基於卷積神經網路的飛輪音樂情境分析

Spinning Music Classification System Based on Convolutional Neural Network

王昱閔(Wang Yu-Min)

指導教授 ： 劉寧漢

國立屏東科技大學/管理學院/資訊管理系所/碩士(2019年)

https://doi.org/10.6346/NPUST201900243

摘要

隨著科技的進步，人們可以隨意地下載到各式各樣的音樂。且科技進步的同時，也會看到有需多人因注重養生而進行運動。不論男女老少，都會看到有人出來外面進行重量訓練或是騎乘飛輪等等，並多數都會配合著音樂去進行運動。而飛輪運動是近幾年下來相當流行的有氧/無氧運動，依據教練在課堂上的指示以及音樂節拍的配合下，讓學員們進行30至60分鐘不等的運動課程。而在飛輪運動中，飛輪教練在各情境下的音樂選擇也是相當重要的，如果在錯誤的情境下選擇錯誤的音樂的話，那麼對於學員來說會變得不知道去怎麼進行飛輪動作。因此本研究先將音樂的副歌部分擷取，並使用梅爾倒頻譜係數(MFCC)作為每首音樂的特徵值，並利用得出的梅爾倒頻譜係數將音樂轉換成頻譜圖，作為卷積神經網路的輸入，以此模擬飛輪教練在排定課程時，何種音樂應該要搭配的環境，最後利用輸出結果來判斷此方法是否適用於可以模擬教練在排定飛輪情境之音樂。最後結果證實，總體分類方面最高只能接近60%。因此本研究不建議使用此方式對飛輪情境音樂進行分類。

關鍵字

飛輪運動 ； 音樂分類 ； 特徵提取 ； 卷積神經網路

並列摘要

In spinning class, music is an important character. In class, coach guides the students by following the beats of music in 30 to 60 minutes. To coaches, choosing the right music for the spinning class emotions is a difficult job. To make those coaches select music easier in spinning class, this research validated 3 CNN(Convolutional Neural Networks，CNN) models (Resnet, Vgg16, Vgg19) in identifying music-spectrogram.
This thesis study capture the refrain from the music. And analysis those spectrogram (by using Mel-Frequency Cipstal Coefficients, MFCC) as feature value of CNN.
It is concluded that the classify of CNN in music for the spinning class emotions only approached 61% accuracy. Therefore, the author suggested that using this is not an appropriate method to classify music for the spinning class emotions 60%.

並列關鍵字

Spinning ； Music Classification ； Feature Extraction ； Convolutional Neural Network

參考文獻

中文文獻:

[1] 陳昶吉 (2016).飛輪運動音樂推薦系統-基於類神經網路. 碩士, 國立屏東科技大學

[2] 聞承剛 (2017).飛輪運動音樂情境分類-基於深度學習. 碩士, 國立屏東科技大學

英文文獻:

[3] Rowley, H. A., Baluja, S., & Kanade, T. (1998). Neural network-based face detection. IEEE Transactions on pattern analysis and machine intelligence, 20(1), 23-38.