System for the measurement of musical similarity, using expressive markers considering the acoustic intensity and temporal metrics.

La comprensión sobre el concepto de música puede llevar a discusiones relacionadas con la estructura musical, clasificación y problemas semánticos, porque la idea simple de la música en sí misma puede ser abstracta. Dada esta complejidad, han surgido múltiples temáticas de investigación, siendo una...

Full description

Autores:
Jimenez Medina, Mauro Alejandro
López Miranda, Juan Sebastián
Tipo de recurso:
Fecha de publicación:
2018
Institución:
Universidad del Norte
Repositorio:
Repositorio Uninorte
Idioma:
spa
OAI Identifier:
oai:manglar.uninorte.edu.co:10584/8500
Acceso en línea:
http://hdl.handle.net/10584/8500
Palabra clave:
temporary metrics, expressive parameters, spectrogram, discrete cosine transform, Pearson correlation coefficient.
métricas temporales, marcadores expresivos, espectrograma, transformada discreta del coseno, coeficiente de correlación de Pearson.
Rights
License
Universidad del Norte
id REPOUNORT2_38d2e4d5b70a7e7b8c9fb0faee7301e5
oai_identifier_str oai:manglar.uninorte.edu.co:10584/8500
network_acronym_str REPOUNORT2
network_name_str Repositorio Uninorte
repository_id_str
dc.title.en_US.fl_str_mv System for the measurement of musical similarity, using expressive markers considering the acoustic intensity and temporal metrics.
dc.title.es_ES.fl_str_mv Sistema para la medición de similitud musical, usando marcadores expresivos con respecto a la intensidad acústica y métricas temporales.
title System for the measurement of musical similarity, using expressive markers considering the acoustic intensity and temporal metrics.
spellingShingle System for the measurement of musical similarity, using expressive markers considering the acoustic intensity and temporal metrics.
temporary metrics, expressive parameters, spectrogram, discrete cosine transform, Pearson correlation coefficient.
métricas temporales, marcadores expresivos, espectrograma, transformada discreta del coseno, coeficiente de correlación de Pearson.
title_short System for the measurement of musical similarity, using expressive markers considering the acoustic intensity and temporal metrics.
title_full System for the measurement of musical similarity, using expressive markers considering the acoustic intensity and temporal metrics.
title_fullStr System for the measurement of musical similarity, using expressive markers considering the acoustic intensity and temporal metrics.
title_full_unstemmed System for the measurement of musical similarity, using expressive markers considering the acoustic intensity and temporal metrics.
title_sort System for the measurement of musical similarity, using expressive markers considering the acoustic intensity and temporal metrics.
dc.creator.fl_str_mv Jimenez Medina, Mauro Alejandro
López Miranda, Juan Sebastián
dc.contributor.advisor.none.fl_str_mv Percybrooks Bolivar, Winston Spencer
dc.contributor.author.none.fl_str_mv Jimenez Medina, Mauro Alejandro
López Miranda, Juan Sebastián
dc.subject.en_US.fl_str_mv temporary metrics, expressive parameters, spectrogram, discrete cosine transform, Pearson correlation coefficient.
topic temporary metrics, expressive parameters, spectrogram, discrete cosine transform, Pearson correlation coefficient.
métricas temporales, marcadores expresivos, espectrograma, transformada discreta del coseno, coeficiente de correlación de Pearson.
dc.subject.es_ES.fl_str_mv métricas temporales, marcadores expresivos, espectrograma, transformada discreta del coseno, coeficiente de correlación de Pearson.
