Inside the HVSC

4 - Statistische und maschinelle Lernverfahren in der Musikstilometrie

6 min read

Statistische Analysemethoden

Statistische Analysen bilden eine wichtige Grundlage in der Musikstilometrie, um die aus Musikdaten extrahierten Merkmale zu interpretieren und stilistische Muster zu erkennen. Sie ermöglichen es, quantitative Aussagen über musikalische Eigenschaften zu treffen und Vergleiche zwischen verschiedenen Komponisten, Epochen oder Genres durchzuführen. Zu den statistischen Analysemethoden gehören u.a. die deskriptive Statistik, Korrelationsanalysen und Signifikanztests, auf die im Folgenden näher eingegangen wird.

Deskriptive Statistik: Der erste Überblick

Deskriptive Statistik: Die deskriptive Statistik dient dazu, einen ersten Überblick über die stilistischen Eigenschaften von Musikstücken oder ganzen Korpora zu gewinnen]. Dabei werden grundlegende Kennzahlen der extrahierten Merkmale berechnet, wie Mittelwerte, Varianzen, Standardabweichungen oder Häufigkeitsverteilungen. Beispiele sind:

  • Berechnung der durchschnittlichen Notenlänge in den Werken eines Komponisten.
  • Ermittlung der Häufigkeitsverteilung von Tonhöhen oder Intervallen in einem bestimmten Musikgenre. Beispielsweise könnte man feststellen, ob diatonische oder chromatische Töne in einer Komposition dominieren oder ob kleine Intervallschritte oder große Sprünge vorherrschen.
  • Analyse der Verteilung von Akkordtypen oder rhythmischen Mustern in verschiedenen Epochen.

Korrelationsanalysen: Zusammenhänge aufdecken

Korrelationsanalysen: Korrelationsanalysen untersuchen die Beziehungen und Abhängigkeiten zwischen verschiedenen musikalischen Merkmalen. Sie helfen zu verstehen, ob und wie stark bestimmte Eigenschaften gemeinsam auftreten oder sich gegenseitig beeinflussen. Beispiele sind:

  • Untersuchung, ob eine höhere rhythmische Komplexität mit einer geringeren melodischen Redundanz einhergeht. Dies kann z.B. durch die Analyse interner Redundanzen zur Gruppierung musikalischer Materialien in konsistente Strukturmuster oder durch die Untersuchung der Relevanz verschiedener Merkmaltypen wie Instrumentierung, Harmonie, Rhythmus oder Tempo geschehen.
  • Analyse der Korrelation zwischen der Häufigkeit von Dissonanzen und dem Verwendungszweck eines Musikstücks. Emotionen sind mit verschiedenen musikalischen Merkmalen wie Harmonie, Rhythmus und Lautstärke verbunden. Die Korrelation zwischen harmonischem Gehalt, wie z.B. Akkordwechsel oder harmonischer Komplexität und anderen musikalischen Eigenschaften wie melodische Kontur, expressive Variationen und instrumentale Änderungen kann untersucht werden, ebenso wie die Assoziation mit ausgelösten Emotionen und Gefühlen bei Zuhörern.

Signifikanztests: Zufall oder echter Unterschied?

Signifikanztests: Signifikanztests werden eingesetzt, um zu überprüfen, ob festgestellte Unterschiede in den Merkmalen zwischen verschiedenen Korpora, Komponisten oder Stilgruppen statistisch bedeutsam sind und nicht zufällig auftraten.. Dies ist entscheidend, um valide Schlussfolgerungen über stilistische Merkmale ziehen zu können. Beispiele sind:

  • Vergleich der durchschnittlichen Satzlänge oder der harmonischen Komplexität zwischen der Barock- und der Romantik-Epoche, um festzustellen, ob die Unterschiede signifikant sind.
  • Prüfung, ob die Verwendung bestimmter Tonarten bei zwei Komponisten oder Musik desselben Zeitraums statistisch signifikant voneinander abweichen.
  • Analyse von Unterschieden in der Verwendung ähnlicher Bewegungen oder spezifischer Skalenstufen zwischen den Werken verschiedener Komponisten, um deren stilistische Eigenheiten zu identifizieren.

