Automatic assessment of violin performance using machine learning

Mostra el registre complet Registre parcial de l'ítem

• dc.contributor.author Ortega Rams, Ariadna
• dc.date.accessioned 2019-10-30T10:09:02Z
• dc.date.available 2019-10-30T10:09:02Z
• dc.date.issued 2019
• dc.description Treball de fi de grau en Sistemes Audiovisualsca
• dc.description Tutors: Sergio Iván Giraldo, Rafael Ramírez
• dc.description.abstract Automatic Assessment of music performance is nowadays a relevant field of study, given the growing interest in the usage of computer-based music learning systems. In this project, we present a Machine Learning Approach to automatically evaluate the performance of several violinists when playing different musical pieces in order to classify to expert (high-level), mid-level and low-level performance qualities. From the audio database of the TELMI project, we extracted low-level audio features from pieces recorded by high, medium and low-level violinists. Later, we applied Dynamic Time Warping to compare the obtained time series of audio features among performers. We performed a classification task using a Nearest Neighbours and Linear Discriminant Analysis algorithms. Finally, we made a comparasion of classification results against human criteria. Preliminary results were obtained in which the simpler musical pieces (e.g. scale exercises) had lower classification accuracies compared to pieces with a higher degree of difficulty.ca
• dc.description.abstract Avui dia, l’avaluació automàtica d'execucions musicals es un camp d’estudi rellevant, donat el creixent interès en l’ús de sistemes d’aprenentatge musicals basats en ordinadors. En aquest projecte presentem un enfocament de Machine Learning per avaluar automàticament l'execució de diversos violinistes, mentre toquen diferents peces musicals, per classificar-ho en expert (alt nivell), mig nivell i baix-nivell. De la base de dades del projecte TELMI, hem extret característiques de baix nivell de les peces gravades per violinistes d’alt, mig i baix nivell. Després, hem aplicat el Dynamic Time Warping per comparar les sèries temporals de característiques acústiques obtingudes. S’ha realitzat la tasca de classificació fent servir els algoritmes de Nearest Neighbour i Linear Discriminant Analysis. Finalment, s’ha realitzat una comparació dels resultats de la classificació amb el criteri humà Els primers resultats s’han obtingut els quals les peces musicals més simples tenen una precisió de classificació més baixa comparat amb les peces d’un grau de dificultat més alt.
• dc.format.mimetype application/pdf*
• dc.identifier.uri http://hdl.handle.net/10230/42559
• dc.language.iso engca
• dc.rights Atribución-NoComercial-SinDerivadas 3.0 España*
• dc.rights.accessRights info:eu-repo/semantics/openAccessca
• dc.rights.uri http://creativecommons.org/licenses/by-nc-nd/3.0/es/*
• dc.subject.other So -- Enregistrament i reproducció -- Tècniques digitals
• dc.subject.other Aprenentatge automàtic
• dc.title Automatic assessment of violin performance using machine learningca
• dc.type info:eu-repo/semantics/bachelorThesisca