Módulo baterista inteligente basado en beat -tracking
Introducción: Este artículo es el producto de la investigación: “Módulo baterista inteligente basado en beat-tracking”, desarrollado en la universidad del Quindío en 2020.
Problema: La mayor parte de las investigaciones sobre beat-tracking tienden a trabajar en la exploración de estrategias teóricas y no en el desarrollo de dispositivos automáticos que pueden ser funcionales en entornos musicales reales. Como consecuencia de lo anterior, hay escasez de dispositivos electrónicos para acompañamiento musical basados en la técnica de beat-tracking.
Objetivo: Desarrollar un dispositivo de acompañamiento musical automático basado en beat-tracking con operación en tiempo real.
Metodología: Para lograr el objetivo general, se aplica la metodología de desarrollo en cascada abordando el proceso en tres grandes fases: Desarrollo del algoritmo, implementación y diseño del prototipo.
Resultados: El algoritmo de beat-tracking se evalúa con 179 muestras musicales de varios géneros y luego se prueba con el toolbox de evaluación. Se encuentra que el algoritmo del módulo baterista tiene una medida AMLt (niveles métricos permitidos, no se requiere continuidad) del 74,32%.
Conclusiones: El algoritmo proporciona al módulo baterista una operación sólida y la programación multiproceso otorga al sistema integrado la capacidad de reproducir secuencias en tiempo real sin problemas de retraso.
Originalidad: Diseño de un producto funcional basado en beat-tracking que proporciona tres usos para un músico: acompañamientos musicales, práctica musical y grabación Home-Studio.
Limitaciones: La implementación de este prototipo dentro de un sistema embebido con falta de recursos computacionales y la complejidad del análisis de las señales de audio.
Cómo citar
Licencia
Derechos de autor 2021 Ingeniería Solidaria
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Compromiso ético y cesión de derechos
El autor debe declarar que su trabajo es original e inédito y que no se ha postulado a evaluación simultánea para su publicación por otro medio. Además, debe asegurar que no tiene impedimentos de ninguna naturaleza para la concesión de los derechos previstos en el contrato.
El autor se compromete a esperar el resultado de evaluación de la revista Ingeniería Solidaria, antes de considerar su presentación a otro medio; en caso de que la respuesta de publicación sea positiva, adicionalmente, se compromete a responder por cualquier acción de reivindicación, plagio u otra clase de reclamación que al respecto pudiera sobrevenir por parte de terceros.
Asimismo, debe declarar que, como autor o coautor, está de acuerdo por completo con los contenidos presentados en el trabajo y ceder todos los derechos patrimoniales, es decir, su reproducción, comunicación pública, distribución, divulgación, transformación, puesta a disposición y demás formas de utilización de la obra por cualquier medio o procedimiento, por el término de su protección legal y en todos los países del mundo, al Fondo Editorial de la Universidad Cooperativa de Colombia, de manera gratuita y sin contraprestación presente o futura.
V. Alluri et al., “Musical expertise modulates functional connectivity of limbic regions during continuous music listening,” Psychomusicology Music. Mind, Brain, vol. 25, no. 4, pp. 443–454, 2015, https://doi.org/10.1037/pmu0000124.
P. Toiviainen, I. Burunat, E. Brattico, P. Vuust, and V. Alluri, “The chronnectome of musical beat,” Neuroimage, no. September, pp. 1053–8119, 2019, https://doi.org/10.1016/j.neuroimage.2019.116191.
A. Holzapfel, M. E. P. Davies, J. R. Zapata, J. L. Oliveira, and F. Gouyon, “Selective sampling for beat tracking evaluation,” IEEE Trans. Audio, Speech Lang. Process., vol. 20, no. 9, pp. 2539–2548, 2012, https://doi.org/10.1109/TASL.2012.2205244.
