A comprehensive study of classification of music genres with voice analysis

Zekeriya Anıl Güven

Makale detayları

A comprehensive study of classification of music genres with voice analysis

Yazarlar:

Zekeriya Anıl Güven

Yayıncı:

Nigde Omer Halisdemir University

Ana Başlıklar:

Ses İşleme | Bilgi Çıkarımı | Derin Öğrenme | Makine Öğrenme (Diğer)

Dergi:

Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi Vol.13 Issue 1, pp.325-333

Belge Tipi:

Makale

Yayın Tarihi:

1/2024

Belge Dili:

Türkçe

Document ID (Org No.):

2001309724

pISSN:

2564-6605

Anahtar kelimeler:

Özet:

 Voice analysis is a type of analysis that can be applied in many areas such as disease detection, emotion analysis, and classification of music genres. Classification can be made by applying image or data analysis according to the problem with voice characteristics. In this study, the classification of music genres was performed by extracting the voice characteristics. GTZAN, which consists of 10 music genre tags, was used as the dataset. In the analysis phase, the effects of audio segmentation and feature selection methods on the classification of music genres were investigated. Machine learning methods and deep neural networks were used for classification. In the first stage of the analysis, the accuracy value increased by 10.58 by applying only the audio segmentation. As a result of this study, after the application of audio segmentation and feature selection methods, Deep Neural Network provided an increase of 14.19 with an accuracy of 95.19.

 Voice analysis is a type of analysis that can be applied in many areas such as disease detection, emotion analysis, and classification of music genres. Classification can be made by applying image or data analysis according to the problem with voice characteristics. In this study, the classification of music genres was performed by extracting the voice characteristics. GTZAN, which consists of 10 music genre tags, was used as the dataset. In the analysis phase, the effects of audio segmentation and feature selection methods on the classification of music genres were investigated. Machine learning methods and deep neural networks were used for classification. In the first stage of the analysis, the accuracy value increased by 10.58 by applying only the audio segmentation. As a result of this study, after the application of audio segmentation and feature selection methods, Deep Neural Network provided an increase of 14.19 with an accuracy of 95.19.

 Voice analysis is a type of analysis that can be applied in many areas such as disease detection, emotion analysis, and classification of music genres. Classification can be made by applying image or data analysis according to the problem with voice characteristics. In this study, the classification of music genres was performed by extracting the voice characteristics. GTZAN, which consists of 10 music genre tags, was used as the dataset. In the analysis phase, the effects of audio segmentation and feature selection methods on the classification of music genres were investigated. Machine learning methods and deep neural networks were used for classification. In the first stage of the analysis, the accuracy value increased by 10.58 by applying only the audio segmentation. As a result of this study, after the application of audio segmentation and feature selection methods, Deep Neural Network provided an increase of 14.19 with an accuracy of 95.19.

 Ses analizi; hastalık tespiti, duygu analizi, müzik türleri sınıflandırma gibi birçok alanda uygulanabilen bir analiz türüdür. Ses karakteristik özellikleri ile probleme göre görüntü analizi, veri analizi uygulanarak sınıflandırma yapılabilmektedir. Bu çalışmada, ses karakteristik özellikleri çıkarılarak müzik türlerinin sınıflandırması gerçekleştirilmiştir. Veri seti olarak 10 müzik türü etiketinden oluşan GTZAN kullanılmıştır. Analiz aşamasında, ses bölütleme işlemi ve özellik seçme yöntemlerinin de müzik türünü sınıflandırmaya etkisi araştırılmıştır. Sınıflandırma için makine öğrenme yöntemleri ve derin sinir ağlarından yararlanılmıştır. Analizin ilk aşamasında, sadece ses bölütleme işlemi uygulanmasıyla doğruluk değeri 10.58 artış göstermiştir. Çalışmanın sonucunda, ses bölütleme işlemi ve özellik seçme yöntemleri uygulanması sonrasında öğrenme yöntemlerinden Derin Sinir Ağları yöntemi 95.19 doğruluk değeriyle 14.19 başarı artışı sağlamıştır.

Makale detayları

A comprehensive study of classification of music genres with voice analysis

Yazarlar:

Zekeriya Anıl Güven

Yayıncı:

Nigde Omer Halisdemir University

Ana Başlıklar:

Ses İşleme | Bilgi Çıkarımı | Derin Öğrenme | Makine Öğrenme (Diğer)

Dergi:

Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi Vol.13 Issue 1, pp.325-333

Belge Tipi:

Makale

Yayın Tarihi:

1/2024

Belge Dili:

Türkçe

Document ID (Org No.):

2001309724

pISSN:

2564-6605

Voice Analysis

Machine Learning

Deep Neural Networks

Feature Selection

Audio SegmentationSes Analizi

Makine Öğrenmesi

Derin Sinir Ağları

Özellik Seçme

Ses Bölütleme

Sayı

Makale detayları

Yazarlar: Zekeriya Anıl Güven

Yayıncı: Nigde Omer Halisdemir University

Ana Başlıklar: Ses İşleme | Bilgi Çıkarımı | Derin Öğrenme | Makine Öğrenme (Diğer)

Dergi: Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi Vol.13 Issue 1, pp.325-333

Belge Tipi: Makale

Yayın Tarihi: 1/2024

Belge Dili: Türkçe

Document ID (Org No.): 2001309724

pISSN: 2564-6605

Sayı

Yazarlar:

Zekeriya Anıl Güven

Yayıncı:

Nigde Omer Halisdemir University

Ana Başlıklar:

Ses İşleme | Bilgi Çıkarımı | Derin Öğrenme | Makine Öğrenme (Diğer)

Dergi:

Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi Vol.13 Issue 1, pp.325-333

Belge Tipi:

Makale

Yayın Tarihi:

1/2024

Belge Dili:

Türkçe

Document ID (Org No.):

2001309724

pISSN:

2564-6605