XiaoMi-AI文件搜索系统
World File Search SystemMusica
全球音乐多样性中的例外和规则
全球音乐多样性是科学和人文研究人员的流行话题，但通常出于不同的原因。科学研究通常通过测量和统计数据侧重于概括，而人文主义者通常使用定性方法强调例外。，但是这两种方法不必互斥。使用定量方法来识别音乐异常值和对最不寻常的歌曲的定性讨论，我们可以将科学和人文学科的方法结合在一起，以团结有关音乐多样性的知识。客观地定义不寻常的音乐是一项微妙的任务，从历史上看，以欧洲为中心的方法。使用全球自动点唱机，一个数据集，其中包含来自1,000多个社会的近6,000首歌曲，编码为37个“ Cantometric”音乐风格变量，我们将歌曲的不寻常性指定为其编码变量相对于其区域频率的频率。使用定量指标来识别音乐多样性中的异常值，我们对一些最不寻常的个人歌曲（来自俄罗斯库尔斯克的Panpipe合奏）进行了定性讨论，并比较了来自Malay，KelAïr和Moroccan Berber Berber音乐文化的不寻常曲目。我们还询问不寻常的音乐是不寻常的社会组织还是与其他群体隔离的结果。有薄弱的证据表明，音乐的异常性是由亲属组织和文化隔离所预测的，但是这些预测因素远远超过了以下发现，即通过了解他们来自的社会来最好地预测出不寻常的歌曲 - 定量支持音乐风格的存在的证据。
音乐舒适的诱饵
摘要本文研究了Spotify的Web API的数据，这些数据是在1958年8月至2021年5月第一张图表发行的Billboard Hot 100图表上的所有歌曲，以确定音乐苦难与经济痛苦之间的关系。十二个因变量 - 持续时间，舞蹈性，能量，钥匙，声音，声音，声音，响度，响度，仪器，术语，livesice，Valence和Tempo-用于衡量Arthur Okun的美国经济痛苦指数对每个特征的影响。使用12种单独的线性回归 - 一个用于每个因变量的一个 - 我发现，在经济困难增加的时候，消费者可能会选择聆听更长，更安静，更慢，更快乐的歌曲，这些歌曲具有较小的方式，较高的舞蹈性，舞步，较低的语音性，livesence，livesice和声音的水平。与以前的研究一致，这些结果表明人们在不确定的经济时期听音乐时如何寻求舒适感和摆脱压力的现实。此外，我提出了一个音乐苦难指数，该指数通过将统计上显着的变量除以其回归系数来为回归结果带来价值。由此产生的音乐苦难指数与经济痛苦的正相关为0.606，因此表明，流行音乐的消费者偏好与美国经济状况之间存在牢固的关系。最后，考虑到90％的美国人口定期听音乐，人们通过听音乐来调节自己的情绪，本文认为，可以利用音乐痛苦来估计消费者对美国经济的实时脉搏。
双管齐下：音乐互动后人际神经同步性增强
摘要：音乐的深层人际性质表明，音乐衍生的神经可塑性与人际时间动态或同步性有关。人际神经同步 (INS) 已被发现与社交互动期间行为同步性的增加相关，并且可能代表支持它们的机制。由于社交互动通常没有明确的界限，而且许多互动是间歇性开始和停止的，我们假设在互动后可以检测到 INS 的神经特征。本研究旨在使用前后范式来调查这一假设，测量合作二元音乐互动之前和之后的脑间相位一致性。在以合作敲击游戏形式进行的音乐互动之前和之后的静默、非互动期间，十对二元组进行了同步脑电图 (EEG) 记录。在后条件下发现 delta 波段 INS 在互动后显著增加，并且与之前互动的持续时间呈正相关。这些发现表明了一种机制，通过该机制，社交互动在中断后可以有效地继续下去，并有可能在纵向研究中测量神经可塑性适应。这些发现还支持了这样一种观点，即社交互动过程中的 INS 代表了维持同步的主动机制，而不仅仅是刺激和运动活动的并行处理。
对生物特征数据进行分类以实现虚拟现实中的音乐互动
摘要。自 2015 年以来，商业手势界面扩大了研究人员和艺术家使用新型肌电图 (EMG) 生物特征数据的范围。EMG 数据可测量肌肉幅度，并使我们能够通过与数字媒体进行自然手势交互来增强人机交互 (HCI)。虚拟现实 (VR) 是一种沉浸式技术，能够模拟现实世界及其抽象。然而，当前的商业 VR 技术不具备处理和使用生物特征信息的能力。与当前商业 VR 设备中使用光学传感器进行手势识别相比，在 VR 中使用生物特征识别技术可以更好地描述手势细节并使用复杂的自定义手势，例如器乐演奏中的手势。然而，EMG 数据很复杂，必须使用机器学习来使用它。本研究使用 Myo 臂带对 Wekinator 中的四种自定义手势进行分类，并观察它们的预测准确性和表示（包括或省略信号开始）以在 VR 中创作音乐。结果表明，根据手势表示类型，特定的回归和分类模型在对 VR 中高级音乐 HCI 的四种音乐手势进行分类时最为准确。我们应用并记录了我们的结果，表明 EMG 生物识别技术有望成为未来 VR 中交互式音乐创作系统的良方。