description La comprensión sobre el concepto de música puede llevar a discusiones relacionadas con la estructura musical, clasificación y problemas semánticos, porque la idea simple de la música en sí misma puede ser abstracta. Dada esta complejidad, han surgido múltiples temáticas de investigación, siendo una de ellas la identificación de audio para garantizar su legitimidad o fraudulencia; pero ¿cómo garantizar la identificación de marcadores expresivos de forma objetiva? Por ello el sistema propuesto actuaría como agente inteligente de control en casos de plagio usando marcadores expresivos, la transformada discreta del coseno y el coeficiente de correlación de Pearson para su desarrollo. La metodología para desarrollar la métrica de similitud musical se describe en la siguiente serie de etapas. La etapa inicial 1 consiste en la lectura y el almacenamiento de la señal de audio o de varias señales de consulta para automatizar la tarea de consulta con el fin de otorgar flexibilidad al usuario; En la etapa 2, el preprocesamiento de la señal se realiza normalizándolo con respecto a los niveles de intensidad acústica en la escala logarítmica descrita por ISO 6926: 2016, luego se realiza un submuestreo de la señal a 44.1 KHz, esta opción está relacionada con La frecuencia máxima permitida por el teorema de Nyquist y, finalmente, la información de los canales se promedia para convertir la muestra de audio en una señal monofónica.   Durante la etapa 3 y 4 se realiza el procesamiento de la señal, este paso consiste en un análisis de frecuencia y temporal de la señal para generar una lista de candidatos utilizando el espectrograma de audio. La etapa 5 consiste en el desarrollo de un algoritmo de similitud que utiliza la transformada discreta del coseno para reducir el costo computacional y el coeficiente de correlación de Pearson para identificar tendencias de similitud.
publishDate 2018
dc.date.issued.none.fl_str_mv 2018-12-04
dc.date.accessioned.none.fl_str_mv 2019-06-10T23:37:58Z
dc.date.available.none.fl_str_mv 2019-06-10T23:37:58Z
dc.type.es_ES.fl_str_mv article
dc.type.coar.fl_str_mv http://purl.org/coar/resource_type/c_6501
dc.identifier.uri.none.fl_str_mv http://hdl.handle.net/10584/8500
url http://hdl.handle.net/10584/8500
dc.language.iso.es_ES.fl_str_mv spa
language spa
dc.rights.es_ES.fl_str_mv Universidad del Norte
dc.rights.coar.fl_str_mv http://purl.org/coar/access_right/c_abf2
rights_invalid_str_mv Universidad del Norte
http://purl.org/coar/access_right/c_abf2
dc.publisher.es_ES.fl_str_mv Barranquilla, Universidad del Norte, 2018
institution Universidad del Norte
bitstream.url.fl_str_mv http://172.16.14.36:8080/bitstream/10584/8500/1/JIMENEZ%20Y%20LOPEZ_3159282712-1.png
http://172.16.14.36:8080/bitstream/10584/8500/2/Methodology%20%283%29.png
http://172.16.14.36:8080/bitstream/10584/8500/3/license.txt
bitstream.checksum.fl_str_mv a350c9335074c293c1ad1af45e5e6208
a81b1047943a311636f24b7ed8458926
8a4605be74aa9ea9d79846c1fba20a33
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
repository.name.fl_str_mv Repositorio Digital de la Universidad del Norte
repository.mail.fl_str_mv mauribe@uninorte.edu.co
_version_ 1812183070251417600
spelling Percybrooks Bolivar, Winston SpencerJimenez Medina, Mauro AlejandroLópez Miranda, Juan Sebastián2019-06-10T23:37:58Z2019-06-10T23:37:58Z2018-12-04http://hdl.handle.net/10584/8500La comprensión sobre el concepto de música puede llevar a discusiones relacionadas con la estructura musical, clasificación y problemas semánticos, porque la idea simple de la música en sí misma puede ser abstracta. Dada esta complejidad, han surgido múltiples temáticas de investigación, siendo una de ellas la identificación de audio para garantizar su legitimidad o fraudulencia; pero ¿cómo garantizar la identificación de marcadores expresivos de forma objetiva? Por ello el sistema propuesto actuaría como agente inteligente de control en casos de plagio usando marcadores expresivos, la transformada discreta del coseno y el coeficiente de correlación de Pearson para su desarrollo. La metodología para desarrollar la métrica de similitud musical se describe en la siguiente serie de etapas. La etapa inicial 1 consiste en la lectura y el almacenamiento de la señal de audio o de varias señales de consulta para automatizar la tarea de consulta con el fin de otorgar flexibilidad al usuario; En la etapa 2, el preprocesamiento de la señal se realiza normalizándolo con respecto a los niveles de intensidad acústica en la escala logarítmica descrita por ISO 6926: 2016, luego se realiza un submuestreo de la señal a 44.1 KHz, esta opción está relacionada con La frecuencia máxima permitida por el teorema de Nyquist y, finalmente, la información de los canales se promedia para convertir la muestra de audio en una señal monofónica.   