amaai-lab/MERP

MERP（音乐情感识别与个人信息数据集）是一个用于音乐情感识别的数据集，包含54首完整歌曲的动态效价和唤醒评分。该数据集通过Amazon Mechanical Turk收集，歌曲选自Free Music Archive（50首）和DEAM数据集（4首），旨在覆盖效价-唤醒空间的四个象限。共有452名参与者进行标注，经过严格清理后保留277名，其中196名提供了个人信息（如人口统计、听歌偏好和音乐背景）。标注以10赫兹分辨率（每0.1秒一个评分）进行，评分范围在[-1, 1]之间。数据集包括过滤后的标注、原始标注和评分者个人信息文件，适用于音乐情感分析和机器学习任务。MERP (Music Emotion Recognition and Personal Information Dataset) is a dataset dedicated to music emotion recognition, containing dynamic valence and arousal annotations for 54 full-length songs. Collected via Amazon Mechanical Turk, the songs are sourced from the Free Music Archive (50 tracks) and the DEAM dataset (4 tracks), and the dataset aims to cover all four quadrants of the valence-arousal space. A total of 452 participants contributed annotations; after rigorous data cleaning, 277 valid participants remained, among whom 196 provided personal information including demographics, music listening preferences, and musical background. Annotations were collected at a 10 Hz resolution (one rating every 0.1 seconds), with the rating range set between [-1, 1]. The dataset includes filtered annotations, raw annotations, and rater personal information files, making it suitable for music emotion analysis and machine learning tasks.

原始信息汇总

数据集概要

MERP (Music Emotion Recognition with Profile Information)

• 任务: 音频分类 (Audio Classification)
• 规模: 1K < n < 10K
• 标签: music, emotion, valence, arousal, continuous-annotation, music-emotion-recognition
• 许可证: CC-BY-4.0

数据集描述

该数据集用于音乐情感识别研究，包含动态的效价 (valence) 和唤醒度 (arousal) 评分。通过 Amazon Mechanical Turk (MTurk) 收集，共选取54首全长歌曲，其中50首来自 Free Music Archive，4首来自 DEAM 数据集作为锚定曲目 (anchor tracks) 用于质量控制。452名参与者在清洗后保留277名，并记录了其人口统计信息、音乐偏好和背景。

数据构成

• 曲目: 54首全长歌曲
• 曲目来源: 50首来自 Free Music Archive (CC许可)，4首锚定曲目来自 DEAM (同样来自 FMA/CC)
• 标注分辨率: 10 Hz (每0.1秒一个评分)
• 标注尺度: 效价和唤醒度均为 [-1, 1]
• MTurk批次: 第4-6批 (美国，Master工人)，第7-8批 (全球，非Master)
• 总评分者 (原始): 447
• 总评分者 (过滤后): 277
• 有个人资料的评分者: 196

文件列表

文件	行数	描述
annotations_filtered.parquet	3,482	质量控制后的标注，每个评分者重新缩放到 [-1, 1]，并经过 Savitzky-Golay 平滑 (窗口 15, 多项式 2)。论文中使用版本。
annotations_raw.parquet	6,176	原始 MTurk 滑块输出，未经过滤或缩放。
rater_profiles.parquet	196	通过个人资料质量检查的评分者人口统计和音乐背景信息。
audio/*.wav	54	全长音频曲目。

过滤步骤

annotations_filtered 经过以下7步质量控制：

1. 移除与音频时长相比过短或过长的试次。
2. 移除个人资料异常 (如训练时长 < 0 或 > 100 年) 的评分者。
3. 移除长时间停滞平台 (≥ 300个连续相同值) 的试次。
4. 移除未完成所有4首DEAM锚定歌曲的评分者。
5. 移除所有试次中效价或唤醒度范围小于完整尺度1/3的评分者。
6. 将标注数组修剪至与音频特征长度匹配。
7. 对于完成重复DEAM锚定会话的评分者，丢弃与DEAM参考标注相关性较低的会话。

列描述

annotations_filtered.parquet / annotations_raw.parquet

列名	类型	描述
rater_id	str	匿名化评分者标识符 (如 rater_042)。与 rater_profiles.parquet 一致。
song_id	str	与 audio/ 文件名称匹配的曲目标识符 (如 00_35, deam_115)。
batch	str	MTurk 批次号 ("4"–"8")。批次4-6为美国Master工人；7-8为全球非Master。
arousal	list[float]	10 Hz 采样的唤醒度时间序列评分。
valence	list[float]	10 Hz 采样的效价时间序列评分。

rater_profiles.parquet

列名	类型	描述
rater_id	str	匿名化评分者标识符。
master	int	1 = MTurk Master 工人，0 = 非Master。
age	int	评分者年龄 (岁)。
country_enculturation	str	评分者成长的国家。
country_live	str	评分者目前居住的国家。
fav_music_lang	str	喜欢的音乐语言 (如 EN, ZH)。
gender	str	自我报告的性别。
fav_genre	str	最喜欢的音乐类型。
play_instrument	str	是否演奏乐器 (Yes/No)。
training	str	是否接受过正规音乐训练 (Yes/No)。
training_duration	int	正规音乐训练年限 (若无则为0)。

引用

bibtex @article{koh2023merp, title = {{MERP}: A Music Dataset with Emotion Ratings and Raters Profile Information}, author = {Koh, En Yan and Cheuk, Kin Wai and Heung, Kwan Yee and Agres, Kat R. and Herremans, Dorien}, journal = {Sensors}, volume = {23}, number = {1}, pages = {382}, year = {2023}, doi = {10.3390/s23010382} }

