poster/index.html.haml

- require "base64"
~ "\xEF\xBB\xBF"
- def quellen opts
  - etc = opts.key? :etc
  - if etc
    - opts.delete :etc
    - etc = "\n<etc/>"
  - else
    - etc = ''
  - "<quellen>#{opts.map {|k, v| "<quelle jahr=#{v}>#{k}</quelle>" }.join "\n"}#{etc}</quellen>"
- def link link
  - "<a href=\"#{link}\">#{link}</a>"
- def import_data file
  - mime_type = IO.popen(["file", "--brief", "--mime-type", file], in: :close, err: :close) { |io| io.read.chomp }
  - content = Base64.urlsafe_encode64 File.read( file)
  - "data:#{mime_type};base64,#{content}"
!!! 5
%html(lang='de')
  %head
    -#%meta(charset="utf-8")
    %title “Düsterkeit” in der Musik: Physikalische Entsprechungen und Vorhersagemodelle
    -#%link(rel="stylesheet" href="fonts/Roboto.css")
    -#%link(rel="stylesheet" href="fonts/RobotoSlab.css")
    -#%link(rel="stylesheet" href="fonts/PT_Mono.css")
    -#%link(rel="stylesheet" href="fonts/PT_Sans.css")
    -#%link(rel="stylesheet" href="fonts/Vollkorn.css")
    -#%link(rel="stylesheet" href="fonts/Asset.css")
    -#%link(rel="stylesheet" href="fonts/WithinDestruction.css")
    -#%link(rel="stylesheet" href="fonts/BlackDahlia.css")
    -#%link(rel="stylesheet" href="fonts/ThroughStruggleDEMO.css")
    -#%link(rel="stylesheet" href="fonts/TheDefiler.css")
    %link(rel="stylesheet" href="fonts/Cardo.css")
    %link(rel="stylesheet" href="fonts/Italianno.css")
    -#%link(rel="stylesheet" href="fonts/CinzelDecorative.css")
    %link(rel="stylesheet" href="style.css")
    %meta(name="viewport" content="width=device-width, initial-scale=1.0, user-scalable=no")


  %body
    %header(style="")
      %figure.logos<>
        %img#uni-logo(src="files/Uni_Logo_2016_ausschnitt.gif")
        %img#tagungs-logo(style="float:right" src="files/daga-2018-logo.png")
        %div
          DAGA
          %br<>
          Technische Universität München
          %br<>
          19. März 2018
          %br<>
          \..22. März 2018
        -#.grabstein
          .grabstein-was DAGA
          .grabstein-wo Technische Universität München
          .grabstein-von &#10022; 19. März 2018
          .grabstein-bis &#10013; 22. März 2018
      %img(style="height:7cm;float:right;margin-top:3.5cm" alt="Dunkle Nacht" src="files/Candle.png")
      %h1
        <q>Düsterkeit</q> in der Musik:
        -#%br<>
        Physikalische Entsprechungen und Vorhersagemodelle
      %p#authors<>
        %span.author(data-mark="1")<> Isabella Czedik-Eysenberg
        %span.author(data-mark="1")<> Christoph Reuter
        %span.author(data-mark="2")<> Denis Knauf
      %p#institutions<>
        %span.institution(data-mark="1")<> Institut für Musikwissenschaft, Universität Wien
        %span.institution(data-mark="2")<> Informatik, Technische Universität Wien

    %main
      #column1
        %section#hintergrund
          %h1 1. Hintergrund
          %p
            Von Dowlands <q>Songs of Darkness</q> bis hin zu Genres wie Gothic oder
            Doom Metal ist <q>Düsterkeit</q> eine Dimension von Musik, die sich auch
            abseits melan-<br/>cholischer Texte im Klangbild niederschlagen kann.
          %p
            In musikalischen Adjektiv-Klassifikationen bildete der Begriff
            <q>düster</q> (<q>dark</q>) einen gemeinsamen Cluster mit Trauer-bezogenen
            Adjektiven (etwa <q>gloomy</q>, <q>sad</q>, <q>depressing</q>)
            #{quellen Hevner: 1936}.
            Jene Verknüpfung wurde auch in späteren Arbeiten zur automatisierten
            musikalischen Affektdetektion aufgegriffen #{quellen 'Li & Ogihara'=>2003}.
            Dies würde die Relevanz von Klangattributen,
            welche mit dem Ausdruck von Trauer assoziiert sind – etwa
            Moll-Tonarten oder auch tiefere Grundtonhöhen,
            geringe Melodiebewegungen und ein <q>düsteres</q> Timbre
            #{quellen Huron: 2008} – nahelegen.
          %p
            Von der Klangfarbenforschung ausgehend wird <q>Helligkeit</q> (messbar
            an der spektralen Verteilung eines Klanges) häufig als eine zentrale
            perzeptuelle Klangfarbendimension angesehen
            #{quellen 'Wedin & Goude'=>1972, Bismarck: 1974, Grey: 1975, 'Siddiq et al.'=>2014}.
            Dies wirft u.a.  die Frage auf, ob es hierbei einen (umgekehrt
            proportionalen) Zusammenhang gibt, bzw. welche anderen
            zusätzlichen Faktoren zu einer klanglichen Düsterkeitsbewertung
            beitragen.

