Moodo dataset|音乐情绪影响数据集|情绪研究数据集

Moodo数据集包含了参与者的年龄、性别、居住地、音乐教育年限、乐器演奏年限、每日音乐聆听时间、是否服用影响情绪的药物、是否受药物影响、音乐偏好、当前情绪状态（在情感-唤醒空间和HSV空间中）、情感状态（在情感-唤醒空间和HSV空间中）以及对特定歌曲的情绪反应。

The Moodo dataset encompasses a comprehensive collection of data points including participants' age, gender, residence, years of music education, years of instrument playing, daily music listening time, whether they are taking mood-altering medications, if they are affected by such medications, music preferences, current emotional state (in both valence-arousal space and HSV space), emotional state (in both valence-arousal space and HSV space), and emotional responses to specific songs.

原始信息汇总

Moodo数据集概述

数据集标签含义

个人信息

• Age: 参与者的年龄。
• Gender: 参与者的性别，取值为{Male, Female}。
• Living: 参与者居住地，取值为{city, countryside}。
• YearsOfMusicEducation: 参与者接受音乐教育的年数。
• YearsOfInstrumentPlaying: 参与者演奏乐器或唱歌的年数。
• MusicListeningPerDay: 参与者每天听音乐的小时数，取值为：
  • 1: 最多1小时
  • 2: 1到2小时
  • 3: 2到3小时
  • 4: 超过3小时

药物影响

• TakeMoodDrugs: 参与者是否服用可能影响情绪的药物，取值为{yes, no}。
• UnderInfluenceOfDrugs: 参与者是否受到药物影响，取值为{yes, no}。

音乐偏好

• PreferredGenres: 参与者最喜欢的音乐类型，最多可选择三种，其中Rank=1表示最偏好。类型包括：
  • classical, opera, country, folk, latin, dance/disco, electronic, RnB/soul, hip hop/rap, reggae, pop, rock, alternative, metal, blues, jazz, vocal, easy listening, new age, punk

情绪状态

• CurrentMoodVA: 参与者当前情绪在valence-arousal空间的位置，valence和arousal的取值范围均为[-1,1]。
• CurrentMoodColor: 参与者当前情绪在HSV空间的位置，Hue, Saturation, Value的取值范围均为[0,1]。
• CurrentMoodA: 参与者情绪表达的显著性，取值范围为[0,1]，0表示完全不显著，1表示显著表达。

情绪感知

• EmotionVA: 参与者感知到的情绪在valence-arousal空间的位置，valence和arousal的取值范围均为[-1,1]。
• EmotionHSV: 参与者感知到的情绪最佳匹配颜色在HSV空间的位置，Hue, Saturation, Value的取值范围均为[0,1]。

歌曲情绪反应

• SongID: 歌曲的ID（同时也是文件名）。
• Induced: 歌曲引发的情感列表，每个情感在valence-arousal空间的位置。
• Perceived: 歌曲被感知的情感列表，每个情感在valence-arousal空间的位置。
• SongColor: 歌曲最佳匹配颜色在HSV空间的位置，Hue, Saturation, Value的取值范围均为[0-1]。

AI搜集汇总

数据集介绍

构建方式

Moodo数据集的构建基于对参与者音乐偏好、情绪状态及音乐感知的多维度调查。首先，通过问卷收集参与者的基本信息，包括年龄、性别、居住地、音乐教育及乐器演奏经验等。随后，问卷深入探讨了参与者的日常音乐聆听习惯、药物使用情况及其对情绪的影响。此外，数据集还记录了参与者对不同音乐流派的偏好，以及他们在特定情绪和音乐感知中的情感表达。通过这些详尽的调查，Moodo数据集得以全面捕捉个体在音乐与情绪交互中的复杂关系。

使用方法

Moodo数据集的使用方法多样，适用于多个研究领域。首先，研究者可以通过分析参与者的音乐偏好与情绪状态之间的关系，探讨音乐对情绪的影响机制。其次，数据集中的情感-唤醒空间和颜色空间映射为情感计算和情绪识别提供了丰富的数据支持。此外，研究者还可以利用数据集中的音乐感知信息，开发和验证音乐推荐系统或情感调节工具。通过这些应用，Moodo数据集为跨学科研究提供了宝贵的资源。

背景与挑战

背景概述

Moodo数据集是由一组研究人员在音乐情感分析领域创建的，旨在探索音乐与情感之间的复杂关系。该数据集的创建时间可追溯至近年，主要研究人员或机构致力于通过收集和分析大量音乐与情感相关的数据，以揭示音乐如何影响听众的情绪状态。核心研究问题包括音乐如何通过其旋律、节奏和风格来诱发特定的情感反应，以及这些反应如何与听众的个人背景和偏好相关联。Moodo数据集的推出，为音乐情感分析领域提供了宝贵的资源，推动了该领域研究的发展，尤其是在情感计算和音乐推荐系统方面。

当前挑战

Moodo数据集在构建过程中面临多项挑战。首先，情感的主观性和多样性使得数据标注变得复杂，不同个体对同一音乐作品的情感反应可能存在显著差异。其次，数据集的多样性要求涵盖广泛的音乐风格和听众背景，这增加了数据收集和处理的难度。此外，如何准确地将情感映射到情绪空间和颜色空间，以及如何处理和分析这些多维度的数据，也是该数据集面临的重要挑战。这些挑战不仅影响了数据集的质量和可靠性，也对后续研究提出了更高的要求。

常用场景

经典使用场景

在音乐情感分析领域，Moodo数据集被广泛用于研究音乐与情感之间的关联。通过分析参与者对不同音乐风格的偏好及其情感反应，研究者能够深入探讨音乐如何影响个体情绪。例如，数据集中的'PreferredGenres'和'CurrentMoodVA'标签为研究提供了丰富的信息，帮助学者理解音乐偏好与情感状态之间的复杂关系。

解决学术问题

Moodo数据集解决了音乐情感研究中的多个关键问题。首先，它提供了关于个体音乐偏好与其情感状态之间关系的量化数据，这对于理解音乐如何影响情绪具有重要意义。其次，数据集中的'EmotionVA'和'EmotionHSV'标签为情感的视觉化表达提供了新的视角，有助于跨学科研究，如心理学与音乐学的结合。

实际应用

在实际应用中，Moodo数据集为音乐推荐系统提供了宝贵的数据支持。通过分析用户的音乐偏好及其情感状态，系统能够更精准地推荐符合用户当前情绪的音乐，提升用户体验。此外，该数据集还可用于开发心理健康应用，通过音乐干预来调节用户情绪，具有潜在的社会价值。

数据集最近研究

最新研究方向

在音乐情感分析领域，Moodo数据集的最新研究方向主要集中在利用多模态数据融合技术来提升情感识别的准确性。研究者们通过整合音乐特征、用户心理状态及环境因素，探索如何更精确地映射音乐与情感之间的关系。此外，该数据集还被用于开发个性化音乐推荐系统，通过分析用户的情感状态和音乐偏好，提供更加贴合用户情感需求的音乐体验。这些研究不仅推动了音乐情感计算技术的发展，也为心理健康领域的个性化干预提供了新的工具和方法。