搜集汇总

数据集介绍

构建方式

音乐作为情感表达的重要媒介，其感知与评价却深受个体差异的影响。MERP数据集正是为探究这一主观性而构建，通过Amazon Mechanical Turk平台招募参与者，对精心筛选的54首全长歌曲进行动态效价与唤醒度标注。歌曲选自Free Music Archive，借助三元神经网络与OpenSmile工具包，从情感区分性最强的角度遴选出50首，确保其全面覆盖效价-唤醒度空间的四个象限。另从DEAM数据集中选取4首作为锚定曲目以进行质量过滤。总计452名参与者完成标注，经严格清洗后保留277名有效标注者，并记录其人口统计学信息、音乐偏好与背景。

使用方法

使用者可通过Pandas库便捷地加载数据。主数据文件annotations_filtered.parquet包含经质量控制的标注结果，每行对应一名标注者对一首歌曲的完整时间序列。用户可对同一歌曲的多次标注进行平均以获取群体感知曲线，或结合rater_profiles.parquet中的画像信息，分析不同人口特征群体在情感感知上的异同。数据集支持时间序列分析、个性化情感识别模型训练，以及跨文化音乐情感比较研究，音频文件以WAV格式提供，便于特征提取与深度学习应用。

背景与挑战

背景概述

MERP（Music Emotion Recognition with Profile Information）数据集于2023年由新加坡科技设计大学Dorien Herremans团队等研究者构建，发表于《Sensors》期刊。该数据集聚焦于音乐情感识别中的主观性挑战，通过Amazon Mechanical Turk平台收集454首全长歌曲的动态效价与唤醒度评分，其中50首歌曲采用三重神经网络与OpenSmile工具包从Free Music Archive中精选，以覆盖效价-唤醒度空间的四个象限。数据集包含277名经过严格筛选的标注者的人口统计学、听觉偏好与音乐背景信息，为探究个体差异对音乐情感感知的影响提供了独特资源，推动了音乐情感计算与个性化推荐系统的发展。

当前挑战

该数据集面临的挑战主要包括：1）音乐情感感知的高度主观性，传统标注方法忽视听众个体差异导致模型泛化能力不足，MERP通过记录标注者画像信息为个性化建模提供数据基础；2）构建过程中标注质量控制的复杂性，需在众包环境中剔除无效数据（如过长/过短试验、异常驻留值）并确保锚定曲目一致性，最终经过7步过滤仅保留277位标注者；3）连续情感标注的时间对齐与平滑处理，需对原始滑块输出进行逐标注者重缩放与Savitzky-Golay滤波，以降低噪声并匹配音频特征采样率。

常用场景

经典使用场景

MERP数据集的核心应用场景在于音乐情感识别领域的连续动态标注研究。该数据集提供了54首全长歌曲在效价与唤醒维度上的10Hz时间序列标注，使得研究者能够捕捉音乐情感随时间演变的微妙变化。与传统的静态情感标签不同，这种连续标注方式更贴近人类听音乐时情感流动的真实体验，尤其适用于构建和评估能够理解音乐情感动态的深度学习模型。研究者可基于该数据集训练回归模型或循环神经网络，以预测每一时刻的情感状态，从而推动音乐情感计算从离散分类走向连续预测的范式转变。

解决学术问题

MERP数据集有效应对了音乐情感识别中主观性强、缺乏个体差异信息这两大核心难题。传统数据集往往忽略听者背景对情感感知的深刻影响，而MERP详细记录了每位评分者的人口统计学特征、音乐偏好与训练背景，使得研究者能够探索情感评分变异性的来源。例如，可分析不同音乐训练程度的听者是否在情感强度判断上存在系统性偏差。此外，该数据集提供的多评分者标注天然支持考虑个体差异的个性化情感建模，为解决“集体平均打分”掩盖真实感知模式的问题开辟了新路径，显著提升了情感计算模型的生态效度与泛化能力。

实际应用

在实际应用层面，MERP数据集为音乐推荐系统、智能播放列表生成以及音乐治疗等场景提供了坚实的基础。例如，流媒体平台可基于听者的历史偏好与个人特征数据，利用该数据集训练的模型精准推荐与当前情绪状态相契合的歌曲。在音乐治疗领域，治疗师能够借助此类模型筛选出具有特定情感轨迹的曲目，以辅助情绪调节或认知康复训练。此外，游戏与影视配乐制作亦可通过情感感知模型实现背景音乐的动态匹配，根据剧情进展实时调整配乐的情感色彩，从而提升沉浸体验。

数据集最近研究

最新研究方向

MERP数据集最新研究方向聚焦于融合个体差异与情感计算的前沿探索，通过引入评阅者的个人档案信息——包括年龄、性别、音乐偏好与训练背景——突破传统音乐情感识别中“情感感知一致性”的假设。该数据集利用三重神经网络与OpenSmile工具包从Free Music Archive中精选出覆盖效价-唤醒四象限的54首全长曲目，并由277名精心筛选的评阅者以10Hz频率提供动态连续标注。近期研究热点围绕如何利用这些个性化信息构建更具鲁棒性的音乐情感模型，尤其是在跨文化情感感知差异分析与音乐情感实时追踪系统中。MERP的出现为情感计算领域提供了首个同时包含精细情感标注与多维度评阅者画像的公开资源，推动了从单一音频特征向人机交互情境理解的关键转型，对个性化音乐推荐、音乐疗法及人机情感交互等应用场景具有里程碑意义。