SOUNDS OF CULTURE
De cara a realizar la taxonomía del concierto nos basaremos en dos posibles modelos de clasificación en función de 2 niveles tal y como vemos en la gráfica inicial:
- El primero de los niveles consiste en clasificar los sonidos característicos de Barcelona por nacionalidades y partir de este hecho en función de las características propias de cada uno de ellos establecer su procedencia.
- El segundo modelo consiste en dividir el conjunto de todos los instrumentos en función del tipo al que pertecen, concretamente los estructuraremos de la siguiente manera:
- Intrumentos de viento:
- Instrumentos de percusión.
- Instrumentos de cuerda.
- Voz (englobado dentro de los instrumentos de viento)
Para el análisis de los descriptores de nuestros sonidos únicamente tendremos en cuenta el segundo nivel de clasificación, al considerarlo más determinante para las características del sonido, aunque para la partitura de la obra seguiremos el primer nivel.
A continuación detallamos por continentes y países los instrumentos y estilos musicales más destacados que tienen presencia en nuestra ciudad, Barcelona.
Cultura Andaluza
Guitarra española: instrumento de cuerda
Pandereta: Instrumento de percusión
Castañuelas: Intrumento de percusión
Cultura Catalana
Gralla: instrumento de viento
Tible: instrumento de viento
Tenora: instrumento de viento
Flabiol: instrumento de viento
Trompeta: instrumento de viento
Tamborí: instrumento de percusión
Trombón: instrumento de viento
Fiscorn: instrumento de viento
Contrabajo: instrumento de cuerda
EUROPA (España)
ÁSIA
Cultura China
Dizi: instrumento de viento
Dulcimer: instrumento de cuerda
Erhu: instrumento de cuerda
Fiddle: instrumento de cuerda
Guqin: instrumento de cuerda
Koto: instrumento de cuerda
Pipa: instrumento de cuerda
Wuhan: instrumento de percusión
Gong: instrumento de percusión
Cultura Hindú
Dhol: instrumento de percusión
Kanjira: instrumento de percusión
Morsing: instrumento de percusion
Tabla: instrumento de percusión
Santur: instrumento de cuerda
Sarangi: instrumento de cuerda
Sitar: instrumento de cuerda
Venu: instrumento de viento
SUDAMÉRICA
Cultura Peruana
Quena: instrumento de viento
Cajón peruano: instrumento de percusión
Charango: instrumento de cuerda
Zampoña: instrumento de viento
Cultura Colombiana
Bandola: instrumento de cuerda
Caja vallenata: instrumento de percusión
Cucharas: instrumento de percusión
Flauta de millo: instrumento de viento
Tambor alegre: instrumento de percusión
Tiple: instrumento de cuerda
ÁFRICA
Cultura Senegalesa
Kora: instrumento de cuerda
Balafon: instrumento de percusión
Yembe: instrumento de percusión
Kalimba: instrumento idiófono
Cultura Marroquí
Darbuka: Instrumento de percusión
Bandir: Instrumento de percusión
Tbila: Instrumento de percusión
Guembri: Instrumento de cuerda
MAPA GEOGRÁFICO
Taxonomía
Descriptores
En este apartado vamos a analizar las diferentes características que definen los sonidos, los descriptores que nos resultan útiles para clasificar los sonidos en función del tipo al que pertenecen.
Para ello hacemos uso de Weka (http://www.cs.waikato.ac.nz/ml/weka/). Utilizaremos propiedades como la media y la desviación estándar, entre otras y mostraremos gráficos para poder diferenciar los sonidos en función de su clase (recordemos que utilizaremos la clasificación por instrumento). El procedimiento a seguir es el que hemos realizado en clase así pues iremos detallando y analizandos los resultados.
En total tenemos 80 instancias de las cuales 32 hacen referencia a instrumentos de viento, 33 a instrumetos de percusión y 24 a instrumentos de cuerda. El número de atributos que utilizamos es de 26. Las instancias equivalen al total de sonidos mientras que los atributos al número de descriptores.
El siguiente paso consiste en utilizar los diferentes clasificadores disponibles en Weka e ir analizando la calidad de dicha clasificación. Para ello haremos uso de cuatro clasificadores de diferentes tipos.
