최근 한국에서는 대부분의 사람들이 안드로이드 기반의 스마트폰을 사용하고 있고, 뮤직플레이어는 어느 스마트폰에서나 찾아볼 수 있다. 그러나 뮤직 플레이어들 중 사용자의 취향이나, 음악을 듣는 성향에 맞춰진 개인화된 애플리케이션은 찾아보기 힘든 실정이다. 본 논문에서는 음악을 분석하여 감정에 따라 자동으로 분류하고, 사용자가 입력한 감정에 따라 추천하며, 사용자의 선호도를 반영하는 기능을 제공할 뿐만 아니라, 음악을 색채를 통해 시각화함으로써 사용자가 음악을 보다 쉽게 느낄 수 있도록 구현된 감성 뮤직 플레이어를 제안한다. 이를 통해 사용자는 선곡의 어려움을 해소하고 자신에게 최적화된 애플리케이션을 사용할 수 있다.
최근 한국에서는 대부분의 사람들이 안드로이드 기반의 스마트폰을 사용하고 있고, 뮤직플레이어는 어느 스마트폰에서나 찾아볼 수 있다. 그러나 뮤직 플레이어들 중 사용자의 취향이나, 음악을 듣는 성향에 맞춰진 개인화된 애플리케이션은 찾아보기 힘든 실정이다. 본 논문에서는 음악을 분석하여 감정에 따라 자동으로 분류하고, 사용자가 입력한 감정에 따라 추천하며, 사용자의 선호도를 반영하는 기능을 제공할 뿐만 아니라, 음악을 색채를 통해 시각화함으로써 사용자가 음악을 보다 쉽게 느낄 수 있도록 구현된 감성 뮤직 플레이어를 제안한다. 이를 통해 사용자는 선곡의 어려움을 해소하고 자신에게 최적화된 애플리케이션을 사용할 수 있다.
Recently, most people use android based smartphones and we can find music players in any smartphones. However, it's hard to find a personalized music player which applies user's preference. In this paper, we propose an emotion-based music player, which analyses and classifies the music with user's e...
Recently, most people use android based smartphones and we can find music players in any smartphones. However, it's hard to find a personalized music player which applies user's preference. In this paper, we propose an emotion-based music player, which analyses and classifies the music with user's emotion, recommends the music, applies the user's preference, and visualizes the music by color. Through the proposed music player, user could be able to select musics easily and use an optimized application.
Recently, most people use android based smartphones and we can find music players in any smartphones. However, it's hard to find a personalized music player which applies user's preference. In this paper, we propose an emotion-based music player, which analyses and classifies the music with user's emotion, recommends the music, applies the user's preference, and visualizes the music by color. Through the proposed music player, user could be able to select musics easily and use an optimized application.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 논문에서는 안드로이드 플랫폼을 기반으로 사용자의 감정을 입력받아 음악을 추천해주는 애플리케이션인 감자 플레이어를 구현하였다. 음악은 사용자의 기기 내에서 자동으로 분류되며, 사용자는 자신의 감정을 선택하고 그에 맞는 음악을 추천받아 감상할 수 있다.
본 논문에서는 이러한 사회적 동향에 따라 사용자의 감정을 기반으로 각각의 취향에 맞는 적절한 음악 추천이 가능한 감정 기반 뮤직 플레이어인 감자 플레이어를 기획 및 구현하고 그에 대한 알고리즘을 제안한다. 감자 플레이어의 뜻은 “감성을 자유롭게 선택할 수 있는 뮤직플레이어”, “감정을 느낄 때 자꾸 사용하고 싶은 뮤직플레이어”라는 의미이다.
본 절에서는 3절에서 기획한 감자 플레이어의 주요 기능에 대해 설명하고자 한다. 4.
본 절에서는 기존 애플리케이션의 단점인 모호한 감정 선택을 해결하기 위해 사용자로 하여금 직관적으로 감정을 선택할 수 있게 하는 기능과, 사용자가 선택한 감정에 추천 음악이 적합하지 않을 경우를 위해 선호도를 반영하는 기능을 설명한다.
본 절에서는 사용자의 감정 선택에 따라 음악을 추천해주는 것과 선호도를 반영하는 기능의 구현에 대해 설명한다. 이에 대한 음악 추천 및 선호도 반영 알고리즘은 Fig.
