Signal processing methods for analyzing the temporal structure of music exploiting rhytmic knowledge
- Autores: Norberto Degara Quintela
- Directores de la Tesis: Antonio Pena Giménez (dir. tes.)
- Lectura: En la Universidade de Vigo ( España ) en 2011
- Idioma: español
- Tribunal Calificador de la Tesis: Simon Dixon (presid.), Manuel Ángel Sobreira Seoane (secret.), Aníbal João de Sousa Ferreira (voc.), Enrique Alexandre Cortizo (voc.), P. Vera-Candeas (voc.)
- Materias:
- Texto completo no disponible (Saber más ...)
- Resumen
La música es una de las fuentes de información más importantes y el desarrollo de algoritmos de búsqueda, navegación, recuperación y organización se ha convertido en un reto muy importante. Este campo de investigación se conoce como Music Information Retrieval (MIR) y ha ganado mucho interés en los últimos años. En este sentido, el entender cuáles son las propiedades que caracterizan a este tipo de señales es de gran importancia. En particular, la señal musical está altamente estructurada atendiendo a la secuencia temporal de los eventos musicales que la componen y el análisis de esta estructura es fundamental para el desarrollo de métodos específicos de procesado de señal musical.
El objetivo de esta tesis es proponer métodos para el análisis de la estructura temporal de señales musicales reales. Así, exploraremos técnicas para la detección automática de onsets, aquellos que definen el instante de inicio de las notas musicales, y beat tracking, que es equivalente al acto humano de seguir con el pie el ritmo de la música.
En primer lugar, centraremos nuestro análisis en el problema de la detección de onsets e introduciremos el concepto de decodificación rítmica. En lugar de detectar los onsets individualmente tal y como se ha venido haciendo hasta ahora, se propone un modelo estadístico para decodificar la secuencia de onsets que mejor definen la naturaleza rítmica de la señal musical analizada. El modelo propuesto define un método genérico que puede ser utilizado combinando con cualquier extractor del acento de la señal musical y estimador de ritmo.
Después de esto, extendemos nuestro modelo estadístico a un problema de seguimiento de beat. El objetivo es demostrar que la información que observamos en los instantes de tiempo donde no existe un beat puede ser también aprovechada para estimar el beat. Además, introducimos una nueva medida de evaluación, la information gain, que mide la ganancia de información proporcionada por un beat tracker cuando se compara con una estima completamente aleatoria.
Por último, estudiaremos la forma de medir automáticamente la precisión de las estimaciones de beat proporcionadas por nuestro algoritmo de beat tracking, a la cual denominamos reliability. La combinación de algoritmos de procesado de señal es un aspecto muy importante para el futuro en Music Information Retrieval y estas medidas de precisión son, por tanto, de gran interés ya que permiten evaluar el valor de la aportación proporcionada por cada algoritmo automáticamente.
