FACULTAD DE INGENIERÍA Vicedecanatura Académica POSGRADOS PRESENTACIÓN PROPUESTA TESIS DE DOCTORADO: TRABAJO FINAL DE MAESTRÍA: TESIS DE MAESTRÍA: TRABAJO

FINAL DE ESPECIALIZACIÓN

1. PROPONENTE: Carlos Andrés Torres Rodríguez CÉDULA: 80.544.723 2. PROGRAMA: Maestría en Ingeniería de Sistemas y Computación 3. DIRECTOR PROPUESTO: Luis Fernando Niño Vasquez DEPARTAMENTO: Departamento de Sistemas e Industrial ASESORES: ______________________________________________________________ 4. TÍTULO: Identificación Estructural Automática de Fragmentos Musicales 5. ÁREA: Recuperación de información Musical LÍNEA DE INVESTIGACIÓN: Inteligencia Artificial 6. ANTECEDENTES Y JUSTIFICACIÓN: ANTECEDENTES Gracias al importante acercamiento de la ingeniería como apoyo al proceso de aprendizaje dentro del área musical y debido a la carencia de productos en el mercado (Donde a diferencia del apoyo a la pedagogía se encuentran numerosas aplicaciones para producción, análisis, composición y ejecución autónoma de instrumentos), resulta de gran interés profundizar en el desarrollo de nuevas líneas de aplicación del conocimiento en este espacio. Entre los años 2000 y 2010 se realizó el desarrollo y puesta en marcha de "Armonía al Teclado", un producto con varias fases que cubrieron el análisis e implementación de una herramienta prototipo para la automatización del proceso de prácticas estudiantiles, el desarrollo de un portal de contenidos y prácticas en línea, la experimentación y análisis de datos con estudiantes del conservatorio de la Universidad Nacional de Colombia y finalmente la puesta en producción y apertura al público en general de la plataforma. En estas etapas se recorrió un camino importante en la comprensión desde el punto de vista pedagógico, musical e ingeniería del uso de herramientas automatizadas para el apoyo y asistencia del proceso de aprendizaje en las diferentes áreas musicales.

Página 1 de 11

Entre las ventajas significativas obtenidas en el apoyo a la pedagogía musical encontramos la delegación hacia un sistema automático de las "tediosas y repetitivas" labores del docente en el refinamiento del lenguaje musical y la identificación y recomendación de soluciones a errores típicos en la práctica estudiantil. Las unidades melódicas son el sustento de la expresión musical. es necesario que el individuo realice análisis de forma sobre fragmentos musicales como parte de su preparación para la composición. quienes conforman (de lo simple a lo compuesto) una composición musical tonal. Estos ejercicios progresivos y secuenciales son asistidos en su desarrollo. por cambio de nivel). 2 .INTRODUCCIÓN En un aparte de la formación básica del músico. MARCO TEÓRICO El análisis de la morfología musical tiene su inicio y fundamento en la organización de elementos musicales tales como la melodía. Estas variaciones o transformaciones pueden ser de tipo repetición. identificación estructural Automática de fragmentos musicales utilizando las características exploradas. dicho análisis se puede realizar desde múltiples perspectivas haciendo compleja una evaluación exacta del ejercicio. la frase. los estudiantes demuestran mas confianza y menos tensión en sus prácticas al no depender de una reacción humana frente a sus errores que además están siendo registrados y evaluados [1]. expansión y compresión rítmica. llevando así su labor de docente a un seguimiento más general y completo de la evolución de sus estudiantes. con este objetivo se propone dividir el problema en 4 acercamientos secuenciales a la solución total: Representación y exploración de las características de los elementos musicales. etc. identificación de la estructura formal de una composición completa. 1. para así finalizar con la asistencia y recomendación para prácticas de análisis estructural musical. progresión. por transporte. curva melódica. adaptación armónica (por enlace. espejo. observada desde este punto de vista como un universo de los elementos en cuestión. Para una correcta aproximación a la solución de este problema es necesario representar los elementos de una composición y plantear un sistema de recomendación automático que asista al estudiante en sus prácticas periódicas. Dichas variaciones son aplicadas al motivo inicial e integradas en secuencia (con otros motivos contrastantes) para generar una frase completa como se muestra en la Fig. secuencias de acordes y funciones tonales y patrones rítmicos los cuales se realizan repetitivamente hasta alcanzar cierta experiencia. Por otro lado. anterior a esta tarea es necesario iniciar entrenamientos mas simples entre los que encontramos análisis sobre motivos. evaluación y corrección (recomendación) por un profesor experto en el área. conocidas como motivos. el periodo y las partes. para que el discurso musical tenga un sentido mas contundente se hace uso de la variación motívica como herramienta de construcción de frases coherentes.