제안 방법
6번째 줄에서는 음악의 평균 파장값을 알기 위해 sum을 30으로 나눈다. 7번째 줄에서는 앞서 30초간 얻어왔던 파장값과 sum, avg를 이용해 표준편차와 파장의 증가 패턴 UP과 감소 패턴 DP를 계산한다. 여기서 음악 파장값들의 표준편차를 알아냄으로써 변화가 큰 곡인지, 아니면 변화가 적고 일정한 흐름의 곡인지를 알 수 있다.
사용자의 감정은 기본적인 한국의 감정인 “희, 노, 애, 락, 애, 오, 욕”의 6가지를 기본으로 선택 가능하다. 각 감정은 사용자가 한눈에 알아볼 수 있게 표정과 문구가 담긴 버튼으로 설계하였다. 만약 해당 감정이 없을 경우를 위해 임의로 음악을 재생해주는 기능도 포함한다.
음악은 사용자의 기기 내에서 자동으로 분류되며, 사용자는 자신의 감정을 선택하고 그에 맞는 음악을 추천받아 감상할 수 있다. 또한 좀 더 선호하는 분위기의 노래를 우선적으로 감상할 수 있도록 데이터베이스를 설계하였고, 그에 맞는 알고리즘을 구현하였다. 사용자의 선호도 반영을 통해 뮤직 플레이어를 사용하면 사용할수록 자신에게 맞는 음악 플레이어로 발전할 수 있다.
음악의 분석을 통해 얻은 파장의 평균값을 이용하여 실제 빛의 파장값과 같은 비율로 나누어 색으로 표현하였다. 빨간색으로 정의된 음악은 Fig.
총 20가지 색으로 표현되며 빨강, 다홍, 주황, 귤색, 노랑, 노랑연두, 연두, 풀색, 녹색, 초록은 전반적으로 신나는 노래에 해당하고 청록, 바다, 파랑, 감청, 남색, 남보라, 보라, 붉은보라, 자주, 연지에 해당하는 노래는 잔잔하고 조용한 노래에 해당한다. 음악의 색상표현은 음악의 색이라는 추상적인 개념을 직접 눈으로 볼 수 있게 표현함으로써 음악을 색으로 표현하는 방법론을 제시하였다.
하지만, 사람들은 모두 노래를 듣는 취향이 다르다. 이런 다양한 취향을 맞추기 위해 사용자의 선호도를 반영하는 기능을 추가하였다. 데이터베이스에 사용자 선호도 반영을 위해 Pattern테이블을 만든다.
색을 정의할 때에는 20색상환을 이용했다. 파장의 평균이 나올 수 있는 값에는 일정한 범위가 있는데 이 범위를 20구간으로 나누어 각각의 구간에 색을 지정해주었다. 빛의 파장에서도 높은 값일수록 붉은색을 띄고 낮은 값일수록 보랏빛을 띈다.
대상 데이터
6번째 줄에서는 이 avg값으로 음악의 색을 정의한다. 색을 정의할 때에는 20색상환을 이용했다. 파장의 평균이 나올 수 있는 값에는 일정한 범위가 있는데 이 범위를 20구간으로 나누어 각각의 구간에 색을 지정해주었다.
성능/효과
사용자의 감정은 기본적인 한국의 감정인 “희, 노, 애, 락, 애, 오, 욕”의 6가지를 기본으로 선택 가능하다.
정확한 음악 분석을 통해 얻은 정보로 음악을 분류하기 위해서는 음악의 정점 부분이 필요하다. 해당곡의 정점을 알아내기 위해 장르별로 선곡된 297곡의 음악 샘플을 휴리스틱으로 분석한 결과 평균적으로 50초부터 시작된다는 결과를 얻어냈다. 이 결과를 바탕으로 음악의 정보는 50초부터 80초까지 30초간 얻어오게 된다.
후속연구
향후 연구로는 첫 번째로 감정 선택 폭을 늘려 다양한 감정에서 애플리케이션 사용이 가능하도록 한다. 두 번째로 애플리케이션과 서버를 연동하여 사용자의 음악뿐만 아니라 많은 음원을 제공받을 수 있도록 한다.