        %section#fragestellung
          %h1 2. Fragestellungen und Ziele
          %ol
            %li
              Wie lässt sich das Wahrnehmungskonzept klanglicher <q>Düsterkeit</q>
              anhand von Audiomerkmalen charakterisieren?
            %li
              Korreliert die empfundene klangliche <q>Düsterkeit</q> umgekehrt
              proportional mit klangfarblicher <q>Helligkeit</q>?
            %li
              Ziel ist die Erstellung eines Modells zur automatischen Vorhersage
              der wahrgenommenen <q>Düsterkeit</q> von Musikstücken.

        %section#methoden
          %h1 3. Methoden
          %p
            150 Musikbeispiele aus 10 unterschiedlichen Subgenres der Bereiche
            Metal, Techno, Gothic und Pop wurden anhand von Hörerstatistiken
            der Internetplattform LastFM selektiert. Die Refrains dieser
            Stücke wurden 40 Versuchspersonen zur Bewertung dargeboten, um
            eine Ground Truth für die Wahrnehmung der <q>Düsterkeit</q> von
            Musikbeispielen zu erheben. Unter Einsatz von Essentia
            #{quellen 'Bogdanov et al.'=> 2013}, MIRtoolbox
            #{quellen 'Lartillot & Toiviainen'=> 2007},
            Loudness Toolbox #{quellen Genesis: 2009} und TSM Toolbox
            #{quellen 'Driedger & Müller'=>2014} wurden 230
            Signaleigenschaften über die spektrale Verteilung, zeitliche und
            dynamische Klangfaktoren gewonnen. Diese wurden mittels Machine
            Learning-Verfahren unter Kreuzvalidierung ausgewertet und kombiniert,
            um auf Basis der Hörversuchsdaten Vorhersagemodelle zu erstellen.

        %section#schlussfolgerungen
          -#(style="width:44.5%;display:inline-block;float:left")
          %h1 5. Diskussion/Schlussfolgerungen
          %p
            Es konnte anhand von Audiomerkmalen ein Modell zur Vorhersage
            einer Bewertung musikalischer Düsterkeit aufgestellt werden
            <nobr>(Korrelation r = 0,80, p &lt; 0,01)</nobr>.
          %p
            Eine Antiproportionalität mit klangfarblicher Helligkeit ließ sich
            mit gängigen Maßen hierfür nicht nachweisen.
          %p
            Eine Gleichsetzung mit <q>traurig</q> scheint nicht 1:1 möglich zu sein,
            sehr wohl finden sich aber starke Zusammenhänge (etwa Moll-Harmonik).
          %p
            Das Konzept soll in folgenden Untersuchungen genauer in Hinblick
            auf das Interrater-Agreement und den Zusammenhang zu anderen
            Wahrnehmungskonzepten betrachtet werden.