Para realizar dicha clasificación utilizaremos la técnica “cross validation” ya que es muy utilizada para la clasificación de sonidos en función de diferentes características como el artista, el álbum o el estilo musical, lo utilizan algunos proyectos como rockola o spotify. Esta medida analiza modelos estadísticos, lo que hace es estimar como de preciso es un modelo, de esa manera lo que hace es dividir los datos que tenemos en conjuntos de entrenamiento y conjuntos de prueba que van cambiando a lo largo del modelo y se va utilizando el modelo que sea preciso para dividir en categorías. De esa manera el modelo se aprende sobre los datos de entrenamiento y luego se aplica en los de prueba, datos que van cambiando en cada iteración. A continuación mostramos los datos obtenidos:
- rules: ZeroR
Correctly Classified Instances 30 33.7079 %
Incorrectly Classified Instances 59 66.2921 %
Detailed Accuracy By Class
TP Rate FP Rate Precision Recall F-Measure ROC Area Class
0.281 0.316 0.333 0.281 0.305 0.457 viento
0.636 0.732 0.339 0.636 0.442 0.447 percusion
0 0 0 0 0 0.431 cuerda
Weighted Avg.
0.337 0.385 0.245 0.337 0.274 0.446
Lo que buscamos en este caso, es una matriz diagonal, donde el mismo número de sonidos que tengamos por grupo, estén clasificados en ese mismo grupo. Es decir 32 sonidos perteniences a instrumentos de viento (tipo a), 33 a percusion (tipo b) y 24 del tipo cuerda (tipo c).
- Del total de todas las instancias obtenemos que el porcentaje de clasificación de manera correcta (30) es menor que el porcentaje de clasificación de manera incorrecta (59).
En cuanto a la matriz de confusión podemos establecer lo siguiente:
- En los sonidos del tipo a clasifica de manera correcta 9 sonidos mientras que los 23 restantes los clasifica como si fueran de percusión y no tiene en cuenta los instrumentos de cuerda.
- En los sonidos del tipo b el porcentaje de aciertos es mayor ya que clasifica de manerra correcta 21 mientras que establece que 12 son instrumentos de viento.
- En los sonidos del tipo c clasifica de manera incorrecta todos ya que no tiene ningún acierto, se equivoca en los 24 clasificando 6 de ellos como instrumentos de viento y 18 como si fueran de percusión.
- Como dato curioso comentar que ningún instrumento es clasificaco como si fuera de cuerda.
- Tal y como vemos los resultados de este clasificador son bastantes pobres, básicamente lo que hace es clasificar los sonidos en aquellos grupos (viento y percusión) en los cuales el número de sonidos es mayor, por este hecho en los sonidos de cuerda el porcentaje de aciertos es muy reducido.
- trees: J48
Correctly Classified Instances 58 65.1685 %
Incorrectly Classified Instances 31 34.8315 %
Detailed Accuracy By Class
TP Rate FP Rate Precision Recall F-Measure ROC Area Class
0.781 0.193 0.694 0.781 0.735 0.813 viento
0.576 0.125 0.731 0.576 0.644 0.716 percusion
0.583 0.2 0.519 0.583 0.549 0.703 cuerda
Weighted Avg.
0.652 0.17 0.66 0.652 0.651 0.748
- Este clasificador en árbol clasifica de manera correcta 58 sonidos mientras que se equivoca en 31 sonidos. El resultado de aciertos es considerablemente mejor que el anterior clasificador.
- En los sonidos que pertenecen a instrumentos de viento acierta en la mayoría de ellos mientras que clasifica de manera errónea 7 de ellos, interpretando que 3 son instrumentos de percusión y 4 instrumentos de cuerda.
- En los sonidos que son de viento tiene un porcentaje menor de acierto, ya que interpreta que 19 son de este tipo pero en cambio 5 pertenecen a instrumentos de percusión y los 9 restantes a instrumentos de cuerda.
- En los sonidos que son de cuerda el porcentaje de aciertos todavía es menor que en el caso anterior, ya que solo establece de forma correcta 14 de ellos mientras que 6 los clasifica como si fueran de viento y 4 como si fueran de percusión.
