DISCIPLINA DE PROCESSAMENTO DIGITAL DE SINAIS, 2017.
1 - CURSO DE ENGENHARIA DE COMPUTAÇÃO, UNIVERSIDADE FEDERAL DO CEARÁ
Coeficientes Cepstrais da Frequência Mel para
Classificação de Gêneros Musicais
Arthur Sousa de Sena
Resumo— Neste artigo, através de simulações computacionais,
é realizada uma análise de desempenho entre diferentes técnicas
de Machine Learning para a classificação de gêneros musicais. O
processo de classificação é realizado com base nos Coeficientes
Cepstrais da Frequência Mel (MFCC, do inglês, Mel Frequency
Cepstral Coefficients) extraı́dos dos sinais de áudio. Os clas-
sificadores utilizados são: Decision Tree, kth Nearest Neighbor
(kNN), kNN com Random Subspace (RS-kNN) e Support Vector
Machine (SVM). Nas simulações foram considerados quatro
gêneros musicais, sendo eles Clássico, Metal, Rock e Pop. Todos
os classificadores forneceram resultados satisfatórios, contudo
o SVM obteve as melhores taxas de acerto. Além do mais, é
verificado a importância da variação do número de coeficientes
MFCCs.
Palavras-Chave— MFCC, Gêneros Musicais, Classificação de
Gênero, Classificadores.
I. I NTRODUÇ ÃO
Nos últimos anos, a distribuição online de música digital,
seja através de download ou via streaming, tem ganhado ex-
trema popularidade, superando as vendas das clássicas mı́dias
fı́sicas. Essa transição para o universo digital proporcionou
ao usuário o acesso a um gigantesco acervo de músicas.
Contudo, as pessoas geralmente têm interesse somente em
certas caracterı́sticas musicais, como um determinado artista,
um instrumento ou um gênero. Dessa forma, para facilitar a
busca, surgiu a necessidade de desenvolver técnicas que realize
a classificação das músicas em grupos que compartilhem tais
caracterı́sticas, conhecidas como técnicas de Recuperação de
Informações Musicais (MIR, Music Information Retrieval).
A Classificação de Gênero é uma das técnicas mais explora-
das na área de MIR [1], tendo uma quantidade considerável de
trabalhos publicados, nos quais aplicam diferentes estratégias
para se chegar ao mesmo objetivo. Uma abordagem comum é
a de converter o sinal musical para o domı́nio da frequência,
extrair certas caracterı́sticas e então agrupar as músicas que
possuem propriedades comuns. Existem diversas formas de
extração das caracterı́sticas dos sinais, como as técnicas ZCR
(Zero Crossing Rate) e a LPC (Linear Predictive Coefficients).
Tais técnicas funcionam bem para diferenciar entre músicas
instrumentais e vocais, pois conseguem identificar bem atri-
butos da voz humana. Contudo, não apresentam bom desem-
penho na classificação de gêneros puramente instrumentais [2].
Uma outra técnica extremamente eficaz e robusta, mesmo para
a identificação de gêneros parecidos, é a classificação por meio
dos coeficientes MFCCs [3].
Arthur Sousa de Sena, estudante do curso de Engenharia de Com-
putacão, Universidade Federal do Ceará, Sobral-CE, Brasil, E-mail:
arthurss@ymail.com.
A técnica de extração dos MFCCs consiste de uma
decomposição do espectro do sinal de áudio em curtos interva-
los, com o propósito de obter caracterı́sticas importantes que
modelam a audição humana. Ao longo dos anos a técnica tem
sido amplamente empregada nas mais diversas aplicações [2],
[4], [5], [6], [7], continuando uma área ativa até os dias atuais.
Os coeficientes MFCCs são utilizados para treinar algum tipo
de classificador, como algum algorı́timo de Machine Learning.
Existem diversas técnicas de Machine Learning, em que cada
uma delas exibe um desempenho diferente para cada tipo
de aplicação. Dessa forma, é bastante interessante analisar o
desempenho de diferentes técnicas para a classificação dos
MFCCs aplicada ao reconhecimento de gêneros musicais.
Dessa forma, será realizada uma comparação de desem-
penho entre quatro classificadores, incluindo Decision Tree,
kNN, RS-kNN e SVM. Além disso, será analisado o impacto
da variação do número de coeficientes nos classificadores. O
restante do trabalho está dividido como se segue. A Seção II
apresenta a fundamentação teórica necessária para o desen-
volvimento do trabalho. A Seção III apresenta o modelo de
sistema implementado. A Seção IV apresenta os resultados
de simulações. E por fim a Seção V traz as conclusões do
trabalho.
II. F UNDAMENTAÇ ÃO T E ÓRICA
A DFT (Discrete Fourier Transform), como bem
conhecida, converte um sinal no domı́nio do tempo para
o domı́nio da frequência. Embora a DFT forneça uma
caracterização completa do sinal no domı́nio da frequência,
ela não é ideal para detectar os tons perceptı́veis pelo o ouvido
humano. Isso se dá devido ao fato de que o ouvido humano
não funciona de forma linear. Pesquisadores mostram que a
faixa linear de percepção de frequências só chega a 1kHz e
acima dessa faixa, a percepção acontece de forma logarı́tmica.
Por esse motivo, foi proposta a escala Mel, em que através
dos coeficientes MFCC os áudios são caracterizados de forma
mais parecida com o funcionamento do ouvido humano. Para
se obter os coeficientes MFCC é preciso seguir uma série de
passos, explicados em sequência.
• Primeiro, o sinal de áudio é subdividido em frames
sobrepostos, usualmente com duração de 20ms a 50ms
espaçados por 10ms [8].
• Em seguida, os frames são filtrados por janelas Hamming
e seus espectros são obtidos através da DFT, definida por:
N −1
1 X 2π
s̄(k) = √ s(n)e−jn N k , (1)
N n=0
DISCIPLINA DE PROCESSAMENTO DIGITAL DE SINAIS, 2017.1 - CURSO DE ENGENHARIA DE COMPUTAÇÃO, UNIVERSIDADE FEDERAL DO CEARÁ