      #column2
        %section#ergebnisse1(style="height:95.4em")
          %h1 4. Ergebnisse
          %figure.right(style="width:70%")
            %img(alt='Verwelkter Mohn' src='files/violin_genre_darkMean.svg')
          %p
            Es zeigt sich ein Bezug zwischen dem Genre und der
            durchschnittlichen Düsterkeitsbewertung der jeweiligen Stimuli.
          %figure.right(style="width:35%")
            %img(alt='Ernstes Indigo' src='files/scatter_spectral_centroid_essentia_darkness.svg')
          %p
            Eine Antiproportionalität zu klangfarblicher <q>Helligkeit</q> lässt
            sich (mit der vorliegenden Messmethode) nicht nachweisen. Es liegt
            im Gegenteil sogar eine leicht positive Korrelation vor –
            womöglich u.a. bedingt durch erhöhte dissonante Klanganteile im
            Hochfrequenzbereich (z.B. Schlagzeugvorkommen). Werden die
            perkussiven Signalanteile zuvor ausgefiltert, verringert sich
            dieser Effekt bereits deutlich.
          %figure.nobrtd(style="width:26em")
            :markdown
              Merkmal|r|p
              ---|---|---
              Spectral Centroid|0,3340|&lt; 0,0001
              Hochfrequenzanteil (> 1500 Hz)|0,1526|0,0631
              Spectral Centroid (harmonischer Teil)|0,2094|0,0101
              Hochfrequenzanteil (harmonischer Teil)|0,1270|0,1215
              {:.merkmale}
            %figcaption
              Korrelation der durchschnittlichen Düsterkeits<wbr/>bewertung mit Maßen
              für klangfarbliche Helligkeit.

          %p
            Zwischen den 30 am düstersten bzw. am wenigsten düster bewerteten
            Klangbeispielen zeigen sich charakteristische Unterschiede in der spektralen
            Verteilung (insbesondere im Bereich der Gammatone-Filterbank-Bänder 1, 4 und 5).
          %figure.left(style="width:38%")
            %img(alt='Trauriges Purpur' src='files/violin_keyEdma_darkMean_blaugelb.svg')
          %figure.left
            :markdown
              Merkmal|r|p
              ---|---|---
              RMS Gammatone 1|- 0,3989|&lt; 0,0001
              RMS Gammatone 4|- 0,3427|&lt; 0,0001
              RMS Gammatone 5|- 0,3126|0,0001
              {:.merkmale}
          %figure.right
            %img(style="height:6em" alt="lilien grau" src="files/meanspectra_10khz_600dpi.png")

          %p(style="clear:right")
            Ein deutlicher Zusammenhang zeigt sich mit der Tonart der
            jeweiligen Ausschnitte: Moll-Beispiele wurden im Durchschnitt als
            düsterer bewertet als Stücke in Dur-Tonarten (<nobr>p &lt; 0.0001</nobr> laut t-Test).
          %p(style="clear:right")
            Teilweise eher statische Tonchroma-Veränderungen im Fall der als
            düster bewerteten Beispiele könnten die Theorie geringere
            Tonhöhenbewegungen in Zusammenhang mit einem Ausdruck von Trauer
            bestätigen (siehe z.B. Chromagramm <q><nobr>Sunn 0)))</nobr></q>).
          %figure.right(style="width:58.2%")
            %img(style="width:49%" alt='Schrumpeliges Gelb' src='files/chromagramm_sunn.svg')
            %img(style="width:49%" alt='Vergängliches Weiß' src='files/chromagramm_abba.svg')
          %p(style="clear:left;max-width: 50%")
            Der stärkste Zusammenhang lässt sich zur Spectral Complexity
            feststellen, welche die Komplexität des Signals in Bezug auf seine
            Frequenzkomponenten anhand der Anzahl spektraler Peaks im Bereich
            zwischen 100 Hz und 5 kHz beschreibt. Dies ist interessant mit den
            Ergebnissen von #{quellen 'Laurier et al.' => 2010} in Bezug zu setzen,
            welche beobachteten, dass <q>entspannte</q> (<q>relaxed</q>) Stücke eine
            niedrigere spektrale Komplexität aufweisen, <q>fröhliche</q> (<q>happy</q>)
            Stücke jedoch eine leicht höhere spektrale Komplexität als
            <q>nicht fröhliche</q>.
          %figure.left(style="width:59.83%;position:relative")
            %img(alt='Totes Grün' src='files/scatter_model8_mit_beschriftung_gross.svg')
            %img(alt="Farbiges Beispiel" style="width:5cm;opacity:0.7;position:absolute;top:0;left:3cm" src="files/bat.png")
          %p(style="clear:right")
            Nach sequentieller Merkmalsauswahl wurden 8 Signaldeskriptoren zur
            Bildung eines Modells zu Rate gezogen:
          :markdown
            Merkmal|r|p
            ----|----|----
            Spectral Complexity (mean)| 0,6224| &lt; 0,0001
            HPCP Entropy (mean)| 0,5355| &lt; 0,0001
            Dynamic Complexity| - 0,4855| &lt; 0,0001
            Onset Rate| - 0,4837| &lt; 0,0001
            Pitch Salience| 0,4835| &lt; 0,0001
            MFCC 3 (mean)| 0,4657| &lt; 0,0001
            Spectral Centroid (mean)| 0,3340| &lt; 0,0001
            RMS Energy Gammatone 4| - 0,3427| &lt; 0,0001
            {:.merkmale}
          %p
            Anhand dieser wurde unter 5-facher Kreuzvalidierung ein lineares
            Regressionsmodell zur Abschätzung der Düsterkeitsbewertung erstellt.
          :markdown
            Merkmal|Wert
            ----|----
            Root-mean-squared error (RMSE)|0,81<span class="hidden">00</span>
            Bestimmtheitsmaß (R<sup>2</sup>)|0,60<span class="hidden">00</span>
            Mean Squared Error (MSE)|0,65<span class="hidden">00</span>
            Mean Average Error (MAE)|0,64<span class="hidden">00</span>
            Korrelation (insgesamt)|0,7978
            {:.merkmale}
          %div(style="clear:left")
          .clear

