Inside the HVSC

5 - Methodische Ansätze für die Stilometrische Analyse aus der Praxis

6 min read

Wie bereits in den Grundlagen herausgearbeitet, bestehen die Herausforderungen bei der Analyse von C64-Musik maßgeblich in der technischen Natur des SID-Chips und den daraus resultierenden sehr spezifischen Kompositionstechniken. Merkmale wie die begrenzte Polyphonie, die einzigartige Klangfarbe (Timbre) durch Wellenformen, Filter, PWM und Ringmodulation, sowie Techniken zur Kompensation von Limitierungen, wie das schnelle Arpeggieren zur Simulation von Akkorden stellen insofern spezielle Anforderungen auch an eine musikstilometrische Analyse aufbauend auf den extrahierten Features dar. 

Das domänenspezifische Hintergrundwissen und die Entwicklung benutzerdefinierter Extraktionsmethoden, wie zuvor skizziert, erscheinen im Kontext dieser Thematik umso entscheidender, um den Informationsverlust bei der Konvertierung zu minimieren und die musikalische Interpretierbarkeit der Features sicherzustellen.

Eine methodische Lücke bei C64-Musik

Während allgemeine Methoden der Musikstilometrie und des MIR bereits breitere Anwendung finden, konnten in den Grundlagen und der Ausarbeitung zum Stand der Forschung keine expliziten Referenzen zu umfassenden stilometrischen Analysen, die sich spezifisch auf die High Voltage SID Collection (HVSC) oder C64-Musik mit quantitativen Methoden fokussieren, gefunden werden. Existierende Arbeiten adressieren vielmehr ausschließlich verschiedene Teilaspekte, die als methodische Teilansätze für die eigene Methodik der späteren stilometrische Analyse dienen.

Für die eigene Umsetzung der stilometrische Analyse und als methodische Grundlagen dienend, werden im Folgenden thematisch gruppiert die wichtigsten Aspekte skizziert, die berücksichtigt werden.

Feature-Extraktion aus konvertierter SID-Musik

Nach der Konvertierung der SID-Dateien in das MIDI-Format, stellt die Extraktion relevanter, musikalischer Features den nächsten Schritt und gleichzeitig ersten Teil der musikstilometrischen Analyse dar. Für die konkrete Umsetzung im Rahmen dieser Arbeit dienen allgemeine MIR-Bibliotheken und speziellere Ansätze für elektronische Musik oder Chiptunes als Referenz.

Allgemeine Toolkits und Chiptune-spezifische Ansätze

Allgemeine Feature-Extraktions-Toolkits: Hier bieten die in 3 - Computergestützte Musikanalyse vorgestellten Tools, wie music21, musif und jSymbolic eine breite Palette an vorkompilierten Features zur Analyse von Melodie, Harmonie, Rhythmus, Form und Textur in symbolischen Musikdaten. Diese wurden im Hinblick auf die Anwendbarkeit auf die konvertierten MIDI-Dateien, Erweiterungsmöglichkeiten und formulierten Ziele als Teil des methodischen Vorgehens evaluiert, da SID-spezifische Klangeigenschaften (z.B. durch Filter oder Ringmodulation) möglicherweise nicht direkt als “klassische” musikalische Features abgebildet werden können.

Spezifische Feature für elektronische Musik und Chiptunes: Ein paar Forschungsarbeiten, die sich mit der Analyse von elektronischer Musik oder Chiptunes befassen, liefern Ansätze für die Definition spezifischer Features, die die einzigartigen Eigenschaften dieser Genres besser erfassen, z.B. Pulsweitenmodulation, Arpeggio-Dichte, Filter-Parameter-Verläufe. Ein konkretes Beispiel ist die Arbeit von Rodriguez-Algarra (2014), die sich mit der Analyse von elektronischer Musik beschäftigt und entsprechende Merkmale identifiziert.

Stilometrische Analyse und Komponistenidentifikation der HVSC

Die Kernmethoden der Stilometrie, wie sie in den Grundlagen bereits beschrieben wurden und die in anderen musikalischen Domänen erfolgreich eingesetzt wurden, können nach der erfolgten Konvertierung nun auch für die musikstilometrische Analyse der HVSC angewendet werden

  • Autorschaftsattribuierung bei Komponisten: Studien, die maschinelles Lernen zur Identifizierung von Komponisten verwenden, sind direkt übertragbar. Besondere Beachtung finden dabei für diese Arbeit die folgenden Arbeiten:. Diese Ansätze basieren auf der Annahme, dass jeder Komponist einen einzigartigen musikalischen Fingerabdruck in seinen Werken hinterlässt, der durch quantitative Merkmale erfasst werden kann.

  • Stilistische Clustering und Evolution: Arbeiten, die Clustering-Algorithmen nutzen, um Musikstücke nach stilistischer Ähnlichkeit zu gruppieren oder die zeitliche Entwicklung von Musikstilen zu visualisieren, sind ebenfalls relevant und haben Einfluss auf die eigene Analyse, u.a..

  • Musikalische Ähnlichkeitsmessung: Die Konzepte der musikalischen Ähnlichkeit, die auf Distanzmaßen zwischen Feature-Vektoren finden auch in dieser Arbeit bei der Analyse Anwendung. Als Referenzen dienen u.a. die Arbeiten von. Sie ermöglichen es, die stilistische Nähe oder Ferne zwischen einzelnen Stücken, Komponisten oder gesamten Sub-Korpora der HVSC zu quantifizieren.

Methoden für die korpusbasierte Musikanalyse der HVSC

Wie in der Grundlagenbetrachtung deutlich geworden ist, stellt die HVSC einen riesigen Musikkorpus dar, so dass die Methoden der korpusbasierten Musikanalyse, die auf großen digitalen Sammlungen angewendet werden, auch im Kontext der musikstilometrischen Analyse der HVSC nach der Konvertierung der Musikdaten hier von großer Bedeutung sind. Dabei ist zu unterscheiden in quantitative Korpusanalysen und die Metadaten-Nutzung.

  • Quantitative Korpusanalysen: Arbeiten, die sich mit der quantitativen Analyse großer Musikkorpora beschäftigen, liefern methodische Grundlagen für die statistische Auswertung der extrahierten Merkmale, u.a.

  • Metadaten-Nutzung: Die reichen Metadaten der HVSC (Komponist, Jahr, Spiel, Demoszene-Zugehörigkeit etc.) sind entscheidend für die Kontextualisierung der Analysen und finden in der stilometrischen Analyse Berücksichtigungh.

Weiterführende Literatur (Auswahl)

Graph View