[论文解读] Musical Instrument Recognition Using Their Distinctive Characteristics in Artificial Neural Networks

Babak Toghiani-Rizi, Marcus Windmark|arXiv (Cornell University)|May 14, 2017

Music and Audio Processing参考文献 8被引用 10

一句话总结

本研究评估了不同音频特征（如完整频谱、起音瞬态和低频带）对使用人工神经网络（ANN）进行乐器识别的影响。基础模型在使用完整1–1000 Hz频谱时达到93.5%的准确率，而仅使用起音特征时准确率降至80.2%，表明频谱内容比时域瞬态更具判别性，适用于乐器分类。

ABSTRACT

In this study an Artificial Neural Network was trained to classify musical instruments, using audio samples transformed to the frequency domain. Different features of the sound, in both time and frequency domain, were analyzed and compared in relation to how much information that could be derived from that limited data. The study concluded that in comparison with the base experiment, that had an accuracy of 93.5%, using the attack only resulted in 80.2% and the initial 100 Hz in 64.2%.

研究动机与目标

• 评估不同音频特征（如起音瞬态、低频带和完整频谱）在乐器识别中的判别能力。
• 确定时域特征（如起音）或频谱内容（如频率分布）对准确分类的贡献程度。
• 评估人工神经网络（ANN）在仅使用部分或子集音频表示而非完整信号时的性能表现。
• 通过量化使用音频数据子集或特定频带时的准确率损失，为未来研究建立基线。

提出的方法

• 使用快速傅里叶变换（FFT）将原始音频样本转换到频域，以获得频谱表示。
• 从1–1000 Hz范围内归一化的频谱分区构建特征向量，向量长度保持为50以确保一致性。
• 使用伦敦爱乐乐团数据集，基于八个乐器类别（如小提琴、小号、单簧管）训练人工神经网络（ANN）。
• 执行五项独立实验：完整信号、仅起音、非起音部分、前100 Hz、100–1000 Hz频段，每项均使用50维特征向量。
• 使用主成分分析（PCA）进行可视化，并评估特征空间中的类别可分性。
• 通过交叉验证确保稳健性，使用分类准确率评估所有实验的模型性能。

实验结果

研究问题

• RQ1 完整频谱（1–1000 Hz）的包含如何影响ANN在乐器识别中的准确率？
• RQ2 仅依靠起音瞬态对乐器识别准确率的贡献程度如何，相较于完整信号？
• RQ3 将特征向量限制为仅前100 Hz频谱时，对分类性能有何影响？
• RQ4 若排除起音瞬态，是否仍能实现可靠的乐器分类？若可以，准确率是多少？
• RQ5 不同频带子集（如100–1000 Hz）在乐器识别中的判别能力如何比较？

主要发现

• 使用完整1–1000 Hz频谱的基准实验达到了最高的准确率93.5%。
• 仅使用起音瞬态时准确率下降至80.2%，表明虽然起音具有信息量，但不足以实现最优分类。
• 将特征向量限制为仅前100 Hz频谱时，准确率最低，仅为64.2%，表明极低频段的判别能力有限。
• 排除起音瞬态（即使用持续和衰减部分）时，准确率达到中等水平80.2%，表明持续阶段的频谱内容仍提供有意义的信息。
• 本研究证实，宽频带范围（1–1000 Hz）内的频谱特征比时域瞬态或窄带子集更具有效性，适用于乐器识别。
• 结果表明，未来研究可通过探索替代表示方法（如梅尔频率倒谱系数MFCCs）进一步提升准确率，MFCCs被识别为值得深入实验的有前景方向。