1 s1 T
s1 T
Banco de Áudios
0.9 Áudios de Treinamento Áudios de Teste
s2 s2

...

...
Gênero 1 Gênero 1 sT sN
f DFT sN f Extração
0.8 Gênero 2 Gênero 2 Framing e dos
Hamming MFCCs

...

...
0.7 Gênero K Gênero K

0.6 c1 c1
c2 c2
Amplitude

Coeficientes para
0.5

...
Treinamento

...
Resultados cK Média cM
Classificador dos Liftering
0.4
MFCCs
Coeficientes
0.3 para Teste

0.2

0.1 Fig. 2. Diagrama de blocos simplificado do sistema implementado.

0
0 1000 2000 3000 4000 5000 6000 7000 8000 9000 10000
Frequência [Hz]
• Como último passo, os M coeficientes MFCC são fi-
nalmente obtidos através da transformada inversa de
Fig. 1. Banco de 10 filtros triangulares espaçados uniformemente pela escala cossenos, definida por:
Mel com frequência mı́nima de 200 Hz e máxima de 10 kHz.
M −1  
X πn(m + 0, 5)
c(n) = P̂ (m)cos , (6)
M
em que s̄(k) é o sinal no domı́nio da frequência, s(n) m=0
é o sinal no domı́nio do tempo e N é o tamanho da DFT. para 0 < n < M − 1.

• Então, calcula-se o espectro de potência de s̄(k), dado Os MFCCs contam com uma caracterı́stica de possuir uma
por: alta variância nos coeficientes mais baixos e uma pequena
variância nos mais altos, o que pode piorar o desempenho dos
P (k) = |s̄(k)|2 . (2) classificadores. Por conta disso, geralmente mais uma etapa é
aplicada aos coeficientes, chamada de liftering. Essa etapa é
• O espectro de potência P (k) é então passado por um realizada aplicando um peso em cada coeficiente, dado por:
banco de M filtros triangulares passa-faixas, espaçados
L · sin mπ


de acordo com a escala de frequências Mel, dada por: hm = 1 + L
, (7)
2
para 0 < m < M − 1. Em que hm é o peso aplicado ao
 
f
M el(f ) = 1125 · ln 1 + . (3) m-ésimo coeficiente e L é o parâmetro de lifter, geralmente
700
com valor de 2M .
Assim, a resposta em frequência dos filtros Mel pode ser
definida por:
III. M ODELO DO S ISTEMA
O modelo simplificado do sistema considerado pode ser