      %footer
        %section#literatur
          -#(style="width:44.5%;display:inline-block;float:right")
          %h1 6. Literatur
          %ul.literatur
            %li
              %span.author Bismarck, G. v.
              %span.year 1974
              %span.title Sharpness as an attribute of the timbre of steady sounds
              %span.book Acta Acustica united with Acustica 30.3
              %span.pages 159–172
            %li
              %span.author Bogdanov, D., Wack N., Gómez E., Gulati S., Herrera P., Mayor O., et al.
              %span.year 2013
              %span.title ESSENTIA: an Audio Analysis Library for Music Information Retrieval
              %span.herausgeber International Society for Music Information Retrieval Conference (ISMIR'13)
              %span.pages 493-498
            %li
              %span.author Driedger, J. &amp; Müller, M.
              %span.year 2014
              %span.title TSM Toolbox: MATLAB Implementations of Time-Scale Modification Algorithms
              %span.herausgeber Proc. of the International Conference on Digital Audio Effects
            %li
              %span.author Genesis
              %span.year 2009
              %span.title Loudness toolbox
              %span.link
                %a(href="http://www.genesis-acoustics.com/en/index.php?page=32")
                  http://www.genesis-acoustics.com/en/index.php?page=32
            %li
              %span.author Grey, J.M.
              %span.year 1975
              %span.title An Exploration of Musical Timbre
              %span.herausgeber Stanford University, CCRMA Report No.STAN-M-2
            %li
              %span.author Hevner, K.
              %span.year 1936
              %span.title Experimental studies of the elements of expression in music
              %span.herausgeber The American Journal of Psychology, 48(2)
              %span.pages 246-268
            %li
              %span.author Lartillot, O., &amp; Toiviainen, P.
              %span.year 2007
              %span.title A Matlab toolbox for musical feature extraction from audio
              %span.herausgeber International Conference on Digital Audio Effects, Bordeaux
              %span.pages 237-244
            %li
              %span.author Laurier, C., Meyers, O., Serrà, J., Blech, M., Herrera, P., &amp; Serra, X.
              %span.year 2010
              %span.title Indexing music by mood: Design and integration of an automatic content-based annotator
              %span.herausgeber Multimedia Tools and Applications, 48(1)
              %span.pages 161-184
              %span.link
                %a(href="http://dx.doi.org/10.1007/s11042-009-0360-2") http://dx.doi.org/10.1007/s11042-009-0360-2
            %li
              %span.author Li,T., Ogihara,M.
              %span.year 2003
              %span.title Detecting emotion in music
              %span.herausgeber 4th ISMIR Washington &amp; Baltimore
              %span.pages 239-240
            %li
              %span.author Huron, D.
              %span.year 2008
              %span.title A comparison of average pitch height and interval size in major-and minor-key themes
              %span.herausgeber Empirical Musicology Review, 3
              %span.pages 59-63
            %li
              %span.author Siddiq,S. et al.
              %span.year 2014
              %span.title Kein Raum für Klangfarben - Timbre Spaces im Vergleich
              %span.herausgeber 40. DAGA
              %span.pages 56-57
            %li
              %span.author Wedin, L. &amp; Goude, G.
              %span.year 1972
              %span.title Dimension analysis of the perception of instrumental timbre
              %span.herausgeber Scandinavian Journal of Psychology 13.1
              %span.pages 228–240
          .clear