امکان‌سنجی شناسایی خودکار گوشه‌‌های اصلی دستگاه شور با استفاده از ویژگی‌های شنیداری موسیقایی

هدف از انجام این پژوهش، بررسی میزان اهمیت هر یک از 21 ویژگی‌ زمانی، طیفی و سِپسترال در شناسایی گوشه‌‌های اصلی دستگاه شور بوده است. در این پژوهش، ابتدا پایگاه‌ داده‌ای متشکل از شش گوشۀ اصلیِ دستگاه شور، براساس ردیف میرزا عبدالله و به تفکیک چهار ساز تار، سه‌تار، سنتور و بَربَط و در مجموع 173 قطعه ضبط و ایجاد شد. به‌منظور بررسی میزان اهمیت هر یک از ویژگی‌های شنیداری در تفکیک گوشه‌ها از یکدیگر، ابتدا با استفاده از مقیاس فیشر، هر یک از 21 ویژگی صوتی در نرم‌افزار متلب امتیازدهی شده و سپس از بین آن‌ها، سه ویژگی برتر انتخاب شدند. در مرحله بعد، با استفاده از دسته‌بند واکافت (آنالیز) تمایز خطی، امکان جداسازی گوشه‌ها از یکدیگر، برای هر یک از سازها به‌طور جداگانه و نیز به‌صورت کلی بررسی شد. نتایج پژوهش نشان دادند که در بین 21 ویژگی استخراج‌شده، ویژگی‌های سِپسترال بالاترین امتیاز را در جداسازی گوشه‌ها از یکدیگر کسب کردند و نسبت به ویژگی‌های زمانی و طیفی وضعیت بهتری داشتند؛ ولی در کل، هیچ‌ یک از این ویژگی‌ها‌، توانایی تفکیک و شناسایی شش گوشه اصلی دستگاه شور را نداشتند. با اینکه ویژگی‌های شنیداری کارکرد قابل قبولی در شناسایی خودکار موسیقی غربی و به‌خصوص شناسایی سبک موسیقی دارند، به دلیل ماهیت منحصربه‌فرد موسیقی سنتی ایرانی، در تفکیک و شناسایی گوشه‌های موسیقی سنتی ایرانی، از کارآمدی لازم برخوردار نیستند.

The feasibility of automatic identification of principal Gushehs of Shur Dastgāh, using the musical audio features (Research Article)

The main aim of this study is to investigate the importance of the 21 temporal, spectral, and cepstral features in detecting the principal Gushehs of Shur. In the present study, a dataset was created, including 173 pieces of music, consisting of six principal Gushehs of Shur Dastgāh, played by four musical instruments: Tar, Setar, Santur, and Barbat, based on Mirzaabdollah Radif (Repertoire). To investigate the significance of each temporal, spectral, cepstral feature in identifying the six principal Gushehs of Shur, the 21 musical features (extracted from the literature) were scored by using the Fisher scale. Then, the LDA classifier was trained, and then three superior and bestscored features (out of 21 ones) were selected to measure the classifier capability of six Gushehs detection for each of four instruments separately and also for all instruments. Findings show that among the 21 features, cepstral features gained the highest scores in distinguishing the six Gushehs and were better off than spectral and temporal features; but in general, none of them could distinguish the Gushehs from each other. Though, despite the acceptable efficiency of musical features in automatic detection of Western music, it is not efficient in Persian traditional music.