CN106844639B - 音乐匹配运动的方法及系统 - Google Patents

Abstract

本发明公开了一种音乐匹配运动的方法及系统，所述方法包括：提取多个样本音乐的音频信号，以获取每个所述样本音乐的音乐底层描述信息，任一所述样本音乐均对应一音乐标签信息；建立所述音乐底层描述信息与所述音乐标签信息的映射关系；根据每个所述样本音乐的运动状态属性及所述映射关系，建立音乐运动属性评分模型；提取当前音乐的音频信号，以获取所述当前音乐的当前音乐底层描述信息及对应的当前音乐标签信息；将所述当前音乐标签信息代入所述音乐运动属性评分模型中，以获取所述当前音乐的当前运动属性评分，并根据所述当前运动属性评分判断所述当前音乐与运动的匹配度。本发明能更全面的评价音乐的各项特征，使音乐的选择更符合运动。

Description

音乐匹配运动的方法及系统

技术领域

本发明涉及音乐处理技术领域，特别是涉及一种音乐匹配运动的方法及系统。

背景技术

随着人们对高品质生活的追求，越来越多的人会选择在运动锻炼身体的同时听听音乐，以增强或激励运动效果，同时给自己的身心带来愉悦的感受。

目前在音乐激励运动效果方面，现有的主流做法仅仅考虑到音乐的BPM（Beat PerMinute，拍子数）和运动频率之间的关系，即当运动频率和音乐的频率达到一致时，会产生一定激励效果使人心情更加愉悦，从而能让人运动的更久，效果更好。但是，现有技术却没有考虑到音乐的其他特征也要对应：例如音乐类型是否符合当前运动类型，比如一首比较舒缓的歌曲，虽然它的音乐频率与当前运动频率比较吻合，但这首舒缓的歌曲的曲风、现场效果等并不适合当前运动，就会影响用户运动时听音乐的体验效果。

发明内容

本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明的一个目的在于提出一种音乐匹配运动的方法，能够更全面的评价音乐的各项特征，使音乐的选择更符合运动。

根据本发明实施例的音乐匹配运动的方法，包括：

提取多个样本音乐的音频信号，以获取每个所述样本音乐的音乐底层描述信息，任一所述样本音乐均对应一音乐标签信息；

建立所述音乐底层描述信息与所述音乐标签信息的映射关系；

根据每个所述样本音乐的运动状态属性及所述映射关系，建立音乐运动属性评分模型；

提取当前音乐的音频信号，以获取所述当前音乐的当前音乐底层描述信息及对应的当前音乐标签信息；

将所述当前音乐标签信息代入所述音乐运动属性评分模型中，以获取所述当前音乐的当前运动属性评分，并根据所述当前运动属性评分判断所述当前音乐与运动的匹配度。

根据本发明实施例的音乐匹配运动的方法，首先通过对多个样本音乐的音频信号进行提取，获得音乐底层描述信息，同时每个样本音乐又对应各自的音乐标签信息，从而可以建立大量音乐底层描述信息与音乐标签信息的映射关系，然后样本音乐的运动状态属性和映射关系，能够建立音乐运动属性评分模型，后续需要分析某个音乐是否符合运动时，只需先对该音乐进行提取获得当前音乐标签信息，然后代入建立好的音乐运动属性评分模型中即可，由于该方法是对音乐的音频信号进行提取，获得音乐底层描述信息，因此，对音乐分析的更加全面，评价的音乐特征更多，更能准确的评价当前音乐是否符合运动。

