*

Exploitation du raisonnement à partir de cas sur des données physiologiques pour l'identification des émotions induites par l'écoute musicale

Offre de thèse

Exploitation du raisonnement à partir de cas sur des données physiologiques pour l'identification des émotions induites par l'écoute musicale

Date limite de candidature

02-06-2025

Date de début de contrat

01-10-2025

Directeur de thèse

LIEBER Jean

Encadrement

Les deux encadrants se réuniront régulièrement avec le doctorant pour s'assurer du suivi du travail (compréhension des objectifs, réalisation d'objectifs particuliers, perspectives) et seront disponibles en dehors de ces réunions régulières pour assister le doctorant.

Type de contrat

Concours pour un contrat doctoral

école doctorale

IAEM - INFORMATIQUE - AUTOMATIQUE - ELECTRONIQUE - ELECTROTECHNIQUE - MATHEMATIQUES

équipe

K

contexte

La thèse se déroulera au LORIA au sein de l'équipe MosAIk (issue de la fusion des équipes Bird, K, Synalp et Orpailleur).

spécialité

Informatique

laboratoire

LORIA - Laboratoire Lorrain de Recherche en Informatique et ses Applications

Mots clés

Reconnaissance de l'émotion musicale, Raisonnement à partir de cas, Données physiologiques

Détail de l'offre

Cette thèse portera sur l'exploitation du raisonnement à partir de cas pour identifier les émotions induites par l'écoute musicale. Bien qu'encore rares, les recherches sur l'inférence des émotions induites impliquent généralement des données physiologiques, telles que le rythme cardiaque ou la taille des pupilles. Plus précisément, les approches actuelles se consacrent généralement à l'étude de la pertinence de l'utilisation de divers indicateurs en entrée d'algorithmes classiques de régression ou de classification. Ces indicateurs peuvent être des indicateurs simples, extraits des données physiologiques brutes, comme la moyenne ou la médiane du rythme cardiaque, ou des indicateurs plus sophistiqués basés sur la littérature de la psychophysiologie. Une limite de ces approches est qu'elles sont prisonnières des hypothèses sous-jacentes à ces indicateurs et qu'elles ignorent donc possiblement des informations cruciales contenues dans les données. Notre objectif sera donc d'étudier la pertinence de l'utilisation du raisonnement à partir de cas pour surmonter cette limitation. L'idée est d'isoler des signaux physiologiques bruts représentatifs des réponses émotionnelles et de les utiliser pour détecter de nouvelles émotions induites par l'écoute musicale. Une difficulté sous-jacente porte sur la définition de la similarité entre les cas représentatifs extraits des données physiologiques et les nouveaux cas collectés lors de nouvelles écoutes. Les signaux physiologiques peuvent en effet être influencés par un nombre important de facteurs, tels que l'adaptation à la température ambiante ou l'effort de découverte de la musique. En outre, la durée d'une émotion donnée peut également varier en fonction de la musique et de l'auditeur, ce qui peut conduire à une réponse physiologique plus ou moins étirée.

Keywords

Music Emotion Recognition, Case-based reasoning, Physiological data

Subject details

This PhD thesis will focus on the exploitation of case-based reasoning to identify emotions induced by music listening. Although relatively scarce, research on the inference of induced emotions usually involves physiological data, such as the heart rate or the pupil size. More precisely, the aim is to study the pertinence of using various indicators as input of classic regression or classification algorithms. These indicators can be simple indicator, extracted from the raw physiological data, such as the mean or median of the heart rate, or more advanced indicators based on the literature of psychophysiology. These approaches are however limited by the assumptions on which these indicators are based, and are therefore ignorant of potentially critical information contained within the raw data. Our aim will therefore be to study the extent to which case-based reasoning can be successfully applied to overcome this limitation. The idea is to isolate raw physiological signals that are representative of the emotional responses and to use them to detect new emotions induced by music listening. One major challenge of this approach is the definition of the similarity between the extracted cases and the new cases, especially as physiological signals can be influenced by a number of factors, such as the adaptation to the room temperature or the music discovery effort. The duration of a given emotion can also vary depending on the music and the listener, which can lead to a more or less stretched out physiological signal.

Profil du candidat

Compétences avancées en IA symbolique et numérique

Candidate profile

Advanced skills in symbolic and numerical AI

Référence biblio

[1] M. Doumbia, M. Renard, L. Coudrat, and G. Bonnin. Characterizing the Emotional Context Induced by Music Listening and its Effects on Gait Initiation : Exploiting Physiological and Biomechanical Data. In Adjunct Proceedings of the 31st ACM Conference on User Modeling, Adaptation and Personalization, pages 182–186, 2023.
[2] D. Han, Y. Kong, J. Han, and G. Wang. A survey of music emotion recognition. Frontiers of Computer Science, 16(6) :166335, 2022.
[3] X. Hu, F. Li, and R. Liu. Detecting Music-Induced Emotion Based on Acoustic Analysis and Physiological Sensing : A Multimodal Approach. Applied Sciences, 12(18), 2022.
[4] J. Kang and D. Herremans. Are We There Yet ? A Brief Survey of Music Emotion Prediction Datasets, Models and Outstanding Challenges. arXiv preprint, 2024.
[5] Emery Schubert. Emotion felt by the listener and expressed by the music : literature review and theoretical perspectives. Frontiers in psychology, 4 :837, 2013.
[6] Y. Song, S. Dixon, M. Pearce, and A. Halpern. Perceived and Induced Emotion Responses to Popular Music : Categorical and Dimensional Models. Music Perception : An Interdisciplinary Journal, 33(4), 2016.
[7] Ismaël Tankeu and Geoffray Bonnin. Towards Characterising Induced Emotions : Exploiting Physiological Data and Investigating the Effect of Music Familiarity. In MuRS 2024 : 2nd Music Recommender Systems Workshop, 2024.