主动情绪音乐表演时的脑电图频谱特征
摘要：关于音乐演奏者有意表达情绪的神经相关性的研究仍然有限。在本研究中，我们试图评估音乐家的脑电图模式，这些音乐家被要求演奏简单的钢琴乐谱，同时操纵他们的演奏方式来表达特定的对比情绪，并在唤醒度和效价量表上自我评价他们所反映的情绪。在情绪演奏任务中，参与者被要求即兴创作变奏，以传达目标情绪。相比之下，在中性演奏任务中，参与者被要求精确地演奏相同的乐曲，以获得控制演奏过程中运动和感觉激活一般模式的数据。信号的频谱分析是作为初始步骤应用的，以便能够将研究结果与更广泛的音乐情感研究领域联系起来。情绪演奏与中性演奏的实验对比被用来探索与不同情绪状态相关的大脑活动模式。情绪和中性演奏任务在意向转移情绪唤起状态和效价水平方面存在很大差异。在苦恼/兴奋和中性/沮丧/放松演奏之间观察到脑电图活动的差异。
脑电图上的前额叶高伽马标记感知和想象中的音乐节奏周期性
摘要 已知有节奏的听觉刺激能引发神经群体中匹配的活动模式。此外，最近的研究表明高伽马大脑活动在听觉处理中具有特殊重要性，因为它参与了听觉短语分割和包络跟踪。在这里，我们使用来自 8 名人类听众的皮层脑电图 (ECoG) 记录来查看在节奏感知和想象过程中高伽马活动的周期性是否跟踪音乐节奏包络中的周期性。通过指示参与者想象节奏在几次重复的停顿期间继续，可以引发节奏想象。为了确定高伽马活动周期跟踪音乐节奏周期的电极，我们计算了音乐节奏和神经信号的自相关 (ACC) 之间的相关性。参与者听白噪声的条件用于建立基线。颞上回听觉区和两个半球额叶区域的高伽马自相关与音乐节奏的自相关显著匹配。总体而言，在右半球观察到大量重要的电极。特别有趣的是右前额叶皮层中的一大群电极在节奏感知和想象时都处于活跃状态。这表明有意识地处理节奏的结构，而不仅仅是听觉现象。自相关方法清楚地表明，从皮层电极测量的高伽马活动既跟踪注意的节奏，也跟踪想象的节奏。
学习 Netytar 的方法：一种可访问的数字乐器
摘要：无障碍数字乐器 (ADMI) 越来越受到科学界的关注，尤其是在声音和音乐计算以及人机交互领域。过去，Netytar 就是其中之一。Netytar 是一种通过眼睛操作的软件 ADMI，使用眼动仪和附加开关或传感器（例如呼吸传感器）。该乐器专为四肢瘫痪用户设计：它属于凝视操作乐器领域，并且已通过测试证明其有效且功能齐全。尽管市场和文献中还有其他几种凝视操作的 ADMI，但尚未提出使用它们学习音乐的正式方法。本研究介绍了一种基于一组练习的简单学习方法。这对于使用 Netytar 进行音乐表演很有用，但它也可能适用于学习其他类似的乐器。为了改进，对练习进行了说明、讨论和解释。介绍了一种简单的乐谱。在一个学习周期结束时，用户应该能够演奏简单的旋律，并有学习其他新旋律的基础。未来，该方法将在目标用户身上进行测试。
使用 EEG 和大规模在线研究测量音乐参数对音频通知的认知和行为反应的影响
先前的研究已经评估了各种音频通知设计。然而，对此类通知如何工作（特别是在用户认知状态层面）的更深入研究的呼声一直没有得到回应；而且，评估多种环境中大量参与者的音频通知的研究也很少。本研究进行了一项脑电图研究（N=20）和一项在线研究（N=967），以加强对三个音乐参数——旋律（简单、复杂）、音高（高、低）和节奏（快、慢）——如何影响用户的认知和行为的理解。有八种不同的通知，这些参数的组合不同。在线研究分析了用户特定信息和环境信息对用户收听这些通知时行为的影响。结果表明，节奏和音高对用户认知和行为的速度和强度（准确性）有主要影响。用户的特征和环境影响这些音乐参数的效果。
走向直接的脑机音乐接口
至少 40 年来，音乐家和作曲家一直使用脑电波作为音乐的生成源，而脑机接口用于直接通信和控制的可能性在 20 世纪 70 年代初首次被认真研究。此后的几年中，许多艺术家和技术专家一直在努力尝试用脑电波和许多其他生物信号来控制音乐系统。尽管可以从人脑中读取丰富的 EEG、fMRI 和其他数据，但到目前为止，将复杂的脑电图数据转化为令人满意的音乐效果的成功率仍然有限。我们目前正在进行一项研究，我们相信这项研究将带来直接脑机接口用于丰富而富有表现力的音乐控制的可能性。本报告将概述我们当前研究和成果的方向。