一个用于电吉他演奏技术识别的多式数据集

科学领域:

• 音乐 技术 音乐 技术
• 机器学习 机器学习
• 信号处理 信号处理

背景情况:

• 自动检测乐器演奏风格对于智能音乐辅导软件至关重要.
• 目前的方法是由于可用的全面,现实世界的数据集来训练机器学习模型而受到限制.
• 现有的数据集往往缺乏强大的游戏技巧识别所需的多样性和完整性.

研究的目的:

• 介绍一套关于电吉他演奏技巧的新型多式数据集.
• 促进用于自动吉他演奏风格评估的先进机器学习模型的开发.
• 为创建智能音乐辅导和培训应用程序提供一个有价值的资源.

主要方法:

• 创建了一个多式数据集,包括9种电吉他技巧的549个视频 (MP4) 和音频 (WAV) 样本.
• 使用智能手机进行录音,模拟现实环境,使用各种练习,吉他和放大器模拟.
• 提供了伴随的音乐谱,并开发了支持矢量机 (SVM) 和卷积神经网络 (CNN) 模型,用于使用音频数据进行技术分类.

主要成果:

• 该数据集成功支持了SVM和CNN模型的开发和测试,用于分类电吉他技巧.
• 多式联运性质和现实世界记录设置增强了数据集在实际应用中的实用性.
• 实验结果证明了使用数据集来训练有效的机器学习模型的可行性.

结论:

• 引入的多式联络数据集解决了电吉他演奏风格分析资源的稀缺问题.
• 这一数据集对智能音乐教育和性能分析领域做出了重大贡献.
• 公开可用的代码和可扩展数据集格式鼓励在自动音乐技术识别方面进行进一步的研究和开发.