haku: @keyword psykoakustiikka / yhteensä: 28
viite: 4 / 28
Tekijä: | Wikström, Valtteri |
Työn nimi: | Tuning the body to music: Mapping physiological responses to acoustic features |
Musiikin akustisten ominaisuuksien mallintaminen kuuntelijan fysiologisista vasteista | |
Julkaisutyyppi: | Diplomityö |
Julkaisuvuosi: | 2014 |
Sivut: | vii + 60 s. + liitt. 6 Kieli: eng |
Koulu/Laitos/Osasto: | Sähkötekniikan korkeakoulu |
Oppiaine: | Laskennallinen ja kognitiivinen biotiede (S3001) |
Valvoja: | Sams, Mikko |
Ohjaaja: | Makkonen, Tommi ; Vatanen, Tommi |
Elektroninen julkaisu: | http://urn.fi/URN:NBN:fi:aalto-201402191435 |
OEVS: | Sähköinen arkistokappale on luettavissa Aalto Thesis Databasen kautta.
Ohje Digitaalisten opinnäytteiden lukeminen Aalto-yliopiston Harald Herlin -oppimiskeskuksen suljetussa verkossaOppimiskeskuksen suljetussa verkossa voi lukea sellaisia digitaalisia ja digitoituja opinnäytteitä, joille ei ole saatu julkaisulupaa avoimessa verkossa. Oppimiskeskuksen yhteystiedot ja aukioloajat: https://learningcentre.aalto.fi/fi/harald-herlin-oppimiskeskus/ Opinnäytteitä voi lukea Oppimiskeskuksen asiakaskoneilla, joita löytyy kaikista kerroksista.
Kirjautuminen asiakaskoneille
Opinnäytteen avaaminen
Opinnäytteen lukeminen
Opinnäytteen tulostus
|
Sijainti: | P1 Ark Aalto 1026 | Arkisto |
Avainsanat: | affective computing physiological computing psychoacoustics music information retrieval MIR music emotion recognition physiology autonomic nervous system ANS real-time tunteet musiikki fysiologia autonominen hermosto reaaliaikainen psykoakustiikka |
Tiivistelmä (fin): | Tämän työn aiheena ovat äänen psykoakustiset ominaisuudet, musiikkiin liitettävät tunteet, ja niiden aiheuttamat fysiologiset vasteet. Tavoitteena on kehittää reaaliaikainen järjestelmä psykoakustisten ominaisuuksien mallintamiseksi kuuntelijan fysiologisten vasteiden perusteella. Tämän teknologian mahdollisia käyttökohteita ovat fysiologisesti ja tunteellisesti tietoisten käyttöliittymien kehittäminen, sekä taiteellinen ilmaisu. Työ alkaa katsauksella autonomiseen hermostoon, affektiiviseen tietotekniikkaan ja musiikin tiedonhakuun. Metodiosiossa kartoitetaan tunnettuja työkaluja ja menetelmiä fysiologisten signaalien ja psykoakustisten ominaisuuksien analysoimiseksi. Koska saatavilla ei ollut työkaluja ihon sähkönjohtavuuden, sydänsähkökäyrän ja hengityksen reaaliaikaista analyysiä varten, kehitettiin tätä tarkoitusta varten uusi tietokoneohjelmisto. Äänen analyysi ja regressiomallinnus toteutettiin olemassaolevilla työkaluilla. Arviointitutkimuksen avulla pyrittiin selvittämään regressiomallin toimivuus. Validoidussa paradigmassa monen muuttujan lineaarista regressiomallia ja neuroverkkomallia verrattiin vakiomalliin. Lopputulos oli sekalainen. Vakiomalli oli tarkempi kuin kaksi muuta mallia, mutta neuroverkkomalli saavutti merkittäviä korrelaatioita ennusteiden ja kohdearvojen välille. Päätösluvussa teen ehdotuksia nykyisen järjestelmän edelleenkehittämistä varten, sekä ehdotan mahdollisia jatkotutkimuksen aiheita.} |
Tiivistelmä (eng): | The topic of this work is determining the relationship between the psychoacoustic qualities of sound, musical emotions, and their physiological response patterning. The goal is the development of a real-time system for predicting psychoacoustic features, derived from a songs audio signal, with physiological measurements of the listener. Possible uses for this technology are in the creation of physiologically and affectively aware user interfaces, as well as in artistic expression. The background chapter consists of an overview of the autonomous nervous system, affective computing, and music information retrieval. In the methods chapter the available tools and methods for the analysis of physiological signals and psychoacoustic features from music are evaluated. Because no readily available software is identified for real-time analysis of electrodermal activation, electrocardiography and respiration inductance plethysmography, a new software application is developed for this purpose. Audio analysis and regression modeling are approached using existing tools. An evaluation study is conducted to determine the efficacy of the regression model. In a validated paradigm, a multiple linear regression model and an artificial neural network model are tested against a constant regressor, or dummy model. The results of the evaluation study are mixed. The dummy model outperforms the other models in prediction accuracy, but the artificial neural network model achieves significant correlations between predictions and target values. In the conclusion chapter I suggest improvements to the current system and possible future directions for this research. |
ED: | 2014-02-19 |
INSSI tietueen numero: 48689
+ lisää koriin
INSSI