Rechnergestützte Musikanalyse Einführung Projektseminar Musikwissenschaftliches Institut Hamburg WS 2005/06 Leitung: Klaus Frieler.

Präsentation zum Thema: "Rechnergestützte Musikanalyse Einführung Projektseminar Musikwissenschaftliches Institut Hamburg WS 2005/06 Leitung: Klaus Frieler."—  Präsentation transkript:

1 Rechnergestützte Musikanalyse Einführung Projektseminar Musikwissenschaftliches Institut Hamburg WS 2005/06 Leitung: Klaus Frieler

2 Rechnergestützte Musikanalyse Motivation Der Einsatz von Computer bietet neue Perspektiven und Möglichkeiten für die Musikwissenschaft, etwa: Statistische Analysen Überprüfung kognitiver Modelle Music Information Retrieval Obwohl bereits seit den Sechzigern erfolgt, keine große Verbreitung oder breite Akzeptanz in der Musikwissenschaft Im Gegensatz zur Musikproduktion, wo nichts mehr ohne Computer entsteht.

3 Rechnergestützte Musikanalyse Motivation Gründe für die geringe Verbreitung: Keine Standardtools zur Musikanalyse mit nutzerfreundlichem Frontend Viele Einzelprogramme auf vielen verschiedenen Plattformen und in vielen Programmiersprachen Viele Formate symbolischer Musikkodierung Technologische Hemmschwelle bei den Anwendern

4 Rechnergestützte Musikanalyse Übersicht Man kann prinzipiell zwei Arten von RMA unterscheiden: Symbolisch Audio Wir werden uns auf den symbolischen Bereich beschränken

5 Rechnergestützte Musikanalyse Symbolische RMA Benutzt musikalische Daten in symbolisierter Form, also in der Regel auf der Abstraktionsstufe eines Notentextes Klangliche Aspekte können so kaum untersucht werden Schwerpunkt auf syntaktische/kognitive Aspekte

6 Rechnergestützte Musikanalyse Symbolische RMA Zwei Hauptarten Symbolischer RMA (SRMA) Kognitive RMA Statistische RMA

7 Rechnergestützte Musikanalyse Kognitive SRMA Der Computer wird eingesetzt um kognitive Modelle zu überprüfen oder auf Grund ihrer Komplexität überhaupt erst operationalisierbar zu machen, z.B. Temperleys Melismapaket Hilfsmittel für musikwissenschaftliche Forschung, z.B. Einsatz von automatisierten Ähnlichkeitsmaßen als Tool für die Musikgedächtnisforschung (Müllensiefen)

8 Rechnergestützte Musikanalyse Kognitive SRMA Erstellung von Featureverteilungen in großen Datenmengen, z.B. Volksliedskonturen (Huron) Automatisierung etablierter Theorien und deren Überprüfung, z.B. Set-Theorie für 12-ton Musik (Forte, u.a.) Klassifikation und Kategorisierung von Musik mit statistischen Methoden, z.B. Katalog der luxemburschien Volksliedphrasen (Sagrillo)

9 Rechnergestützte Musikanalyse Sonstige SRMA Automatisierte Begleitung (Band in a Box, Toiviainens Jazzbegleiter)

10 Rechnergestützte Musikanalyse Grundlegende Vorgehensweise 1. Datenbeschaffung 2. Datenkodierung 3. Featureextraktion und/oder Transformation 4. (Kognitiver) Algorithmus oder statistische Methoden 5. Evalution

11 Rechnergestützte Musikanalyse Datenbeschaffung und –kodierung Oft einer der schwierigsten Punkte da zumeist: Aufwändig (z.B. eigene Transkriptionen, Dateneingabe von Hand oder Keyboard) ODER Teuer (z.B. jemanden Transkribieren lassen, MIDI Dateien kaufen)

12 Rechnergestützte Musikanalyse Datenbeschaffung und –kodierung Meist müssen die Daten noch konvertiert werden, möglicher Informationsverlust Oder Daten müssen ergänzt werden, z.B. Segmentierungen Datenkodierung ist schon eine gewisse Form vom Featurextraktion Den einzelnen Datenformate wird noch eine ganze Sitzung gewidmet sein…

13 Rechnergestützte Musikanalyse Featureextraktion und Transformationen Die Musikdaten müssen zumeist transformiert werden Transformationen, die die Zahl der Dimensionen (Freiheitsgrade) entscheidend verringen heißen Featureextraktion

14 Rechnergestützte Musikanalyse Featureextraktion und Transformationen Beispiel für Transformation Darstellung einer Melodie mit Intervallen und IOIs, Reduktion einer Melodie auf Akzentwerte Implizite Tonalitäten pro Takt Beispiele für Feature: Ambitus Mittlere Tonhöhe Mittlere Dauer Verteilung der Intervalle Etc.etc

15 Rechnergestützte Musikanalyse Algorithmen und statistische Methoden Hat man die Daten transformiert, kann man Algorithmen anwenden, z.B. Beat/Metrumsextraktion Ähnlichkeit/Distanzmaße Verteilung von Kennzahlen über viele Daten Statistische Klassifikatoren (SVM, neuronale Netze…) Faktoren Analyse, MDS (Hidden) Markov Models Anpassung von Modellen anhand empirischer Daten Und und und…

16 Rechnergestützte Musikanalyse Evaluation Besonders für kognitive Modelle ist eine Evaluation der gewonnen Ergebnisse wichtig. Evaluation ist Überprüfung der Validität der Ergebnisse zumeist anhand empirischer Daten (z.B. Ähnlichkeitsurteilen von Musikexperten) oder anderer z.B. mathematischer Evaluationsmethoden