13-dimensions-music-emotions|音乐情感分析数据集

该数据集包含音频文件及其对应的情感评分。每个音频文件都有一个或多个情感特征的评分，这些特征包括有趣、愤怒、烦人、焦虑/紧张、令人敬畏/惊奇、美丽、苦乐参半、平静/放松/宁静、同情/同情、梦幻、怪异/神秘、充满活力/振奋、迷人、色情/渴望、欣快/狂喜、兴奋、起鸡皮疙瘩、愤慨/反抗、快乐/欢快、令人作呕/厌恶、痛苦、自豪/坚强、浪漫/爱、悲伤/压抑、可怕/恐惧、温柔/渴望、超凡/神秘、胜利/英雄。数据集分为训练集，包含1841个样本。

原始信息汇总

13 Dimensions Music Emotions Dataset

数据集概述

该数据集名为“13 Dimensions Music Emotions Dataset”，主要用于音乐情感识别任务。数据集包含了音频文件及其对应的13种情感维度的评分。

数据集特征

• audio: 音频文件，数据类型为音频。
• amusing: 有趣，数据类型为float64。
• angry: 愤怒，数据类型为float64。
• annoying: 恼人，数据类型为float64。
• anxious/tense: 焦虑/紧张，数据类型为float64。
• awe-inspiring/amazing: 令人敬畏/惊奇，数据类型为float64。
• beautiful: 美丽，数据类型为float64。
• bittersweet: 苦乐参半，数据类型为float64。
• calm/relaxing/serene: 平静/放松/宁静，数据类型为float64。
• compassionate/sympathetic: 富有同情心/同情，数据类型为float64。
• dreamy: 梦幻，数据类型为float64。
• eerie/mysterious: 怪异/神秘，数据类型为float64。
• energizing/pump-up: 充满活力/振奋，数据类型为float64。
• entrancing: 迷人，数据类型为float64。
• erotic/desirous: 色情/渴望，数据类型为float64。
• euphoric/ecstatic: 欣快/狂喜，数据类型为float64。
• exciting: 兴奋，数据类型为float64。
• goose bumps: 起鸡皮疙瘩，数据类型为float64。
• indignant/defiant: 愤慨/反抗，数据类型为float64。
• joyful/cheerful: 快乐/欢快，数据类型为float64。
• nauseating/revolting: 令人作呕/厌恶，数据类型为float64。
• painful: 痛苦，数据类型为float64。
• proud/strong: 自豪/坚强，数据类型为float64。
• romantic/loving: 浪漫/爱，数据类型为float64。
• sad/depressing: 悲伤/压抑，数据类型为float64。
• scary/fearful: 可怕/恐惧，数据类型为float64。
• tender/longing: 温柔/渴望，数据类型为float64。
• transcendent/mystical: 超凡/神秘，数据类型为float64。
• triumphant/heroic: 胜利/英雄，数据类型为float64。

数据集划分

• train: 训练集，包含1841个样本，数据大小为166110026.787字节。

数据集大小

• 下载大小: 159674012字节
• 数据集大小: 166110026.787字节

配置

• config_name: default
• data_files:
  • split: train
  • path: data/train-*

任务类别

• 特征提取
• 音频分类

标签

• Music
• Emotion
• Recognition
• MERT
• Dataset
• Audio

数据集名称

• pretty_name: 13 Dimension Emotions Dataset

数据集规模

• size_categories: 1K<n<10K

AI搜集汇总

数据集介绍

构建方式

该数据集的构建基于对音乐情感的多维度分析，涵盖了13种不同的情感维度。数据集通过收集和处理音频文件，并对其进行情感标注，形成了包含1841个样本的训练集。每个样本不仅包含音频数据，还附带了多个情感维度的评分，这些评分以浮点数形式表示，涵盖了从愉悦到恐惧等多种情感状态。

特点

该数据集的显著特点在于其多维度的情感标注，能够全面捕捉音乐所引发的复杂情感反应。每个音频样本都配备了13种情感维度的评分，这使得数据集在情感识别和音乐分析领域具有极高的应用价值。此外，数据集的规模适中，适合用于训练和验证情感识别模型。

使用方法

该数据集可用于音频情感分类和特征提取任务。用户可以通过加载数据集中的音频文件和情感评分，训练情感识别模型，或进行音乐情感分析研究。数据集的结构设计便于直接用于机器学习模型的输入，支持多种深度学习框架的使用，如TensorFlow和PyTorch。

背景与挑战

背景概述

13-dimensions-music-emotions数据集专注于音乐情感识别领域，旨在通过音频数据分析音乐所引发的多种情感反应。该数据集由1841个音频样本组成，每个样本均标注了13种不同的情感维度，如愉悦、愤怒、悲伤等。这一数据集的创建旨在推动音乐情感分析的研究，尤其是在多维度情感识别方面，为相关领域的研究提供了丰富的数据资源。尽管具体的研究机构或研究人员信息尚未明确，但其对音乐情感识别领域的潜在影响不容忽视。

当前挑战

该数据集面临的挑战主要集中在情感标注的复杂性和音频特征提取的精确性上。首先，情感本身是主观的，不同个体对同一音乐的情感反应可能存在显著差异，这为情感标注的准确性带来了挑战。其次，音频特征的提取需要高度专业化的技术，以确保从音频中提取的特征能够准确反映情感变化。此外，数据集的规模相对较小，可能限制其在深度学习模型中的应用效果，尤其是在需要大规模数据进行训练的场景中。

常用场景

经典使用场景

在音乐情感分析领域，13-dimensions-music-emotions数据集的经典使用场景主要集中在音乐情感的多维度识别与分类任务中。该数据集通过音频文件与对应的情感标签，为研究人员提供了丰富的情感维度数据，涵盖了从愉悦、愤怒到悲伤、紧张等多种情感状态。这些数据可用于训练和验证情感识别模型，帮助机器理解音乐中的情感表达，从而推动音乐情感分析技术的发展。

解决学术问题

该数据集解决了音乐情感分析中多维度情感识别的学术难题。传统的音乐情感分析往往局限于单一或少数情感维度的识别，而13-dimensions-music-emotions数据集通过提供多维度的情感标签，使得研究人员能够更全面地探索音乐与情感之间的复杂关系。这不仅推动了情感计算领域的研究进展，还为音乐推荐系统、心理治疗等应用提供了理论支持。

衍生相关工作

基于13-dimensions-music-emotions数据集，研究人员已开展了一系列经典工作，包括多维度情感识别模型的构建、情感驱动的音乐推荐系统设计以及音乐情感与心理健康关系的深入研究。这些工作不仅推动了音乐情感分析技术的发展，还为相关领域的应用提供了新的思路和方法。例如，有研究利用该数据集开发了情感驱动的音乐生成模型，能够根据用户的情感状态自动生成相应的音乐作品。