W. T. Fitch, “The biology and evolution of music: A comparative perspective,” Cognition, vol. 100, no. 1, pp. 173–215, 2006, https://doi.org/10.1016/j.cognition.2005.11.009.
H. Honing, “Without it no music: Beat induction as a fundamental musical trait,” Ann. N. Y. Acad. Sci., vol. 1252, no. 1, pp. 85–91, 2012, https://doi.org/10.1111/j.1749-6632.2011.06402.x.
D. P. W. Ellis, “Beat tracking by dynamic programming,” J. New Music Res., vol. 36, no. 1, pp. 51–60, 2007, https://doi.org/10.1080/09298210701653344.
M. Istvanek, Z. Smekal, L. Spurny, and J. Mekyska, “Enhancement of conventional beat tracking system using Teager-Kaiser energy operator,” Appl. Sci., vol. 10, no. 1, pp. 1–20, 2020, https://doi.org/10.3390/app10010379.
D. Rosenthal, “Emulation of Human Rhythm Perception,” Computer Music Journal, vol. 16, no. 1. pp. 64, 1992, https://doi.org/10.2307/3680495.
M. Goto and Y. Muraoka, “A Real-time Beat Tracking System for Audio Signals,” Work. Comput. Audit. Scene Anal. Music, pp. 68–75, 1995.
M. Goto and Y. Muraoka, “Real-time Beat Tracking for Drumless Audio Signals,” Speech Commun., vol. 27, no. 3--4, pp. 311–335, 1999.
S. Dixon, “Automatic extraction of tempo and beat from expressive performances,” Int. J. Phytoremediation, vol. 21, no. 1, pp. 39–58, 2001, https://doi.org/10.1076/jnmr.30.1.39.7119.
S. W. Hainsworth and M. D. Macleod, “Particle filtering applied to musical tempo tracking,” EURASIP J. Appl. Signal Processing, vol. 2004, no. 15, pp. 2385–2395, 2004, https://doi.org/10.1155/S1110865704408099.
J. P. Bello, L. Daudet, S. Abdallah, C. Duxbury, M. Davies, and M. B. Sandler, “A tutorial on onset detection in music signals,” IEEE Trans. Speech Audio Process., vol. 13, no. 5, pp. 1035–1046, 2005, https://doi.org/10.1109/TSA.2005.851998.
W. A. Sethares, R. D. Morris, and J. C. Sethares, “Beat tracking of musical performances using low-level audio features,” IEEE Trans. Speech Audio Process., vol. 13, no. 2, pp. 275–285, 2005, https://doi.org/10.1109/TSA.2004.841053.
A. P. Klapuri, A. J. Eronen, and J. T. Astola, “Analysis of the Meter of Acoustic Musical Signals,” vol. 14, no. 1, pp. 342–355, 2006, https://doi.org/10.1109/TSA.2005.854090.
M. E. P. Davies and M. D. Plumbley, “Context-dependent beat tracking of musical audio,” IEEE Trans. Audio, Speech Lang. Process., vol. 15, no. 3, pp. 1009–1020, 2007, https://doi.org/10.1109/TASL.2006.885257.
D. P. W. Ellis and G. E. Poliner, “IDENTIFYING ‘ COVER SONGS ’ WITH CHROMA FEATURES AND DYNAMIC PROGRAMMING BEAT TRACKING Daniel P . W . Ellis and Graham E . Poliner Columbia University , New York NY 10027 USA,” New York, pp. 1429–1432, 2007, https://doi.org/10.1109/ICASSP.2007.367348.
Y. Shiu and C. C. J. Kuo, “Musical beat tracking via Kalman filtering and noisy measurements selection,” Proc. - IEEE Int. Symp. Circuits Syst., pp. 3250–3253, 2008, https://doi.org/10.1109/ISCAS.2008.4542151.
