1 / 11

DFA

DFA. Detrended Fluctuation Analysis Analisi della danzabilità di brani audio. Introduzione. L’algoritmo DFA è stato utilizzato da vari ricercatori per l’analisi della danzabilità di brani musicali.

tana
Download Presentation

DFA

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. DFA Detrended Fluctuation Analysis Analisi della danzabilità di brani audio

  2. Introduzione • L’algoritmo DFA è stato utilizzato da vari ricercatori per l’analisi della danzabilità di brani musicali. • L’obiettivo del nostro studio è stato quello di dotare EyesWeb di questa funzionalità, valutando la possibilità di introdurne la modalità real time.

  3. Algoritmo • L’algoritmo è basato sull’analisi statistica delle correlazioni dell’intensità del segnale audio su diverse scale temporali. • I valori generati dalla nostra versione dell’algoritmo variano tipicamente in un range da 0 a 2: • I valori vicini a 0 indicano un’alta danzabilità. • I valori vicini a 2 indicano una scarsa danzabilità.

  4. Modifica DFA originale • Rispetto alla versione originale dell’algoritmo, la nostra implementazione fornisce i seguenti miglioramenti: • Modalità Real Time • Risorse computazionali ridotte • Maggior sensibilità del coefficiente DFA

  5. Patch EyesWeb DFA

  6. Risultati • Sono stati analizzati i seguenti generi musicali, divisi in 3 categorie: • Danzabili: dance, disco e liscio; • Mediamente danzabili: rock, pop e folk; • Non danzabili: classica, noise, jazz, ambient e soundtrack. • I grafici riportati di seguito mostrano il comportamento real time e quello medio del coefficiente DFA, tipico per le tre categorie.

  7. Danzabili Real Time Media

  8. Mediamente danzabili Real Time Media

  9. Non danzabili Real Time Media

  10. Conclusioni • I test effettuati con il blocco EyesWeb DFA hanno confermato la validità dell’algoritmo nel discriminare con buona sensibilità la danzabilità dei brani audio. • La modalità real time introdotta, si è rivelata efficace e utilizzabile anche su hardware non aggiornato.

  11. Riferimenti • Detrended fluctuation analysis of music signals: danceability estimation and further semantic characterization – Sebastian Streich, Perfecto Herrera (Presented at the 118th convention, 2005 May 28-31, Barcelona, Spain) http://www.iua.upf.edu/mtg/publications/41c4a8-AES118-sstreich.pdf • C. K. Peng et al., “Fractal Mechanisms in Neural Control: Human Heartbeat and Gait Dynamics in Health and Disease”, Online Tutorial. http://www.physionet.org/tutorials/fmnc/ • H. D. Jennings et al., “Variance fluctuations in nonstationary time series: a comparative study of music genres,” Condensed Matter (2003). http://xxx.lanl.gov/abs/cond-mat/0312380

More Related