- lazy: Ibk
Correctly Classified Instances 63 70.7865 %
Incorrectly Classified Instances 26 29.2135 %
Detailed Accuracy By Class
TP Rate FP Rate Precision Recall F-Measure ROC Area Class
0.813 0.14 0.765 0.813 0.788 0.853 viento
0.697 0.143 0.742 0.697 0.719 0.783 percusion
0.583 0.154 0.583 0.583 0.583 0.735 cuerda
Weighted Avg.
0.708 0.145 0.707 0.708 0.707 0.795
- Este clasificador clasifica de manera correcta 63 mientras que establece de forma erronea 26. El porcentaje de aciertos es mayor que los dos anteriores vistos.
- En los sonidos referentes al tipo a podemos establecer que acierta en la mayoría de ellos y solo se equivoca en 6, estableciendo que 3 pertencen a instrumentos de percusión y los otros 3 restantes a instrumentos de cuerda.
- En los sonidos del tipo b a pesar de que el número de aciertos es menor que en los sonidos de viento, acierta en 23 sonidos pero se equivoca en 10, estableciendo que 3 pertencen a instrumentos de viento y 7 a sonidos de cuerda.
- En los sonidos de tipo cuerda en este caso el donde obtenemos el menor porcentaje de aciertos. Interpreta como correctos 14 sonidos mientras que los 10 restantes establece que 5 son instrumentos de viento y los otros 5 instrumentos de cuerda.
- functions: SMO
Correctly Classified Instances 56 62.9213 %
Incorrectly Classified Instances 33 37.0787 %
Detailed Accuracy By Class
TP Rate FP Rate Precision Recall F-Measure ROC Area Class
0.813 0.298 0.605 0.813 0.693 0.775 viento
0.727 0.107 0.8 0.727 0.762 0.84 percusion
0.25 0.154 0.375 0.25 0.3 0.513 cuerda
Weighted Avg.
0.629 0.188 0.615 0.629 0.613 0.728
- Este clasificador clasifica de manera correcta 56 sonidos mientras que clasifica de manera erronea 33.
- En los sonidos de viento es donde tiene un mayor número de aciertos a la hora de realizar la clasificación, solo establece de manera incorrecta dos sonidos como si fueran de percusión mientras que cuatro si f ueran de cuerda.
- En los sonidos de percusión obtenemos 24 aciertos mientras que 3 sonidos los clasifica como si fueran de viento y los 6 restantes de cuerda.
- En los sonidos de cuerda es donde tenemos un menor número de aciertos, siendo la clasificación bastante pobre, solo clasifica de manera correcta 6 sonidos y establece 14 de la clase viento y 4 de la clase percusión.
En la siguiente gráfica analizamos el spectral centroid std (eje x) y el spectral flux std en el eje y.
El flujo espectral es una medida que es útil para detectar la rapidez con la que el espectro de potencia de una señal varía. Normalmente se calcula mediante la comparación del espectro de potencia para una trama y la de la trama anterior. Los valores devueltos oscilan entre 0 y 1, 0 nos indica que no hay cambio y 1 es el máximo cambio respectivamente. El flujo espectral no depende de la energía.
El flujo espectral tiene gran utilidad para determinar el timbre de una señal de audio, o la detección en el inicio...
Mientras que el centroide espectral es un buen vaticinador del “brillo” de un sonido, es decir, cuánto contenido de alta frecuencia hay en este, si es un sonido agudo o más bien grave. En la gráfica podemos observar como los instrumentos de viento y de cuerda de manera similar tienen el mismo patrón en la mayoría de los sonidos, es decir las variaciones son menos notables que los instrumentos de percusión y prácticamente son constantes en todo momento, en cambios los sonidos pertenecientes a instrumentos de percusión tienen un attack inicial más notable y la rapidez con la que varían es mayor que los de cuerda y los de viento.
- CONCLUSIONES:
Una vez hemos visto los anteriores clasificadores podemos establecer el siguiente orden en base al mismo número de descriptores utilizados:
1) - lazy: Ibk
Correctly Classified Instances 63 70.7865 %
Incorrectly Classified Instances 26 29.2135 %
2) - trees: J48
Correctly Classified Instances 58 65.1685 %
Incorrectly Classified Instances 31 34.8315 %
3) - functions: SMO
Correctly Classified Instances 56 62.9213 %
Incorrectly Classified Instances 33 37.0787 %
4) - rules: ZeroR
Correctly Classified Instances 30 33.7079 %
Incorrectly Classified Instances 59 66.2921 %