[论文解读] The fractal dimension of music: Melodic contours and time series of pitch

Maria H. Niklasson, Gunnar A. Niklasson|arXiv (Cornell University)|Apr 6, 2020

Music and Audio Processing被引用 4

一句话总结

本研究采用盒计数法与去趋势波动分析（DFA）比较古典音乐与民间音乐的旋律轮廓及音高时间序列的分形维数。结果表明，DFA比盒计数法更可靠，因为后者在分形维数接近2时存在不准确性，且旋律轮廓连线可能引入潜在偏差。民间音乐的分形维数通常低于古典音乐，但短曲目中的截断效应需进一步研究。

ABSTRACT

We analyze the fractal dimension of melodic contours and pitch time series of classical music and folk music tunes. The fractal dimensions obtained from box counting and detrended fluctuation analysis show significant differences. They are ascribed to the low accuracy of box counting for dimensions close to two as well as to a possible bias because the pitches in the time series are connected by lines to obtain the melodic contour used in the box counting analysis. We observe a tendency that folk music exhibits lower fractal dimensions than classical music, but further studies are needed in order to assess cutoff effects in the comparatively short folk music tunes. We conclude that detrended fluctuation analysis is the preferable method for fractal analysis of music, and this verifies previous studies of analysis of short time series.

研究动机与目标

• 评估古典音乐与民间音乐中旋律轮廓及音高时间序列的分形维数。
• 比较盒计数法与去趋势波动分析（DFA）在估算音乐数据分形维数时的可靠性。
• 研究民间音乐是否因结构差异而表现出低于古典音乐的分形维数。
• 评估短曲目长度对分形维数估算的影响，特别是截断效应的影响。
• 验证DFA在分析短时间序列音乐数据时的适用性，与先前研究保持一致。

提出的方法

• 将盒计数法应用于从音乐音高序列中提取的旋律轮廓。
• 使用去趋势波动分析（DFA）从原始音高时间序列中计算分形维数。
• 分别对古典音乐与民间音乐数据集计算分形维数。
• 对两种方法的结果进行对比分析，以识别差异与偏差。
• 考虑曲目长度与数据分辨率，对不同音乐类型之间的维数差异进行统计评估。
• 通过连线连接音高序列形成旋律轮廓，可能影响盒计数法的准确性。

实验结果

研究问题

• RQ1 在古典音乐与民间音乐中，旋律轮廓的分形维数与原始音高时间序列的分形维数有何差异？
• RQ2 为何在此情境下，盒计数法与DFA得出的分形维数估计存在显著差异？
• RQ3 民间音乐是否表现出低于古典音乐的分形维数？如果是，这是否源于结构或统计因素？
• RQ4 短曲目长度在多大程度上会引入分形维数估算中的截断效应？
• RQ5 去趋势波动分析是否比盒计数法更适用于音乐音高时间序列的分析？

主要发现

• 当分形维数接近2时，盒计数法对分形维数的估计不够准确，尤其在音乐音高数据中更为明显。
• 通过连线连接音高点形成旋律轮廓，可能在盒计数法结果中引入潜在偏差。
• 去趋势波动分析被发现是音乐时间序列分形分析中更可靠且更优的方法。
• 民间音乐的分形维数通常低于古典音乐，但该趋势需进一步验证，因短曲目长度可能产生影响。
• 短民间音乐曲目中的截断效应可能影响分形维数估算，表明需进一步研究数据长度的限制。