N. Degara, E. A. Rua, A. Pena, S. Torres-Guijarro, M. E. P. Davies, and M. D. Plumbley, “Reliability-informed beat tracking of musical signals,” IEEE Trans. Audio, Speech Lang. Process., vol. 20, no. 1, pp. 278–289, 2012, https://doi.org/10.1109/TASL.2011.2160854.
I. Al-Hussaini et al., “Predictive Real-Time Beat Tracking from Music for Embedded Application,” Proc. - IEEE 1st Conf. Multimed. Inf. Process. Retrieval, MIPR 2018, pp. 297–300, 2018, https://doi.org/10.1109/MIPR.2018.00068.
H. Ramírez, “SISTEMA DE TRANSCRIPCIÓN AUTOMÁTICA MUSICAL PARA INSTRUMENTOS DE CUERDA PERCUTIDA,” vol. 23, no. 3, pp. 35–37, 2019.
S. Balaji, “Waterfall vs v-model vs agile : A comparative study on SDLC,” WATEERFALL Vs V-MODEL Vs Agil. A Comp. STUDY SDLC, vol. 2, no. 1, pp. 26–30, 2012.
RaspberryPi, “Raspberry Pi 3 Model B+,” pp. 1–5, Accessed: Sep. 04, 2020. [Online]. Available: www.raspberrypi.org/products/raspberry.
L. Urbansky and U. Zölzer, “A digital radio-frequency condenser microphone with amplitude modulation,” Proc. - IEEE Int. Symp. Circuits Syst., vol. 2019-May, pp. 1–5, 2019, https://doi.org/10.1109/ISCAS.2019.8702611.
D. Caicedo, J. C. Martínez, and J. Andrade, “Control de iluminación con reconocimiento remoto de voz,” Ing. Solidar., vol. 7, no. 13, pp. 35–45, 2011.
F. Shaikh, “Learn Audio Beat Tracking for Music Information Retrieval (with Python codes),” pp. 1, Accessed: Mar. 05, 2020. [Online]. Available: https://www.analyticsvidhya.com/blog/2018/02/audio-beat-tracking-for-music-information-retrieval/.
S. Böck and G. Widmer, “Maximum filter vibrato suppression for onset detection,” DAFx 2013 - 16th Int. Conf. Digit. Audio Eff., pp. 1–7, 2013.
S. Böck, F. Krebs, and M. Schedl, “Evaluating the online capabilities of onset detection methods,” Proc. 13th Int. Soc. Music Inf. Retr. Conf. ISMIR 2012, pp. 49–54, 2012, https://doi.org/10.5281/zenodo.1416036.
I. de percepción Computacional, “GitHub - CPJKU/onset_db: Onset data set which can be used to tune/evaluate onset detection algorithms,” pp. 1, Accessed: Aug. 20, 2020. [Online]. Available: https://github.com/CPJKU/onset_db.
A. Modules, “Embedded Systems - Adaptive Modules,” pp. 1, Accessed: Feb. 27, 2020. [Online]. Available: https://adaptivemodules.com/info/embedded-systems/.
C. Koulamas and M. T. Lazarescu, “Real-time embedded systems: Present and future,” Electron, vol. 7, no. 9, pp. 10–12, 2018, https://doi.org/10.3390/electronics7090205.
G. Zaccone, “Python parallel programming,” pp. 15, 2015.
J. H. M. Dassen and C. Stickelman, “The Debian GNU/Linux FAQ,” pp. 1–3, 2019.
M. Miller, “The Complete Idiot’s Guide to Music History,” pp. 1–336, 2008.
M. E. P. Davies, N. Degara, and M. D. Plumbley, “Evaluation Methods for Musical Audio Beat Tracking Algorithms,” Audio, no. October, pp. 17, 2009, https://doi.org/10.13140/2.1.4703.4568.
S. Dixon, “Evaluation of the audio beat tracking system BeatRoot,” J. New Music Res., vol. 36, no. 1, pp. 39–50, 2007, https://doi.org/10.1080/09298210701653310.
