Beat- und Metrumsextraktion mit gaußifizierten Einsatzzeiten Klaus Frieler Universität Hamburg Musikwissenschaftliches Institut Seminar 56.803, SoSe 08

Beat- und Metrumsextraktionmit gaußifizierten Einsatzzeiten

Klaus FrielerUniversität Hamburg

Musikwissenschaftliches Institut

Seminar 56.803, SoSe 08

Klaus Frieler: Beat- und Metrumsinduktion

Motivation

• Ziel: Extrahiere Zeitbasis, Beat, Metrum und Phasenlage aus einer Liste von (nicht-quantisierten) Einsatzzeiten.

• Methode: Auto- und Kreuzkorrelation von gaussifizierten Einsatzpunkten, zusammen mit Heuristiken, die auf musikpsychologischer Rhythmusforschung beruhen.


Überblick über Algorithmus

1. Berechne Gaußifikation mit Akzentregeln aus einer Liste von Einsatzpunkten.

2. Berechne Autokorrelationsfunktion (AKF).

3. Bestimme Beat und Zeitbasis aus den Maxima der gewichteten AKF.

4. Bestimme Gewichte für mögliche Metren und Phase durch Mustervergleich mit Hilfe von Kreuzkorrelation (KKF).


Gaußifikation

• Zu einer Liste von Onsets {ti} ist eine Gaußifikation die Überlagerung von Gaußfunktionen mit Mittelwerten ti

• im Bereich 25-50 ms (Zeitliche Ordnungsschwelle).• Die Koeffizienten i werden mit einfachen (zeitlichen)

Akzentregeln bestimmt.

N

i

tt

iT

i

etG1

2

)(

2

2

2

2

1)(


Zeitliche Akzentregeln

Seien ti = ti-ti-1, die IOI‘s und amin, amaj > 0 zwei Akzentwerte.

• Initialisierung:i = 1, 1 = amin, N=amin

• Regel 1: Falls (ti+1-2)/ti>1 dann i = amin

• Regel 2: Falls (t+1+)/ti >2 dann i = amaj


Beispiel einer Gaussifikation

„Plauderei an der Linde“ (120 bpm , zeitlichem Rauschen = 50ms)


Autokorrelation

• Autokorrelation ist Standardmethode um Periodizitäten in einem Signal zu entdecken.

• Idee: Verschiebe das Signal jeweils um eine bestimmte Zeit und vergleiche das Signal mit sich selbst (Multiplikation und Integration).

• Existieren Perioden in dem Signal, fallen bei der Periodenverschiebung Maxima auf Maxima => Höhere Korrelation.


Beispiel einer Autokorrelation

• Korrelationen von Gaussifikationen können geschlossen integriert werden.

• AKF von „Plauderei an der Linde“:


Bestimmung von Beat und Zeitbasis

• Beatlevel ist am stabilsten -> Finde Beat zuerst.

• Seit w(t)=exp(-ld2(t/ts)) eine Tempopräferenzfunktion. ts ~ 500ms (spontanes Tempo.)

• Die Beatzeit TB ist das argmax der mit w gewichteten AKF. (argmax AKF(t)*w(t))

• Die Zeitbasis T ist das argmax der einfachen (binären/ternären) Unterteilungen des Beats.


Tempopräferenz

• Tempopräferenzfunktion w(t)=exp(-ld2(t/ts)) (Nach

Parncutt, 1984)


Bestimmung von Metrum und Phase

• Berechne Kreuzkorrelation mit Gaussifikationen von metrischen Schablonen für den bestimmten Beat , z.B. (2,0,0) für ¾, oder (2,0,1,0) für 4/4.

• Die Maximalpunkte der KKF sind Kandidaten für die Phase.

• Der entsprechende Wert der KKF ist der Passwert (match) dieser Phase.

• Das totale Gewicht für ein (Metrum, Phasen)-Paar ist das Produkt des Phasen-Passwerts mit dem AKF-Wert der Periode des Metrums.


Beispiel für Kreuzkorrelation

KKF für 2/4 Bester 2/4-Takt

(„Plauderei an der Linde“)


Beispiel „Plauderei an der Linde“

• Beat: 516 ms• Zeitbasis: 246 ms

Metrum Phase Passwert Gewicht

2/4 545ms 1.40 1.55

3/4 540ms 0.88 0.59

4/4 545ms 1.05 0.80


Evaluation

• Das Modell wurde mit 586 Luxemburgischen Volkslieder und ver-schiedenen Akzentwerten getestet.

• Alle Melodien hatten Tempo 120 bpm und das Metrum (2,3,4 oder 6) war bekannt. 80% der Stücke hatten einen Auftakt (1-3 Achtel)

• Beaterkennungsfehler war ~12% (auschließlich 2:3 und 2:1 Verwechs-lungen)


Evaluation

• Fehlerfunktionen: 1.cM1 = #Richtige Periode bis auf Vielfache/N

2.cM2 = # Richtige Periode /N

3.cM3 = # Richtige absolute Taktlänge/N

4.c = #Richtige absolute Phase/N


Evaluation: Fehlerfunktionen

(amin, amaj) cM1 cM2 cM3 C

(1,1) 78% 41% 48% 32%

(1,2) 82% 46% 55% 62%

(2,1) 80% 43% 50% 27%

(2,2) 81% 45% 55% 50%

(2,3) 80% 47% 58% 64%

(2,4) 77% 44% 57% 64%

Zufall 25% 25%


Zusammenfassung

• Vielversprechende erste Resultate• Beaterkennung ist recht stabil und verlässlich.• Oktav- und Quintfehler bei der Metrumserkennung

(d.h. 2/4 - 4/4, 6/8 – 3/4) sind das häufigste Problem. • Die Benutzung von Akzentregeln verbessert die

Phasenfindung signifikant• Vorteil: Modell kann mit Audio- und symbolischen

Daten arbeiten.• Nachteil: KKF ist rechnerisch recht aufwändig• Kulturelle Abhängigkeit der Akzentmuster

Documents

Beat- und Metrumsextraktion mit gaußifizierten Einsatzzeiten Klaus Frieler Universität Hamburg Musikwissenschaftliches Institut Seminar 56.803, SoSe 08