 0 k < f (m − 1)
visto no diagrama da Figura 2. Como pode ser visto, o sistema
 k−f (m−1)
f (m − 1) ≤ k ≤ f (m)


f (m)−f (m−1)
Hm (k) = f (m+1)−k , implementado considera como entrada múltiplos áudios de


 f (m+1)−f (m) f (m) ≤ k ≤ f (m + 1) múltiplos gêneros, sendo que, uma porção é utilizada para o
0 k > f (m + 1)

treinamento dos classificadores e uma outra porção é utilizada
(4) para teste, notando que apenas um áudio é processado por
em que f (·) é uma sequência de M + 2 frequências vez. Para cada entrada, considera-se Ns amostras do sinal
espaçadas pela escala Mel, com m variando de 0 a M −1. de áudio, representado por s = [s(1), s(2), · · · , s(Ns )]T ,
A Figura 1 mostra o gráfico de um banco de 10 filtros com frequência de amostragem Fs . A primeira etapa do
gerados por meio de (4). processamento consiste na segmentação do áudio de entrada
em Nf frames de duração Tf , separados por um intervalo de
tempo Td . Assim, a saı́da do processo de segmentação consiste
• Continuando o processo, calcula-se o logaritmo natural em uma matriz de dimensões Nf × bTf · Fs c, dada por:
de cada elemento da sequência de saı́da dos filtros, como
se segue:  T
s1
N    s2
2 +1 S=  , (8)
 
X ..
P̂ (m) = ln  P (k)Hm (k) , (5)   .
k=0 sNf
para 1 < m < M . em que sn = [sn (1), sn (2), · · · , sn (F )] representa o n-ésimo
frame de tamanho F = bTf · Fs c, com 1 ≤ n ≤ Nf .
DISCIPLINA DE PROCESSAMENTO DIGITAL DE SINAIS, 2017.1 - CURSO DE ENGENHARIA DE COMPUTAÇÃO, UNIVERSIDADE FEDERAL DO CEARÁ
Em seguida, para suavizar as descontinuidades do inı́cio e
do final de cada um dos frames, eles são filtrados por Nf
janelas Hamming de largura F . Após essa etapa, os frames
são convertidos para o domı́nio da frequência através da DFT,
definida em (1), gerando assim, a matriz de espectros:
 T
s̄1
 s̄2

S̄ =   ,
 
..
 .
s̄Nf
em que s̄n = [s̄n (1), s̄n (2), · · · , s̄n (NDF T )] representa a DFT
de tamanho NDF T = 2dlog2 (F )e do n-ésimo frame, com 1 ≤
n ≤ Nf . A partir dessa etapa, acontece o processo de extração
dos coeficientes MFCCs, explicado detalhadamente na Seção
II. No final do processo de extração, obtêm-se a matriz de
coeficientes MFCCs, representada por:
 
c1
 c2 
C =  . ,
 
 .. 
cM
em que M é o número de coeficientes e cm =
[cm (1), cm (2), · · · , cm (Nf )] representa o vetor do m-ésimo
MFCC de cada um dos Nf frames, com 1 ≤ m ≤ M .
Esse ponto finaliza o processo de extração dos coeficientes
MFCCs do áudio atual. Continuando a execução do sistema,
o processo de extração dos MFCCs é repetido até que todos
os áudios tenham sido processados. Quando a fase de extração
é finalizada, calcula-se a média dos MFCCs para cada gênero,
resultando assim na matriz de coeficientes médios, dada por:
 
