Metallimusiikin raskauden koneellinen analyysi

Abstract

Tässä työssä tutkittiin, mitkä elementit korreloivat metallimusiikin koettuun raskauteen ja voidaanko raskautta arvioida koneellisesti analysoimalla kappaleiden akustisia ominaisuuksia. Tutkimus toteutettiin koneellisin menetelmin, sillä aiempi tutkimus on keskittynyt subjektiivisiin näkökulmiin. Analyysissa mitattiin 35 metallikappaleesta tempo, rumpujen iskutiheys, viisi vahvinta taajuutta sekä vokaalityylien osuudet. Tulosten perusteella luotiin pisteytysmalli. Tärkeimmät ominaisuudet metallikappaleiden raskaudelle oli vahvat matalat taajuudet (alle 80 Hz), korkea rumpujen iskutiheys sekä scream-tyyliset vokaalit. Tempo itsessään ei korreloinut kappaleiden koettuun raskauteen.

Koneellisen analyysin perusteella arvioitiin seitsemän uutta kappaletta kevyeksi, keskiraskaaksi tai raskaaksi ja pyydettiin kolmea musiikin kuuntelijaa arvioimaan kappaleet. Koneellinen analyysi onnistui mittaamaan nämä piirteet täysin ilman ihmiskuuntelua, ja tulokset vastasivat enimmäkseen kuuntelijoiden subjektiivisia arvioita. Tutkimuksen perusteella metallimusiikin raskauden arviointi on mahdollista koneellisesti, yhdistämällä useita akustisia mittareita.

This study examined which elements correlate with the perceived heaviness of metal music and whether heaviness can be assessed by automatically analyzing the acoustic features of songs. The study was conducted using computational methods, as previous research focused on subjective perspectives. The analysis measured the tempo, drum hit density, five strongest frequencies and vocal style proportions in 35 metal songs. Based on the results, a scoring model was created to classify the songs. The most significant features correlating with perceived heaviness were strong low frequencies (below 80 Hz), high drum hit density, and the use of scream-style vocals. Tempo alone did not correlate with the perceived heaviness of the songs.

Using the machine-based analysis, seven new songs were classified as light, medium-heavy, or heavy. Three metal music listeners were asked to evaluate the same songs. The computational analysis was able to measure these features entirely without human listening, and the results mostly corresponded with the listeners’ subjective assessments. Based on the findings, the assessment of metal music’s heaviness is possible through computational analysis by combining multiple acoustic indicators.