Identification of musical instrument sounds under noise masking
Notice bibliographique
Résumé
The functioning of timbre and other form-bearing dimensions in music depends on the acoustic generation of sound, as well as physiological responses and the psychological organization of the information carried by sound. Human hearing can be reshaped by individual experience and can even be affected by cultural circumstances. To understand how hearing loss can affect the perception of timbre, we adopted noise maskers of varying kinds into a one-interval 2AFC task measuring the performance of timbre identification. Stimuli were presented using participant's personal laptop over headphones/earphones. In each trial, either a 300-ms trumpet or clarinet note at 440-Hz fundamental (target) with the same pitch was embedded in the middle of a 1-second Gaussian noise (masker). Three types of noise were used: broad-band noise, low-pass noise filtered at 4 kHz, and band-pass noise filtered between 5 kHz and 9 kHz. The target was fixed at one sound level, while the maskers of each kind were attenuated to 3 different levels. Our preliminary results show that (1) performance on the timbre identification task can be undermined by increasing the masker level and (2) noise maskers through a low-pass filter are as effective as broadband noise maskers but not those through a band-pass filter, suggesting that lower frequencies contribute more to identification. In future studies, we will further refine the composition of the noise masker, in both spectral and temporal domains, to explore how acoustic features contribute to timbre perception.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».