c̄1
 c̄2 
C̄ =  .  ,
 
 .. 
c̄K
em que K é o número de gêneros musicais considerados e
c̄k = [c̄k (1), c̄k (2), · · · , c̄k (M )] representa o vetor de MFCCs
médios para o k-ésimo gênero, com 1 ≤ k ≤ K. Como última
etapa do sistema de classificação, a matriz C̄ é passada como
entrada para os classificadores. Como já mencionado, foram
escolhidos para as análises quatro classificadores, que são:
Decision Tree, kNN, RS-kNN e SVM. Informações detalhadas
para tais classificadores são fornecidas em [1].
IV. R ESULTADOS DE S IMULAÇ ÕES
Para a implementação do sistema proposto, foi uti-
lizada a coleção de amostras de áudio, disponı́vel em [9].
Tais áudios são agrupados em diferentes gêneros e possuem
uma frequência de amostragem Fs = 25, 05kHz. Para as
simulações, foram escolhidos quatro gêneros: Clássico, Metal,
Rock e Pop. De cada gênero foram utilizados 60 áudios para
treinamento e 40 para teste, o que resulta em um total de 240
áudios de treinamento e 160 áudios de teste. De cada áudio
utilizou-se 600 × 103 amostras, resultando em uma duração
40
Classical
Metal
Rock
30
Pop
20
Amplitude
10
0
(9)
-10
-20
1 10 18 25 32
Índice do coeficiente Cepstral
Fig. 3. Coeficientes cepstrais médios para diferentes gêneros musicais.
de 27, 21s. Além disso, escolheu-se um tempo de frame de
Tf = 30ms com espaço entre frames de Td = 10ms. A
(10) menor frequência de corte do banco de filtros foi escolhida
como 200Hz e a maior como 10kHz. Várias quantidades de
coeficientes MFCCs foram testadas.
Para visualizar a primeira etapa da simulação, que con-
siste da extração dos MFCCs, foi plotado na Figura 3 os
coeficientes médios de treinamento dos quatro gêneros con-
siderados. Verifica-se que para cada gênero os coeficientes
apresentam valores diferentes, e à maneira que os ı́ndices
dos MFCCs aumentam, as suas variâncias diminuem. Como
já foi mencionado, esse comportamento realmente era espe-
rado, proporcionando assim uma noção de que o processo
de extração está sendo realizado corretamente. O fato de
que a variância dos MFCCs mais altos seja menor, torna
tais coeficientes não muito úteis para serem aplicados em
processos de classificação, pois depois de um certo nı́vel
torna difı́cil de identificar corretamente os diferentes gêneros.
(11)
Por esse motivo o número de coeficientes utilizados varia de
aplicação para aplicação, de maneira que cada autor sugere
um número de coeficientes diferentes. De fato, tal informação
é um importante parâmetro que influenciará nos resultados
dos classificadores. Assim, para descobrir o impacto desse
parâmetro, e além disso, descobrir o número mais apropriado
para o propósito deste trabalho, as simulações foram repetidas
para várias quantidades de MFCCs.
O gráfico da Figura 4 mostra os resultados das taxas de
acerto médias obtidos com a variação dos números de coefici-
entes para todos os classificadores utilizados. Percebe-se dois
comportamentos distintos entre as técnicas de classificação.
As técnicas Decision Tree, kNN e RS-kNN, exibem compor-
tamentos parecidos e até um pouco curiosos, em que o desem-
penho médio desse classificadores diminui com o aumento dos
números de coeficientes. Em contraste, o comportamento de
desempenho médio do classificador SVM é crescente com o
aumento do número de MFCCs. É perceptı́vel que para altas
quantidades de coeficientes, o SVM apresenta desempenho
bem superior que todos os outros classificadores, mas para
baixas quantidades, mais especificamente entre 6 e 8 coeficien-
tes, o classificador kNN se destaca sobre os outros, mostrando
DISCIPLINA DE PROCESSAMENTO DIGITAL DE SINAIS, 2017.1 - CURSO DE ENGENHARIA DE COMPUTAÇÃO, UNIVERSIDADE FEDERAL DO CEARÁ

100 100
87.5
90
90

80
80

Taxa de Acerto (%)

Taxa de Acerto (%)

70

70
60
Classical
Metal
60 50 Rock
Pop
Taxa Média
Decision Tree 40
50
kNN
RS-kNN
30
SVM
40

20
5 10 15 20 25 30 35 40 2 8 14 20 26 32 40
Número de Coeficientes Cepstrais Número de Coeficientes Cepstrais

Fig. 4. Taxas médias de acerto versus número de coeficientes cepstrais para Fig. 5. Taxas de acerto versus número de coeficientes cepstrais para o
diferentes classificadores. classificador SVM.