Durante la etapa 3 y 4 se realiza el procesamiento de la señal, este paso consiste en un análisis de frecuencia y temporal de la señal para generar una lista de candidatos utilizando el espectrograma de audio. La etapa 5 consiste en el desarrollo de un algoritmo de similitud que utiliza la transformada discreta del coseno para reducir el costo computacional y el coeficiente de correlación de Pearson para identificar tendencias de similitud.Understanding the concept of music can lead to discussions related to musical structure, classification, and semantic problems because the simple idea of music itself can be abstract. There is a psychological definition by G. Widmer and W. Goebl for musical performance as the action of improving human interaction with music, using various parameters of musical theory such as the duration of notes, dynamics, articulation, etc. but how to guarantee the identification of expressive markers objectively? Therefore, the proposed system would act as an intelligent control agent in cases of plagiarism using expressive markers, the discrete cosine transform, and the Pearson correlation coefficient were implemented for its development. The methodology for developing the musical similarity metric is described in the following series of stages. The initial stage 1 consists of the reading and storage of the audio signal or of several query signals in order to automate the consultation task in order to grant flexibility to the user; In stage 2, preprocessing of the signal is performed by normalizing it with respect to the levels of acoustic intensity in logarithmic scale described by ISO 6926: 2016, then a sub-sampling of the signal is performed at 44.1KHz, this choice is related to the frequency maximum allowed by the Nyquist theorem and finally the information of the channels is averaged to convert the audio sample to a monophonic signal. During stage 3 and 4 signal processing is performed, this step consists of a frequency and temporal analysis of the signal to generate a list of candidates using the audio spectrogram. Stage 5 consists of the development of a similarity algorithm that uses the discrete cosine transform to reduce the computational cost and the Pearson correlation coefficient to identify similarity trends.spaBarranquilla, Universidad del Norte, 2018Universidad del Nortehttp://purl.org/coar/access_right/c_abf2temporary metrics, expressive parameters, spectrogram, discrete cosine transform, Pearson correlation coefficient.métricas temporales, marcadores expresivos, espectrograma, transformada discreta del coseno, coeficiente de correlación de Pearson.System for the measurement of musical similarity, using expressive markers considering the acoustic intensity and temporal metrics.Sistema para la medición de similitud musical, usando marcadores expresivos con respecto a la intensidad acústica y métricas temporales.articlehttp://purl.org/coar/resource_type/c_6501ORIGINALJIMENEZ Y LOPEZ_3159282712-1.pngJIMENEZ Y LOPEZ_3159282712-1.pngPoster del Sistema para la medición de similitud musical, usando marcadores expresivos con respecto a la intensidad acústica y métricas temporales.image/png11368443http://172.16.14.36:8080/bitstream/10584/8500/1/JIMENEZ%20Y%20LOPEZ_3159282712-1.pnga350c9335074c293c1ad1af45e5e6208MD51Methodology (3).pngMethodology (3).pngDiagrama de Bloques del proyectoimage/png131659http://172.16.14.36:8080/bitstream/10584/8500/2/Methodology%20%283%29.pnga81b1047943a311636f24b7ed8458926MD52LICENSElicense.txtlicense.txttext/plain; charset=utf-81748http://172.16.14.36:8080/bitstream/10584/8500/3/license.txt8a4605be74aa9ea9d79846c1fba20a33MD5310584/8500oai:172.16.14.36:10584/85002019-06-10 18:37:58.344Repositorio Digital de la Universidad del Nortemauribe@uninorte.edu.co