基于活跃频率的音乐信息检索
Music Information Retrieval Based on Active Frequency
Hardianto Wibowo, Wildan Suharso, Yufis Azhar, Galih Wasis Wicaksono, Agus Eko Minarno, Dani Harmanto
Makara Journal of Technology · 2021-09-01
开放获取音乐与舞蹈被引 2影响因子 ≈0.6
摘要
音乐是一门对频率进行组合的艺术，频率间的平衡能够产生和谐的音色。音乐的特征包含社会文化背景、歌词、情绪、节奏、和声、旋律、音色以及乐器运用等多个方面。本研究将乐器的频率范围作为分类特征，因为不同乐器具有各自特定的频率区间。为验证这一频率区间的有效性，我们选取了丹都特音乐、电子舞曲（EDM）、金属乐、流行/摇滚乐以及雷鬼乐五种音乐类型，并加入原声演奏这一类别进行测试。研究采用k-近邻算法对活跃频率进行分析，以此作为判定音乐分类准确性的依据。结果显示，电子舞曲、金属乐与原声音乐的分类准确率超过70%，而丹都特音乐、流行/摇滚乐及雷鬼乐的分类准确率则低于60%。总体而言，音乐分类的准确率受到所用乐器的相似性以及节奏因素的影响。
本摘要由 AI（Hy-MT2-Pro）翻译生成，仅供参考，请以原文为准。
AI 综述
基于全文生成- 主要观点
- 论文把音乐视为频率的组合，主张以乐器所占据的频率范围作为体裁分类的依据，并提出「活跃频率」（active frequency）这一特征，指某一Bark频段上被乐器激发而处于活跃状态的波所占的比例。作者以dangdut、EDM、metal、pop/rock、reggae五个体裁和acoustic这一演奏方式为分类对象，测量各类别在由254频段压缩而成的5个Bark频段上的平均激活值，发现metal五个频段均高于0.5，EDM、dangdut、pop/rock、reggae同以第1、2频段为主导，acoustic则仅第2频段突出。由此得出的核心论断是：分类准确率取决于各体裁所用乐器的相似程度与tempo，乐器配置相近的dangdut、pop/rock、reggae在特征空间中距离最近，因而最难区分。研究处在音乐信息检索中基于内容的音频描述与体裁识别这一问题上。
- 研究方法
- 方法路径为音频频谱分析加k近邻（KNN）相似度分类。材料是MP3音乐文件，作者用Game Engine Unity在254 Bark刻度上观察其频谱，借助Speed Spectrum Analyzer软件进行分析，剔除振幅低于10 dB的噪声波，再按Bark刻度将频谱缩放为5个频段，得到每个体裁的活跃频率均值。数据构成为6个类别各30条、共180条；测试时另取60首不同体裁的歌曲，表2列出的6首曲目分别对应dangdut、EDM、metal、pop/rock、reggae、acoustic六个标签。分类采用KNN，k从1迭代到10，归类依据是待测样本到训练样本的最短距离，精度以precision（用户请求信息与系统回答之间的吻合程度）计算。
- 学术贡献
- 贡献首先在特征与材料层面：论文把SAE Institute公布的各类乐器基频与谐波范围表与Bark频段缩放相结合，将乐器频率范围转化为可计算的5维活跃频率向量，并逐一给出六个类别的频段激活均值，为体裁识别提供了一个以乐器频段占用为内容的音频描述子。其次，它把这一描述子接入KNN分类流程，给出各体裁的precision值（metal 100%、EDM 90%、acoustic 70%、reggae 40%、pop/rock 20%、dangdut 10%），使「乐器相似度导致体裁混淆」这一判断获得可比较的量化依据。这些结果直接针对音乐信息检索中的体裁识别与相似度检索议题，其技术路径与材料中提及的基于tempo、beat、rhythm、pitch、melody等描述子的既有工作并列。
- 存在局限
- 测试环节与训练环节的样本量明显不匹配：训练数据每类30条、共180条，而测试曲目每类仅1首、总量只有6首，表4的precision实际由这6首曲目在k=1至10的10次迭代上的归类结果推出，单首曲目的频谱特征极易主导结果，样本代表性不足。tempo在结论中被列为影响准确率的因素，但材料中未见对tempo的独立测量或控制，乐器相似性与tempo各自贡献多少无法从现有数据中分离，因果归因的论证链条不完整。类别体系本身也存在层级混淆，dangdut、EDM、metal、pop/rock、reggae属体裁，acoustic属演奏方式，两者被并列为KNN的六个标签之一。此外，254频段压缩为5个Bark频段会抹平区分乐器所需的频段细节，而k值选取、距离度量的类型以及precision的具体计算口径在材料中均未明确说明。
- 进一步研究方向
- 可先扩充测试集，使每类曲目数量与训练集处于同一量级，并采用交叉验证确定k值与距离度量，以检验活跃频率特征的稳定性。其次，引入独立的节拍跟踪或tempo量化指标，把tempo与活跃频率作为双特征输入分类器，估计二者对dangdut、pop/rock、reggae三者相互混淆的相对贡献。再次，设计受控编曲实验，在保持其他条件不变的前提下替换主导乐器，检验乐器相似性是否确实是混淆的来源。还可保留更多频段（如不压缩到5个Bark，或按乐器基频与谐波区间分段）重做分类，量化频段压缩造成的精度损失。最后，重构标签体系，将体裁与演奏方式分层，分别评估其分类表现。
本综述由 AI（deepseek-flash）阅读开放获取全文自动生成，仅供参考，不代表原文作者观点，请以原文为准。
参考文献
相关论文
话题：Music and Audio Processing