Modeling perceived rhythmic complexity using multiple complexity measures

Quantifying the complexity of a rhythm perceived by a human listener via algorithmic means is a topic of particular interest in the music engineering field, especially considering widespread Music Information Retrieval applications such as music classification and recommendation. Despite being a strongly subjective and perceptual attribute of rhythm, several methods for estimating complexity have been proposed in the literature. However, most of these measures address a single aspect of what makes a rhythm complex, while human listeners take into account multiple features at once. Therefore, rhythmic complexity cannot be fully characterized by the use of single measures but instead requires a combination of them to provide a robust model of human perception. In this work, we propose a novel approach to modeling rhythmic complexity based on the use of multiple state-of-the-art complexity measures. As a means to identify a maximally relevant and minimally redundant set of measures, we study the performance of several well-established feature selection algorithms, and discuss their limitations. Finally, we present an iterative algorithm capable of generating a ranking of complexity measures that can be effectively used for model order reduction. Ultimately, the proposed method yields expressive yet conservative models for perceived rhythmic complexity.

Stabilire la complessità di un ritmo percepita da un ascoltatore in maniera deterministica è un argomento di particolare interesse nel campo dell’ingegneria musicale, specialmente se si considera l’uso sempre più ampio di applicazioni basate su Music Information Retrivial, come la classificazione e i suggerimenti di musica affine. Sebbene la complessità ritmica sia una caratteristica fortemente soggettiva di un ritmo, in letteratura ci sono diversi metodi che permettono di stimarla. La maggior parte di queste misure fanno riferimento solo a singoli aspetti coinvolti nella complessità, mentre la mente umana considera simultaneamente più fattori. Dunque la complessità ritmica non può essere unicamente caratterizzata dall’uso di una singola metrica, ma richiede una loro combinazione al fine di ottenere un modello della percezione della complessità ritmica più robusto. In questa tesi proponiamo un nuovo approccio per modellare la percezione della complessità ritmica basato sull’utilizzo di più misure di complessità presenti in letteratura. Con lo scopo di identificare l’insieme di misure più rilevanti e meno ridondanti, abbiamo studiato le prestazioni di ben noti algoritmi di feature selection e discusso successivamente i loro limiti. Infine, presentiamo un nuovo algoritmo capace di generare un ranking delle misure di complessità. Questo ranking può essere effettivamente usato per ridurre la complessità del modello. Per concludere, il metodo da noi proposto è in grado di offrire modelli dall’alto potere espressivo e al tempo stesso conservativi rispetto alla percezione della complessità ritmica.