7. Ejemplo de integración de motivos y variaciones para formar una idea completa. Adicionalmente las características deben ser extraídas a diferentes niveles de observación de los datos en análisis. m2 y m3 como motivos iniciales que se desarrollan a partir de una misma célula y forman la frase s1. 1. es posible identificar su estructura utilizando análisis y clasificación de patrones de similitud de múltiples características observadas. Las frases a su vez se agrupan secuencialmente para definir periodos. finalmente la frase s3 es una nueva y contrastante idea. quienes finalmente integran elementos mayores llamados partes. Para obtener resultados mas precisos en la segmentación podemos utilizar una mayor cantidad de características y una selección de relaciones apropiada. IDENTIFICACIÓN DEL PROBLEMA: PREGUNTA DE INVESTIGACIÓN ¿Es posible identificar de manera automática y precisa la estructura de un fragmento musical? HIPOTESIS Dado un fragmento musical. 3 . distribuyen y relacionan para formar partes mayores conocidas como frases quienes dan un sentido mas concreto del lenguaje al fragmento. partiendo de la exploración de datos micro (melódica local y relaciones entre elementos simples) hasta llegar al espacio macro (comparación contra elementos superiores más complejos).Fig. s2 es la repetición de s1 transportada hacia abajo y con una variación en el motivo 3. Los motivos se varían. En la imagen se presenta m1.

donde se inicia con una revisión general sobre el problema del análisis estructural desde el punto de vista musical y buscando abstraer los procedimientos aplicados por un experto para resolverlo. METODOLOGÍA: Dado el importante papel que han tenido los métodos geométricos en los últimos años para la solución de problemas de clasificación y búsqueda de patrones se propone el uso de métodos de kernel para determinar relaciones entre los componentes del discurso musical y el desarrollo de medidas de similitud utilizando las características exploradas y otras características adicionales generadas de la relación entre elementos. se proponen las etapas típicas de una metodología iterativa como se muestra en la Fig. Fig. OBJETIVOS GENERALES Y OBJETIVOS ESPECÍFICOS OBJETIVOS GENERALES  Identificar automática de la estructura de fragmentos musical.8. OBJETIVOS ESPECÍFICOS  Proponer una representación computacional de las características para los diferentes elementos musicales. 9. Diagrama general de la metodología propuesta 4 . 2. La representación de características se sustenta en el análisis propuesto por los textos de educación en morfología musical[2] y la exploración se apoya en la efectividad y flexibilidad del análisis de patrones utilizando métodos de kernel.  Diseñar una metodología para la selección y uso de características musicales que aporten a la identificación estructural de un fragmento musical. 2.  Desarrollar un algoritmo de identificación estructural de fragmentos musicales utilizando las características de sus elementos. la etapa de evaluación permite comprender las diferencias de la solución automática con la solución esperada para ajustar (si es necesario) el modelo en una nueva iteración de desarrollo.  Analizar y validar características propias de los elementos musicales y características abstraídas de las relaciones entre ellos a partir de la experimentación. en seguida se realiza el diseño y la implementación del prototipo que se expondrá a pruebas comparativas contra soluciones realizadas por músicos expertos.  Fundamentar un banco de descriptores extraídos de los elementos musicales.

