治愈音乐分类器 (Healing Music Classifier)

项目简介

治愈音乐分类器是一个基于机器学习的音乐分析工具，能够自动评估音乐的治愈潜力。该项目使用先进的音频特征提取技术和随机森林算法，对音乐的治愈属性进行量化分析。

在线使用

你可以直接通过以下链接使用我们的在线演示版本： Healing Music Classifier App

功能特点

• 🎵 支持多种音频格式（MP3、WAV）
• 🎼 专业的音频特征提取（MFCC、频谱特征等）
• 🤖 基于随机森林的机器学习分类
• 📊 直观的治愈指数可视化
• 🌐 便捷的Web界面
• ☁️ 支持在线部署

技术实现

音频特征提取

项目使用了以下关键特征：

• MFCC（梅尔频率倒谱系数）- 13个系数
• 色度特征（Chroma Features）- 12个特征
• 统计特征（均值和方差）

模型架构

• 使用随机森林分类器
• 特征标准化处理
• 交叉验证确保模型稳定性

本地安装使用

环境要求

• Python 3.8+
• pip包管理器

安装步骤

1. 克隆仓库

git clone https://github.com/githubcookies/healing-music-classifier.git
cd healing-music-classifier

2. 安装依赖

pip install -r requirements.txt

3. 准备数据

• 创建healing_music文件夹存放治愈音乐样本
• 创建non_healing_music文件夹存放非治愈音乐样本

4. 训练模型

python train_model.py

5. 启动Web应用

streamlit run app.py

模型训练流程

1. 数据准备

   • 收集治愈音乐和非治愈音乐样本
   • 将音频文件分别放入对应文件夹

2. 特征提取

   • 使用librosa库提取音频特征
   • 包括MFCC、色度特征等

3. 模型训练

   • 数据预处理和标准化
   • 使用随机森林算法训练
   • 进行交叉验证评估

4. 模型保存

   • 保存训练好的模型
   • 保存特征缩放器

在线使用指南

1. 访问在线演示
2. 点击"Choose an audio file..."上传音乐文件
3. 等待分析完成
4. 查看治愈指数和分析结果

分析结果说明

• 治愈指数 >= 75%: 强治愈效果
• 治愈指数 50-75%: 中等治愈效果
• 治愈指数 < 50%: 治愈效果有限

项目结构

healing-music-classifier/
├── app.py              # Streamlit Web应用
├── predict.py          # 预测功能模块
├── train_model.py      # 模型训练模块
├── requirements.txt    # 项目依赖
├── models/            # 模型文件夹
│   ├── model.joblib   # 训练好的模型
│   └── scaler.joblib  # 特征缩放器
├── healing_music/     # 治愈音乐样本
└── non_healing_music/ # 非治愈音乐样本

开发计划

• 添加更多音频特征支持
• 优化模型性能
• 添加批量处理功能
• 支持更多音频格式

贡献指南

1. Fork 项目
2. 创建特性分支 (git checkout -b feature/AmazingFeature)
3. 提交更改 (git commit -m 'Add some AmazingFeature')
4. 推送到分支 (git push origin feature/AmazingFeature)
5. 提交 Pull Request

许可证

该项目采用 MIT 许可证 - 查看 LICENSE 文件了解详情

联系方式

• 项目链接：https://github.com/githubcookies/healing-music-classifier
• HuggingFace空间：https://huggingface.co/spaces/404Brain-Not-Found-yeah/healing-music-classifier-app

致谢

感谢改变世界的力课程团队，在课程大作业的push下，我们完成了这个项目。 特别感谢以下开源项目：

• librosa
• streamlit
• scikit-learn
• HuggingFace Spaces