Estudo de padrões em sinais musicais sob a perspectiva dos grafos de visibilidade

Abstract

O advento da tecnologia digital favoreceu um extraordinário aumento da capacidade de armazenamento e compartilhamento de arquivos de conteúdo musical, o que motivou algumas corporações a incluírem em suas plataformas, algoritmos computacionais para o gerenciamento automático de grandes bibliotecas de música digital. A classificação de gêneros musicais tem chamado a atenção como uma das formas de organização deste tipo de biblioteca, e nas últimas décadas, tem se tornado objeto de estudo de pesquisadores de um campo multidisciplinar emergente conhecido como Recuperação de Informações Musicais (MIR). A maioria dos trabalhos desse campo de pesquisa adota a estratégia de categorização de gêneros musicais usando a extração de atributos (ritmo, melodia e timbre) como uma de suas etapas essenciais. Dentre esses atributos, o ritmo desempenha um papel muito importante na definição do estilo musical. O estudo da rítmica em sinais de áudio inclui a investigação de características de regularidade de seus transientes. A auto-similaridade dos sinais pode dar informações relevantes sobre essa regularidade, e desta forma, contribuir para o estudo da complexidade rítmica de uma música. A maioria dos trabalhos do campo de processamento de sinais têm estudado a auto-similaridade em música digital utilizando o histograma de batidas. Existe uma carência na diversidade de descritores rítmicos para sinais de áudio, e o campo de processamento de sinais está restrito à técnicas baseadas em representações tempo-frequência. Novos tipos de descritores poderiam colaborar com os algoritmos tradicionais, para a melhorar a extração de características rítmicas, oferecendo outro ponto de vista para essa tarefa. Esta tese propõe uma metodologia para identificar padrões de auto-similaridade em sinais de áudio, usando propriedades topológicas de redes, denominado de Descritor de Visibilidade em Flutuações de Variância (DVFV). Este descritor é constituído de: Modularidade - Q, Número de Comunidades - Nc, Grau Médio - < k > e Densidade (Delta). Os resultados experimentais obtidos com o cálculo do DVFV em 1.000 grafos de visibilidade, correspondentes a 1.000 sinais, categorizados em 10 gêneros musicais, mostraram que o DVFV é capaz de detectar gráfica e numericamente, padrões de auto-similaridade em sinais classificados em gêneros musicais, de estabelecer uma relação hierárquica de categorias usando propriedades de redes, e de contribuir para que um sistema de classificação alcance precisão comparável ou superior a trabalhos correlatos.

ABSTRAC The advent of digital technology favored an extraordinary increase in the storage capacity and sharing of music content files, which motivated some corporations to include in their platforms computational algorithms for the automatic management of large digital music libraries. The classification of musical genres has attracted attention as one of the forms of organization of this type of library, and in recent decades, has become the object of study of researchers of an emerging multidisciplinary field known as Music Information Retrieval (MIR). Most of the works in this field of research adopt the strategy of categorization of musical genres using the extraction of attributes (rhythm, melody and timbre) as one of its essential stages. Among these attributes, rhythm plays a very important role in the definition of musical style. The study of rhythmic in audio signals includes the investigation of regularity characteristics of their transients. The self-similarity of the signals can give relevant information about this regularity, and thus contribute to the study of the rhythmic complexity of a song. Most of the works of the signal processing field have studied self-similarity in digital music using the beat histogram. There is a lack in the diversity of rhythm descriptors for audio signals, and the signal processing field is restricted to techniques based on time-frequency representations. New types of descriptors could collaborate with traditional algorithms to improve the extraction of rhythmic features, providing another point of view for this task. This thesis proposes a methodology to identify self-similarity patterns in audio signals, using topological properties of networks, called Variance Fluctuation Visibility Descriptor (DVFV). This descriptor consists of: Modularity - Q, Number of Communities - Nc, Average Degree - < k > and Density (Delta). The experimental results obtained with the calculation of DVFV in 1.000 graphs of visibility, corresponding to 1.000 signs, categorized in 10 musical genres, showed that the DVFV is able to detect graphically and numerically, self-similarity patterns in signals classified in musical genres, establish a hierarchical relationship of categories using properties of networks, and contribute for a classification system to reach comparable or superior precision to related works.