Haciendo uso de las posibilidades ofrecidas por los métodos de kernel [6]. ACTIVIDADES A DESARROLLAR: En las Fig. Fig. 3. en el presente caso se propone inclinar el desarrollo hacia la representación simbólica musical en partituras digitales y archivos MIDI atacando el problema en un sentido netamente estructural.10. en conclusión. se propone extraer características representativas de los diferentes elementos musicales a comparar y de las relaciones subyacentes para realizar un análisis de similitud en un dominio superior y a múltiples perspectivas de observación (de lo micro a lo macro). mejorando así la comparación clásica punto a punto [7] y teniendo 5 . es necesario fundamentar una buena representación de características de los elementos musicales y definir su contribución al análisis automático en una etapa de exploración. Procesamiento de texto [4] y Visión por Computador [5] se tienen referentes del aprovechamiento de las técnicas propuestas por el Aprendizaje de Máquina para la solución de problemas similares. Es importante aclarar que en la bibliografía se han encontrado desarrollos en análisis musical desde el punto de vista físico abordando temas de procesamiento de señales de audio. Diagrama detallado de la etapa de análisis En las áreas de la Biología [3]. 3 y 4 se enuncian las actividades a desarrollar para cada etapa de la metodología general.

Implementación. 6 . Fig.en cuenta semejanzas en diferentes variables independientes abstraídas de los mismos elementos musicales y del concepto teórico. Diagrama detallado de las etapas de Diseño. Pruebas y Evaluación Adicionalmente. 4. se propone aplicar métodos de clasificación sobe varios espacios de características definidos a modo de exploración para identificar clases relacionadas a los diferentes tipo de variación y a los diferentes espacios de relación entre pares contra las características escogidas.

11. CRONOGRAMA: Actividad Revisión de literatura musical Identificación de elementos musicales Identificación de características Definición de medidas de similitud Revisión de técnicas de kernel Pairwise kernels [8] Basados en similaridad Fisher kernel [9][10] Kernels de secuencia Gappy Wildcard Substring [11] Mismatch [12] Substitution [13] Kernel estructural [14] Kernel de no-secuencia Análisis de relaciones entre características Definición de medidas de similitud Selección de características relevantes Revisión de aplicaciones similares Biología [15] DNA [16] RNA Proteínas [17] Computer vision Bag of features Procesamiento de texto Mes 1 2 3 4 5 6 7 8 9 10 11 12 Análisis Página 7 de 11 .

Selección de espacios vectoriales Diseño Selección de medidas de similitud Diseño de la metodología Desarrollo del algoritmo Datos Primarios Localización Procesamiento Construcción set de datos Selección de datos de prueba Pruebas Clasificación manual de datos de prueba Patrones Procesamiento Clasificación Análisis de relaciones Comparación contra clasificación manual Evaluación Análisis de resultados Ajustes al algoritmo Documentación del proyecto 8 .