질의응답
핵심어
질문
논문에서 추출한 답변
대표적인 사용자의 감정 기반 음악 애플리케이션은 무엇이있는가?
본 절에서는 감자플레이어와 같은 감정 기반 음악 추천 애플리케이션에 대해 설명한다. 대표적인 사용자의 감정 기반 음악 애플리케이션에는 뮤직커버리(Musicovery)[3]와 뮤직스퀘어(Music Square) 두 가지가 있고, 각각 Fig. 1과 Fig.
FFT 알고리즘은 무엇인가?
FFT 알고리즘(Fast Fourier Transform)[10]이란 시간에 따른 신호의 변화, 즉 주파수 성분을 표시하는 방법 중 하나로 유한 데이터 점들의 세트를 요소 주파수들의 형태로 표현한다. Fig.
음악을 색으로 표현하는 기능에 대한 알고리즘은 어떻게 되나요?
알고리즘 1번째 줄에서는 먼저 sum을 0으로 초기화한다. 2번째 줄에서는 만약 음악의 정점 부분의 진행시간을 50초를 0이라 하고 30초간 진행되어 있을 경우, 3번째 줄에서는 매초마다 음악의 파장값을 가져와서 sum에 모두 더한다. 4번째 줄에서는 만약 c_time이 30이면, 5번째 줄에서는 sum을 30으로 나눠 음악의 정점 부분의 평균 파장값을 구해 avg 변수에 저장한다. 6번째 줄에서는 이 avg값으로 음악의 색을 정의한다. 색을 정의할 때에는 20색상환을 이용했다. 파장의 평균이 나올 수 있는 값에는 일정한 범위가 있는데 이 범위를 20구간으로 나누어 각각의 구간에 색을 지정해주었다. 빛의 파장에서도 높은 값일수록 붉은색을 띄고 낮은 값일수록 보랏빛을 띈다. 이를 음악에도 반영하여 음악 파장의 크기가 크고 강한 곡일수록 붉은 쪽에, 작고 약한 곡일수록 보라색 쪽에 위치하게 했다. 따라서 음악은 총 20가지의 색으로 분류된다.
참고문헌 (10)
M. J. Yoo, H. J. Kim and I. K. Lee, "Music Exploring Interface using Emotional Model," in HCI Conference 2009, pp.1-2, 2009.
Y. G. Kim and D. H. Lee, "국내. 외 스마트폰 어플리케이션 마켓 동향분석," Korea Institute of Information Security and Cryptology Bimonthly, Vol.21, No.1, pp. 26-37, 2011.
Misicovery, Musicovery, http://musicovery.com/
H. S. Choi, J. H. Lee, M. U. Kim, H. T. Cho, H. D. Lee and K. R. Yoon, "Music Recommendation System Based on User Emotion and Music Mood," in Proceedings of The Korean Society Of Broad Engineers Conference, pp.12-145, 2010.
B. J. Han and E. J. Hwang, "Emotion Transition Model based Music Classification Scheme for Music Recommendation," Journal of IKEEE, Vol.13, No.2, pp.150-166, 2009.
O. Celma, "Foafing the Music: Bridging the Semantic Gap in Music Recommendation," in Proceedings of 5th International Semantic Web Conference, pp.927-934, 2006.
H. Chen and A.L.P. Chen, "A music recommendation system based on music data grouping and user interests," in Proceedings of the tenth international conference on Information and knowledge management (CIKM), pp.231-238, 2001.
J. Bu, S. Tan, C. Chen, C. Wang, H. Wu, L. Zhang and X. He, "Music Recommendation by Unified Hypergraph: Combining Social Media Information and Music Content," in Proceedings of the international conference on Multimedia (MM), pp.391-400, 2010.
K. Yoshii, M. Goto, K. Komatani, T. Ogata and H. G. Okuno, "Hybrid Collaborative and Content-based Music Recommendation Using Probabilistic Model with Latent User Preferences," in Proceedings of the 7th International Conference on Music Information Retrieval (ISMIR), 2006.
W. Cooley and J.W. Tukey, "An Algorithm for the Machine Calculation of Complex Fourier Series," Mathematics of Computation, Vol.19, No.90, pp.297-301, 1965.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.