslin y laukka sirvi como referencia para establecer las emociones
bsicas presentes en la msica: felicidad, calma, rabia, tristeza y miedo. En cuanto
a la autora Eva Heller con su temtica de psicologa del color sirvi como
referencia para implantar los colores que estn distribuidos en las formas
geomtricas visualizadas en la interfaz grfica. Por ltimo, la relacin entre arousal
versus valencia.
En la generacin de la matriz de entrada de la red neuronal se realiz una
seleccin de las canciones presentes en cada cuadrante, a las cuales se le
extrajeron diez segundos ms representativos que fueron importantes para
calcularles los coeficientes cepstrales MEL y luego calcularles coeficientes de
Pearson para crear una matriz reducida normalizada de datos en un rango entre
-1 y 1.
Durante el entrenamiento, se estableci a la red neuronal auto asociativa
denominada con las siglas AANN. Este tipo de red realiza una filtracin de
informacin para reconstruccin de datos para buscar la relacin entre
informaciones similares, su tipo de aprendizaje es el no supervisado y ayuda a que
exista un auto organizacin por parte de la red. La salida establecida est
enumerada del 1 al 5 que representa las emociones como: Miedo, felicidad,
tristeza, calma y rabia, respectivamente. Siendo bastante efectiva la red con un
porcentaje mayor a 90% de informacin acertada.
En la realizacin de las pruebas, donde se extrajeron los segundos ms
significativos para entrenar la red los resultados se analizaron por cuadrantes (I-V)
Donde se calcularon el porcentaje de efectividad de cada una de las melodas
presentes en los cuadrantes.
4.4 CONCLUSIONES Y RECOMENDACIONES

En el desarrollo del trabajo de investigacin que ha dado lugar a la presente tesis

se han alcanzado los objetivos planteados de manera inicial:

57

Se implementaron los coeficientes MEL en las diferentes melodas presentes en

los cuadrantes como dato relevante de informacin para la generacin de la matriz
de entrada a la red neuronal implementada en el trabajo de investigacin. Del
anlisis de las canciones presentes en el banco de msica se establecieron las
emociones por cuadrantes segn arousal versus valencia para ser clasificadas en
la red neuronal arrojando un porcentaje de efectividad alto que demuestra que
esta investigacin es confiable.
La redes implementadas para entrenamiento fueron la red de tipo FeedForward o
FFNN y la de tipo auto asociativa o AANN, siendo esta ltima la que mejor
efectividad arroj en resultados en la salida de los datos ya que presenta un tipo
de aprendizaje no supervisado y realiza una filtracin de informacin que ayuda a
reconstruir datos para buscar la relacin entre informaciones similares.
Se recomienda a futuros estudiantes que presenten inters en esta lnea de
investigacin caracterizar la informacin de una manera diferente y aplicar otros
mtodos para la reduccin de la matriz que se debe ingresar a la red neuronal con
el fin de caracterizar de mejor manera la emocin presente en la cancin.

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]

Alvarez, G. LENGUAJE MUSICAL. Venezuela: Universidad Nacional

Experimental Francisco de Miranda. (2011).

[16] Compen, F. J. Tonalidad sinestsica: Relaciones entre la tonalidad del color a
travs de una propuesta personal. Mxico: Universidad politcnica de valencia.
(2011).
[17] Hochel, M. La sinestesia: sentidos sin fronteras. Espaa: Universidad de
granada. (2006).

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

[28] Larsen RJ, Diener E. promesas y problemas con el modelo circumplejo de la

emocin.

Clark MS, editor: Revisin de la personalidad y la psicologa

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