and William Stafford Noble. Carlos. Christina. 1993. "A discriminative framework for detecting remote protein homologies". T. Pacific Symposium on Biocomputing 575 (January): 564-75.al. Seattle. Eleazar Eskin.unal. Universidad Nacional de Colombia. and D Haussler. "Marginalized kernels for biological sequences". doi:10. Journal of Machine Learning Research 2: 419-444. 2000. Huma. Li. Jaakkola. H.Department of Computer Science an Engineering. "Mismatch String Kernels for SVM Protein Classification". Horacio. 316-336.pdf.nlm. 2002. R. http://www. Chapter 3 . Jason Weston. Koji Tsuda. Leslie. "Kernel Methods for Predicting Protein-Protein Interaction". G. Eduardo Reck Miranda. New York.1089/106652703322756113. G. 2002. Pierre-Yves. "Improving Bag-of-Features for large scale image search". Routledge Publisher.gov/pubmed/12169556. Number 3. Jegou.co/~hernandg/esip/esip. http://www. Yamanishi et. Experiencias Significativas en Innovación Pedagógica. Christina. Journal of computational biology : a journal of computational molecular cell biology 10 (6) (January): 857-68. and William Stafford Noble. Bernhard Schölkopf. Liao. Asa. Volume 87. 2004. http://dis. Douze. Volume 11. England) 18 Suppl 1 (January): S268-75. Leslie. "Construcción de un Ambiente Interactivo para Asistencia en Línea al Aprendizaje de la Armonía Musical". Department of Genome Sciences . "Combining pairwise sequence similarity and support vector machines for detecting remote protein evolutionary and structural relationships". http://www. Jean-Gabriel. "Music Pattern Extraction and Similarity Assessment". Nello Cristianini.nlm. 2003.ncbi. Página 9 de 11 [2] [3] [4] [5] [6] [7] [8] [9] [10] [11] [12] . Germán Hernández y Freddy Abel Vargas Cardozo. B. C. Douglass. International Journal of Computer Vision. M. Eds. BIBLIOGRAFÍA BÁSICA: [1] L. Lodhi. University of Washington. Second Edition. M Diekhans. "The spectrum kernel: a string kernel for SVM protein classification". and Chris Watkins.edu. Taishin Kin.nlm.12. and William Stafford Noble. and Kiyoshi Asai. 2005. M. USA. Bioinformatics (Oxford. "Text Classification using String Kernels".ncbi. Tsuda. Readings in Music and Artificial Intelligence. "Kernel methods in computational biology". 2000. "Form in Tonal Music". Craig Saunders. N. William.nih. Schmid. S. Journal of computational biology : a journal of computational molecular cell biology 7 (1-2): 95-114.Melodic structure of the phrase. John Shawe-Taylor.nih. Jean-Philippe Vert. http://www.gov/pubmed/11928508.ncbi. â Pacific Symposium on Biocomputing. Koji. Harcourt Brace Jovanovich College Publishers. 2002. T.nlm.nih.. USA.ncbi.nih.gov/pubmed/14980014. WA.gov/pubmed/10890390.

1093/bioinformatics/btg1002.1093/bioinformatics/bti1016. â Bioinformatics 19 (90001) (July 3): 26i-33.nih. http://www. doi:10. Asa. London: John Wiley & Sons Inc.gov/pubmed/15961482. 2004. England) 21 Suppl 1 (June): i38-46. and William Stafford Noble. First. â Bioinformatics (Oxford. 2009.org/cgi/doi/10. "Fast String Kernels using Inexact Matching for Protein Sequences". Vol. RECURSOS FÍSICOS: Para desarrollar este trabajo se requiere un equipo computacional que cumpla con las siguientes características:      Procesador de 4 núcleos o más Memoria RAM 4 Gb o más Almacenamiento de 1Tb Soporte para conexión MIDI Conexión a Internet Hardware Adicional:  Controlador MIDI El software necesario es:        Sistema Operativo Linux o Windows 7 Lenguaje de programación Java Procesador de texto Hoja de cálculo Diseño de presentaciones Acceso. Christina. Lodhi.ncbi. Ben-Hur. 2003.bioinformatics. 2005.nlm. doi:10. H. "Convolution Kernels on Discrete Structures". "Remote homology detection: a motif based approach".1093/bioinformatics/btg1002.ly/vwinpM Ben-Hur. "Kernel methods for predicting protein-protein interactions".[13] Leslie.H. "Elements of computational systems biology". David. Lodhi and Stephen H. http://www.. 1999. http://bit. Haussler. Journal of Machine Learning Research 5: 1435-1455. [14] [15] [16] [17] 13. Huma M.M. a. manipulación y visualización de datos Procesador de partituras digitales 10 . Muggleton. Muggleton. and S. Ed. 8.oupjournals.

COMENTARIO CON VISTO BUENO DEL DIRECTOR: (calificar los siguientes aspectos: organización.000 1'000.000 1'000.000 5'000.000 2'504.14. pertinencia. FIRMA DEL PROPONENTE _____________________________ Carlos Andrés Torres Rodríguez 17. relevancia y originalidad).000 65'104.000 7'200. COSTOS DEL TRABAJO Y FUENTES DE FINANCIACIÓN: Rubros Investigador Director de proyecto Equipos Recursos bibliográficos Viáticos Imprevistos (4%) Estudiante x x x x Subtotal x TOTAL Universidad x Valor 48'400. FECHA 28 de octubre de 2011 11 .000 15. 16. FIRMA DEL DIRECTOR _____________________________ Luis Fernando Niño Vasquez 18.000 62'600.

Sign up to vote on this title
UsefulNot useful