Reconhecimento de Emoções na Música Usando Algoritmos de Aprendizado de Máquina

A música é vital para entretenimento, regulação emocional e alívio do estresse. Com plataformas digitais como Spotify, classificar grandes conjuntos de dados musicais tornou-se essencial. Este estudo introduz uma estrutura de aprendizado de máquina para detectar quatro emoções: Feliz, Triste, Calmo e Energético em músicas em Hindi. A música tem a habilidade única de evocar e transmitir uma ampla gama de emoções humanas, tornando-se um meio poderoso tanto para expressão artística quanto para aplicações práticas. Um conjunto de dados de música em Hindi foi segmentado em clipes WAV de 20 segundos (44,1 kHz), pré-processados com filtragem passa-alta e normalização de volume. As características acústicas extraídas incluíram: (1) MFCCs de 13 dimensões, (2) vetores cromáticos de 12 dimensões, (3) Taxa de Cruzamento por Zero e (4) Spectral Rolloff. Os dados foram divididos em conjuntos de treinamento (70%), validação (15%) e teste (15%) usando amostragem estratificada. Foram aplicados três classificadores: Árvore de Decisão (profundidade máxima 10), Floresta Aleatória (100 árvores, profundidade 12) e XGBoost (200 estimadores, taxa de aprendizado 0,1, profundidade 6). O XGBoost teve melhor desempenho com 86,4% de precisão, enquanto Floresta Aleatória e Árvore de Decisão alcançaram 83,6% e 74,2%, respectivamente. "Triste" e "Calmo" foram as classes mais confundidas (~8%). Os resultados mostram que modelos ensemble classificam efetivamente emoções em música regional e apoiam aplicações como listas de reprodução baseadas em humor e sistemas musicais inteligentes.