Musiikin akustisten ominaisuuksien mallintaminen kuuntelijan fysiologisista vasteista

dc.contributorAalto-yliopistofi
dc.contributorAalto Universityen
dc.contributor.advisorMakkonen, Tommi
dc.contributor.advisorVatanen, Tommi
dc.contributor.authorWikström, Valtteri
dc.contributor.schoolSähkötekniikan korkeakoulufi
dc.contributor.supervisorSams, Mikko
dc.date.accessioned2014-02-17T11:21:59Z
dc.date.available2014-02-17T11:21:59Z
dc.date.issued2014-02-10
dc.description.abstractTämän 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.}fi
dc.description.abstractThe 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.en
dc.format.extent60 + 6
dc.identifier.urihttps://aaltodoc.aalto.fi/handle/123456789/12597
dc.identifier.urnURN:NBN:fi:aalto-201402191435
dc.language.isoenen
dc.locationP1fi
dc.programmeBIO - Bioinformaatioteknologiafi
dc.programme.majorLaskennallinen ja kognitiivinen biotiedefi
dc.programme.mcodeS3001fi
dc.rights.accesslevelclosedAccess
dc.subject.keywordaffective computingen
dc.subject.keywordphysiological computingen
dc.subject.keywordpsychoacousticsen
dc.subject.keywordmusic information retrievalen
dc.subject.keywordMIRen
dc.subject.keywordmusic emotion recognitionen
dc.subject.keywordphysiologyen
dc.subject.keywordautonomic nervous systemen
dc.subject.keywordANSen
dc.subject.keywordreal-timeen
dc.subject.keywordtunteetfi
dc.subject.keywordmusiikkifi
dc.subject.keywordfysiologiafi
dc.subject.keywordautonominen hermostofi
dc.subject.keywordreaaliaikainenfi
dc.subject.keywordpsykoakustiikkafi
dc.titleMusiikin akustisten ominaisuuksien mallintaminen kuuntelijan fysiologisista vasteistafi
dc.titleTuning the body to musicen
dc.typeG2 Pro gradu, diplomityöen
dc.type.okmG2 Pro gradu, diplomityö
dc.type.ontasotDiplomityöfi
dc.type.ontasotMaster's thesisen
dc.type.publicationmasterThesis
local.aalto.digifolderAalto_69036
local.aalto.idinssi48689
local.aalto.openaccessno
Files