100
Classical
taxas de acerto consideravelmente altas, ultrapassando os 80%. Metal
Rock

90 %

90 %

90 %
Além do mais, é possı́vel observar que no geral o Decision

87.5 %

87.5 %

87.5 %
Pop
80

82.5 %
Taxa Média
Tree exibe o pior desempenho médio, tendo pouquı́ssimos
resultados melhores que os outros classificadores. Por sua vez,

72.5 %
70 %

70 %

66.25 %
a técnica RS-kNN exibe um desempenho intermediário entre
65 %

65 %

65 %
Taxa de Acerto (%)

60

60 %
58.125 %

57.5 %
os três piores.
55 %

Uma vez que já foi verificado o desempenho médio de

47.5 %

40

42.5 %
todos os classificadores, é bastante interessante agora verificar
o impacto da variação de coeficientes na classificação de
cada gênero de forma separada. Dado o alto desempenho do 20

classificador SVM, escolheu-se ele para fazer esse detalha-

mento. No gráfico da figura 5 é exibido o comportamento 0
detalhado das taxas de acerto para os quatro gêneros, além da Decision Tree KNN KNN with Random Subspace SVM

taxa média, já apresentada anteriormente. Observa-se que na

maioria das vezes o gênero Metal obteve os piores resultados,
contudo o seu desempenho melhorou à maneira que o número
de coeficientes aumentou, atingindo uma taxa de acerto de
80% quando se utilizou 24 coeficientes e chegando a ultra-
passar os 90% a partir de 36 coeficientes. De forma geral, o
gênero Pop obteve os melhores resultados, apresentando um
desempenho maior que 90% logo em uma quantidade de 12
coeficientes. Tanto o gênero Rock como o Clássico apresentam
taxas parecidas até cerca de 28 coeficientes, contudo a partir
de 30 coeficientes o desempenho de classificação do Rock
começa a cair, chegando a uma taxa inferior a 70% com 40
coeficientes. Analisando tais gráficos foi possı́vel identificar o
número de coeficientes que proporcionou a maior taxa média
de acertos, que foi 87.5% quando se utilizou 32 coeficientes. É
possı́vel notar que nesse valor, o desempenho de classificação
de todos os gêneros foi balanceada, estando entre 80% e
90%. Dessa forma, para comparar o desempenho de todos os
classificadores com a classificação de cada gênero detalhada,
escolheu-se como padrão o valor de 32 coeficientes.
No gráfico da Figura 6 estão expostos os resultados detalha-
dos da classificação realizada pelos quatro classificadores com
o padrão de 32 coeficientes. É possı́vel notar que em todos
os classificadores, o gênero Rock é o que obtém os piores
resultados, sendo a principal razão pela diminuição da média
geral de desempenho, mostrando um desvio de quase 20%
Fig. 6. Taxas de acerto para diferentes classificadores com um número de
32 coeficientes cepstrais.
da segunda pior taxa no classificador kNN. Além do mais,
verifica-se que na maioria dos classificadores o segundo pior
resultado é obtido com o gênero Clássico e que os gêneros
Metal e Pop exibem desempenhos parecidos, notando que no
classificador kNN os resultados desses gêneros são similares
aos obtidos no SVM. E por fim, mais uma vez percebe-se
que o Decision Tree apresenta as piores taxas, só ganhando
do kNN na classificação do gênero Rock.
V. C ONCLUS ÕES
Neste artigo, foi realizada uma análise de desempenho
de diferentes técnicas de Machine Learning aplicadas à
classificação de gêneros musicais através dos coeficien-
tes MFCCs. Inicialmente foi fornecida uma fundamentação
teórica para o desenvolvimento do trabalho, sendo em seguida
apresentado um modelo do sistema implementado. Na primeira
fase de execução do sistema, os áudios foram processados
e os coeficientes cepstrais extraı́dos. Os resultados obtidos
nessa etapa apresentaram comportamentos condizentes com
a teoria. Na segunda fase, uma parte dos coeficientes foi
utilizada para treinar os classificados, e a outra porção foi
DISCIPLINA DE PROCESSAMENTO DIGITAL DE SINAIS, 2017.1 - CURSO DE ENGENHARIA DE COMPUTAÇÃO, UNIVERSIDADE FEDERAL DO CEARÁ

