Trajektoria kwintowa – dwuwymiarowa reprezentacja muzyki

• Autorzy: Kania Michalina , Kania Dariusz

Identyfikatory

DOI

10.15199/48.2022.06.13

Warianty tytułu

EN

Trajectory of fifths - a two-dimensional representation of music

• Języki publikacji: PL

Abstrakty

PL

W artykule przedstawiono metodę reprezentacji utworów muzycznych w postaci trajektorii kwintowej. Istota tworzenia trajektorii kwintowej polega na obserwacji zestawu pojawiających się dźwięków z ustaloną rozdzielczością czasową. Liczności, bądź czas trwania poszczególnych dźwięków odzwierciedlony jest poprzez długości wektorów wpisanych w koło kwintowe, tzw. sygnatury muzyczne. Trajektoria kwintowa obrazująca zmienność w czasie sygnatury muzycznej pozwala o jakościową ocenę struktury harmonicznej utworu muzycznego. Postać trajektorii kwintowej zależy z charakterem utworu i może stanowić obiekt badań związanych z pozyskiwaniem wiedzy muzycznej, ściśle powiązany z problemami klasyfikacji gatunków muzycznych. W artykule przedstawiono koncepcję tworzenia trajektorii kwintowej i rysunki pokazujące przykłady trajektorii kwintowych dla różnych znanych utworów muzycznych.

EN

This paper presents a method for representing the musical works in the form of the trajectory of fifths. The essence of creating a trajectory of fifths consists in observing with a fixed time resolution a set of appearing sounds. The multiplicity, or duration of individual sounds is reflected by the lengths of vectors inscribed in the circle of fifths, so-called music signatures. The trajectory of fifths allows for a qualitative evaluation of the harmonic structure of a musical piece. The form of the trajectory of fifths is closely related to the character of the piece of music and can be an object of research related to the acquisition of music information retrieval, closely related to the problems of music genres recognition. This paper presents the concept of creating a trajectory of fifths and figures showing examples of trajectory of fifths for various well-known pieces of music.

Słowa kluczowe

PL

wizualizacja muzyki; wyszukiwanie informacji muzycznej; komputerowa analiza muzyki; analiza tonalna

EN

music visualization; music information retrieval; computational music cognition; tonal analysis

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2022
• Tom: R. 98, nr 6
• Strony: 70--73
• Opis fizyczny: Bibliogr. 25 poz., rys.

Twórcy

autor

Kania Michalina

• Politechnika Śląska, Wydział Automatyki, Elektroniki i Informatyki, ul. Akademicka 16, 44-100 Gliwice

autor

Kania Dariusz

• Politechnika Śląska, Wydział Automatyki, Elektroniki i Informatyki, ul. Akademicka 16, 44-100 Gliwice

• https://orcid.org/0000-0002-3677-9939

Bibliografia

• [1] Albrecht J., Shanahan D., The Use of Large Corpora to Train a New Type of Key-Finding Algorithm: An Improved Treatment of the Minor Mode, Music Perception: An Interdisciplinary Journal, 31(1), (2013), 59-67
• [2] Burred, J.J., Hierarchical approach to automatic musical genre classification, Journal of the Audio Engineering Society, 52(7/8), (2014), 724–739
• [3] Chew E., Towards a Mathematical Model of Tonality, Ph.D. Thesis, Massachusetts Institute of Technology, 2000
• [4] Chew E., Out of the Grid and Into the Spiral: Geometric Interpretations of and Comparisons with the Spiral-Array Model, Computing in Musicology, 15, (2008), 51–72
• [5] Chen T-P., Su L., Functional harmony recognition of symbolic music data with multi-task recurrent neural networks, 19th ISMIR Conference, Paris, France, (2018), 90-97
• [6] Chuan C-H, Chew E., Audio Key Finding: Considerations in System Design and Case Studies on Chopin's 24 Preludes, EURASIP Journal on Advances in Audio Signal Processing, (2007), 1-15
• [7] Dawson M.: Connectionist Representations of Tonal Music: Discovering Musical Patterns by Interpreting Artificial Neural Networks, AU Press, Athabasca University, 2018
• [8] Grekow J., Metoda transformowania muzyki w figury 3D, Przegląd Elektrotechniczny, 89(11), (2013), 327-329
• [9] Grekow J.: Metoda transformowania muzyki w figury 4D, Przegląd Elektrotechniczny, 91(4), (2015), 159-162
• [10] Grekow J., Musical performance analysis in terms of emotions it evokes. Journal of Intelligent Information Systems, 51(4), (2018) , 415-437
• [11] Jacoby N., Tishby N., Tymoczko D., An information theoretic approach to chord categorization and functional harmony, Journal of New Music Research, 44(3), (2015), 219–244
• [12] Kania, P., Kania, D., Sygnatura utworu w procesie reprezentacji i analizy treści utworu muzycznego, Przegląd Elektrotechniczny, 94(4), (2018), 196-200
• [13] Kania D., Kania P.: A key-finding algorithm based on musicsignature, Archives of Acoustics, 44(3), (2019), 447-457
• [14] Kania D., Kania P., Łukaszewicz T., Trajectory of fifths in music data mining, IEEE Access, Vol. 9, (2021), 8751–8761
• [15] Kania P., Kania D., Łukaszewicz T., A hardware-oriented algorithm for real-time music key signature recognition, Applied Sciences, Computing and Artificial Intelligence, 11, 8753, (2021), 1-16
• [16] F. Korzeniowski, G Widmer, End-to-end musical key estimation using a convolutional neural network, 25th European Signal Processing Conference, (2017), 966–970
• [17] Krumhansl C.L.: Cognitive Foundations of Musical Pitch, New York: Oxford University Press, 1990, 77-110
• [18] Longuet-Higgins H.C., Letter to a musical friend, The Music Review, 23, 244, 1962
• [19] Longuet-Higgins, H.C., Second letter to a musical friend, The Music Review, 23, 280, 1962
• [20] Ntalampiras, S., A novel holistic modeling approach for generalized sound recognition. IEEE Signal Processing Letters, 20, 2, (2013), 185–188
• [21] Shepard R.: Geometrical approximations to the structure of musical pitch, Psychological Review, 89, (1982), 305–333
• [22] Temperley D., Marvin E.: Pitch-Class Distribution and Key Identification, Music Perception, 25, 3, (2008), 193–212
• [23] Weiß C., Brand F., Müller M., Mid-level Chord Transition Features for Musical Style Analysis, IEEE International Conference on Acoustics, Speech and Signal Processing, ICASSP 2019, 12-17 May, Brighton, United Kingdom, (2019)
• [24] Yang S., Reed C., Chew E., Barthet M., Examining emotion perception agreement in live music performance, IEEE Transactions on Affective Computing, (2021), 1-17
• [25] Zhou X.-H., Lerch A., Chord Detection Using Deep Learning,Proceedings of SIMIR 2015, Malaga, (2015), 52–58

Uwagi

Opracowanie rekordu ze środków MEiN, umowa nr SONP/SP/546092/2022 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2022-2023).