Signal and Data Processing

fa طبقه‌بندی دستگاه‌های موسیقی سنتی ایرانی با استفاده از ویژگی‌های مبتنی بر فرکانس گام Classification of Iranian Traditional Music Dastgahs Using Features Based on Pitch Frequency مقالات پردازش داده‌های رقمی Paper پژوهشي Research <div style="text-align: justify;">در این مقاله، سامانه جدیدی با استفاده از ویژگی‌های مبتنی بر فرکانس گام (Pitch) جهت طبقه‌بندی دستگاه‌های موسیقی سنتی ایرانی ارائه شده است. موسیقی سنتی ایرانی از هفت دستگاه اصلی شامل چهارگاه، همایون، ماهور، سه‌گاه، شور، نوا و راست‌پنجگاه تشکیل می‌شود. در این الگوریتم،  ویژگی‌های ضرایب لاگرانژ لگاریتم فرکانس گام (LCPL)، دسته‌های شباهت فازی نوع دو (FSST2) و نیز ترکیب آنها جهت طبقه‌بندی سیگنال‌های موسیقی به‌کار برده می‌شود و از ماشین‌بردار پشتیبان چند‌رده‌ای به‌منظور طبقه‌بندی دستگاه‌های موسیقی ایرانی استفاده می‌شود. دادگان به‌کاررفته در سامانه جداساز ارائه‌شده، شامل قطعاتی از تکنوازی‌های تار علیزاده، استاد مطرح موسیقی ایرانی، است. عملکرد الگوریتم‌های طبقه‌بندی پایه و پیشنهادی توسط معیارهای ارزیابیAccuracy، Recall، Precision،F-   measure  و MCC  صورت می‌گیرد. نتایج به‌دست‌آمده نشان می‌دهند که الگوریتم پیشنهادی نسبت به روش‌های پایه عملکرد بهتری را بر حسب معیارهای مختلف طبقه‌بندی در بر دارد. </div> <gdiv></gdiv> <div style="text-align: justify;">The Iranian traditional music is composed of seven majors Dastgahs: Chahargah, Homayoun, Mahour, Segah, Shour, Nava, and Rast-Panjgah. In this paper, a new algorithm for the classification of the Iranian traditional music Dastgahs based on pitch frequency is proposed. In this algorithm, the features of Lagrange coefficients of pitch logarithm (LCPL), <a name="_Hlk76326915">Fuzzy similarity sets type 2 (FSST2)</a>, and their combination are used as the representation of music signals which are fed into the multi-class support vector machine (MSVM) as the classifier. The features of LCPL and FSST2 are obtained by applying some modifications on the pitch frequency of the desired music. To compute LCPL, first, the values of pitch frequency are extracted by the PRAAT algorithm. Then, after the applying a logarithmic operation, the tracks of pitch frequency are partitioned into smaller segments. The method of feature extraction is based on detecting the trough or valley points of the pitch tracks. In the following, the coordinates of trough points (i.e., the index of pitch frequency and the logarithmic value of the frequency) are considered as each segment boundaries. In the next step, the track between the two boundaries of each segment is approximated by a 6th order Lagrange polynomial and the computed polynomial coefficients are considered as a 6-dimensional feature vector. The first step in extracting the FSST2 feature is to compute the pitch frequencies of the input signal by the PRAAT algorithm. The second step involves the classification of music notes. Then, the subtractive clustering method is used to eliminate the incorrectly estimated pitch frequencies of the previous step. Next, the process of folding notes (i.e., transferring the extracted pitch frequencies into the reference octave band of 220-440 Hz) is performed followed by translating the frequency points to the cents with respect to 220 Hz. After folding notes in one octave, the Mahalanobis distance is applied to recognize which point on the reference octave corresponds to each musical note. These same procedures are conducted for the information pattern (theoretical data) of each Dastgah. In the final step, the folded frequency points of the unknown input signal and the information pattern of all Dastgahs are transferred to the Fuzzy logicType-2 domain and compared to determine a similarity measure which is considered as the extracted feature. The dataset used in the proposed classification algorithm contains the excerpts from solo performances with Tar played by Alizadeh, the well-known Iranian music master. The performances of the baselines and proposed classification algorithms are evaluated by the measures of Accuracy, Recall, Precision, F-measure, and MCC. The results show that the proposed algorithm has a better performance as compared with the baseline methods in terms of different classification criteria.</div> طبقه‌بندی موسیقی, فرکانس گام, منطق فازی نوع دو, ماشین‌بردار پشتیبان چندکلاسی, دستگاه‌های موسیقی ایرانی Music Classification, Pitch Frequency, Fuzzy Logic Type 2, MSVM, Iranian Music Dastgahs 119 134 http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-813-2&slc_lang=fa&sid=1 Masoud Geravanchizadeh مسعود گراوانچی‌زاده geravanchizadeh@tabrizu.ac.ir 100319475328460011441 100319475328460011441 Yes University of Tabriz دانشگاه تبریز Parisa Mobasheri پریسا مبشری p.m122@yahoo.com 100319475328460011442 100319475328460011442 No Islamic Azad University, Tabriz Branch دانشگاه آزاد اسلامی واحد علوم و تحقیقات آذربایجان شرقی Hadi Jamshidi Avanaki هادی جمشیدی اوانکی cfm.hadi@yahoo.com 100319475328460011443 100319475328460011443 No University of Tabriz دانشگاه تبریز