utilizada realizar os testes. Pôde-se analisar o impacto que

a quantidade de coeficientes cepstrais tem sobre o desempe-
nho dos classificadores. A partir da análise foi determinada
quantidade de coeficientes mais adequada para ser utilizada
na classificação dos gêneros considerados. De forma geral,
todos os classificadores exibiram resultados satisfatórios, pro-
porcionando uma taxa média de acerto acima de 50%. Além
do mais, foi mostrado que, dentre os classificadores testados,
o SVM obtêm as maiores taxas de acerto na classificação dos
gêneros musicais, chegando a uma expressiva taxa de 87%.
Portanto, ficou claro o potencial que os coeficientes
MFCCs possuem para serem utilizados como parâmetro de
classificação de gênero musical, além de ser mostrada a im-
portância do classificador utilizado e o impacto da quantidade
de coeficientes escolhida. Em trabalhos seguintes poderiam ser
analisados os efeitos da variação de outros parâmetros, como
a frequência de amostragem, o tamanho dos frames de áudio
ou até mesmo a utilização de outros filtros.

R EFER ÊNCIAS
[1] Z. Fu, G. Lu, et al., A Survey of Audio-Based Music Classification and
Annotation. IEEE Transactions on Multimedia, 2011.
[2] C. Zheng e J. Xu, Multi-modal Music Genre Classification Approach.
Intl. Conf. on Computer Science and Information Technology, Vol. 8,
2010, pp. 398-402.
[3] S. Molau, M. Pitz, R. Schluter e H. Ney, Computing Mel-Frequency
Cepstral Coefficients on The Power Spectrum. IEEE International Con-
ference on Acoustics, Speech, and Signal Processing, 2001.
[4] M. Mandel and D. Ellis, Song-level features and SVMs for music
classification. Proc. Int. Conf. Music Information Retrieval, 2005.
[5] P. M. Chauhan, N. P. Desai, Mel Frequency Cepstral Coefficients
(MFCC) Based Speaker Identification in Noisy Environment Using
Wiener Filter. International Conference on Green Computing Commu-
nication and Electrical Engineering, 2014.
[6] C. D. A. Gordillo, Reconhecimento de Voz Contı́nua Combinando os
Atributos MFCC e PNCC com Métodos de Robustez SS, WD, MAP e
FRN. PUC-Rio, 2013.
[7] F. G. Barbosa e W. L. S. Silva, Support Vector Machines, Mel-Frequency
Cepstral Coefficients and the Discrete Cosine Transform Applied on
Voice Based Biometric Authentication. SAI Intelligent Systems Confe-
rence, 2015.
[8] J. Aucouturier e F Pachet, Improving Timbre Similarity: How high is
the sky?. Journal of Negative Results in Speech and Audio Sciences,
pp. 1-13, 2004 .
[9] GTZAN Dataset: Musical genre classification of audio signals. [On-
line]. Disponı́vel: http://marsyasweb.appspot.com/download/data sets.
[Acesso: 19 - Junho - 2017].
[10] D. P. Kumar, B. J. Sowmya, et al., A Comparative Study of Classifiers
for Music Genre Classification based on Feature Extractors. IEEE
Distributed Computing, VLSI, Electrical Circuits and Robotics, 2016.