Maschinelle Lernverfahren

Maschinelle Lernverfahren stellen neben der statistischen Analyse weitere zentrale Werkzeuge in der Musikstilometrie dar, um aus den extrahierten musikalischen Merkmalen komplexe Muster zu erkennen und Vorhersagen oder Gruppierungen vornehmen zu können.. Sie ermöglichen es, verborgene stilistische Zusammenhänge in großen Musikkorpora aufzudecken, die mittels rein statistischer Analysen nicht darzustellen sind. Besonders zu erwähnen sind hier die Verfahren zur Klassifikation, Clustering, Dimensionsreduktion und für Ähnlichkeitsmaße.

Klassifikation: Komponisten automatisch erkennen

Klassifikation: Klassifikationsalgorithmen werden darauf trainiert, Musikstücke basierend auf ihren extrahierten Merkmalen bestimmten, vordefinierten Kategorien zuzuordnen. Dies ist ein überwachter Lernansatz, bei dem der Algorithmus aus gelabelten Trainingsdaten lernt. Häufig eingesetzte Algorithmen sind Support Vector Machines (SVMs), Random Forests, Neuronale Netze (insbesondere für komplexere Merkmale und große Datenmengen) und Entscheidungsbäume.. Bei der Klassifikation werden Modelle z.B. mit Werken bekannter Komponisten trainiert, um deren individuelle stilistische Fingerabdrücke zu lernen und dann neue Stücke entsprechend zuordnen zu können. Beispielsweise kann ein Model darauf trainiert werden, zwischen den Kompositionsstilen von Bach und Mozart zu unterscheiden. Ebenso finden die Klassifikationsalgorithmen bei der Genre- und Stilperioden-Zuordnung Anwendung.

Clustering: Unbekannte Stilgruppen finden

Clustering: Clustering-Verfahren sind unüberwachte Lernmethoden, die darauf abzielen, ähnliche Musikstücke basierend auf ihren Merkmalen in Gruppen (Cluster) zusammenzufassen, ohne dass zuvor definierte Kategorien oder Labels existieren. K-Means-Clustering und hierarchisches Clustering sind weit verbreitete Algorithmen in diesem Kontext. Clustering kann z.B. dazu verwendet werden, bisher unerkannte stilistische Untergruppen innerhalb eines großen Musikkorpus zu identifizieren. Durch das Clustering können Musikstücke in einem mehrdimensionalen Raum auch so angeordnet werden, dass ihre stilistischen Beziehungen sichtbar werden. Eng beieinander liegende Punkte repräsentieren dabei ähnliche Stile.

Dimensionsreduktion: Ordnung im Merkmalsdschungel

Dimensionsreduktion: Feature-Vektoren in der Musikstilometrie können sehr viele Dimensionen aufweisen, was die Analyse und Visualisierung erschwert.,. Dimensionsreduktions-Techniken reduzieren die Anzahl der Dimensionen, während so viel wie möglich von der ursprünglichen Information erhalten bleibt. Techniken wie die Hauptkomponentenanalyse (PCA) oder t-distributed Stochastic Neighbor Embedding (t-SNE) können beispielsweise Tausende von Merkmalen eines Musikstücks auf zwei oder drei Dimensionen reduzieren, sodass sie in einem Streudiagramm dargestellt und stilistische Ähnlichkeiten und Unterschiede visuell erfasst werden können. Eine reduzierte Dimensionalität kann auch die Leistung und Effizienz von Klassifikations- oder Clustering-Algorithmen verbessern.

Ähnlichkeitsmaße als gemeinsame Basis

Ähnlichkeitsmaße: Die Berechnung von Distanz- oder Ähnlichkeitsmaßen (z.B. Euklidische Distanz, Cosinus-Ähnlichkeit) ermöglicht die Quantifizierung der stilistischen Nähe oder Ferne von Musikstücken, indem sie die Distanz zwischen ihren Feature-Vektoren berechnet. Sie ist fundamental für viele der oben genannten Verfahren.

Weiterführende Literatur (Auswahl)

Graph View

Backlinks