另外，根据本发明上述实施例的音乐匹配运动的方法，还可以具有如下附加的技术特征：

进一步地，在本发明的一个实施例中，所述提取多个样本音乐的音频信号，以获取每个所述样本音乐的音乐底层描述信息的步骤包括：

提取多个样本音乐的音频信号，通过滤波器组将每个所述样本音乐的音频信号分解成多个互不重叠的频率子带；

计算任一所述频率子带的幅度包络，并对任一所述幅度包络进行差分处理和半波整流处理，以获得每个所述样本音乐的表示起始时间的峰值序列；

根据所述峰值序列的分布情况，获得每个所述样本音乐的音乐底层描述信息。

进一步地，在本发明的一个实施例中，所述音乐底层描述信息包括调子、和弦、频率和变奏情况。

进一步地，在本发明的一个实施例中，所述根据每个所述样本音乐的运动状态属性及所述映射关系，建立音乐运动属性评分模型的步骤包括：

采用logistic回归模型，将所述运动状态属性和所述映射关系中的所述音乐标签信息作为参数，通过多次反复的迭代以及参数的选择调整，获得所述音乐运动属性评分模型。

进一步地，在本发明的一个实施例中，所述提取多个样本音乐的音频信号的步骤包括：

通过低通滤波器获得所述多个样本音乐在50Hz~200Hz的音频信号。

本发明的另一个目的在于提出一种音乐匹配运动的系统，能够更全面的评价音乐的各项特征，使音乐的选择更符合运动。

根据本发明实施例的音乐匹配运动的系统，包括：

第一提取模块，用于提取多个样本音乐的音频信号，以获取每个所述样本音乐的音乐底层描述信息，任一所述样本音乐均对应一音乐标签信息；

映射关系建立模块，用于建立所述音乐底层描述信息与所述音乐标签信息的映射关系；

评分模型建立模块，用于根据每个所述样本音乐的运动状态属性及所述映射关系，建立音乐运动属性评分模型；

第二提取模块，用于提取当前音乐的音频信号，以获取所述当前音乐的当前音乐底层描述信息及对应的当前音乐标签信息；

运动属性评分模块，用于将所述当前音乐标签信息代入所述音乐运动属性评分模型中，以获取所述当前音乐的当前运动属性评分，并根据所述当前运动属性评分判断所述当前音乐与运动的匹配度。

另外，根据本发明上述实施例的音乐匹配运动的系统，还可以具有如下附加的技术特征：

进一步地，在本发明的一个实施例中，所述第一提取模块具体用于：

提取多个样本音乐的音频信号，通过滤波器组将每个所述样本音乐的音频信号分解成多个互不重叠的频率子带；

计算任一所述频率子带的幅度包络，并对任一所述幅度包络进行差分处理和半波整流处理，以获得每个所述样本音乐的表示起始时间的峰值序列；

根据所述峰值序列的分布情况，获得每个所述样本音乐的音乐底层描述信息。

进一步地，在本发明的一个实施例中，所述音乐底层描述信息包括调子、和弦、频率和变奏情况。

进一步地，在本发明的一个实施例中，所述评分模型建立模块具体用于：

采用logistic回归模型，将所述运动状态属性和所述映射关系中的所述音乐标签信息作为参数，通过多次反复的迭代以及参数的选择调整，获得所述音乐运动属性评分模型。

进一步地，在本发明的一个实施例中，所述第一提取模块还用于：

通过低通滤波器获得所述多个样本音乐在50Hz~200Hz的音频信号。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1是根据本发明一实施例的音乐匹配运动的方法的流程图；

图2是根据本发明一实施例的音乐匹配运动的方法中的提取多个样本音乐的音频信号的流程图；

图3是根据本发明一实施例的音乐匹配运动的方法中孙燕姿的《天黑黑》的峰值序列截取图；

图4是根据本发明一实施例的音乐匹配运动的方法中音乐运动属性评分模型中音乐标签信息的贡献值大小分布图；

图5是根据本发明另一实施例的音乐匹配运动的系统的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1，本发明一实施例提出的音乐匹配运动的方法，至少包括以下步骤：

S101，提取多个样本音乐的音频信号，以获取每个所述样本音乐的音乐底层描述信息，任一所述样本音乐均对应一音乐标签信息；

其中，音乐底层描述信息可以包括调子、和弦、频率和变奏情况等，实际实施时，对大量的样品音乐进行音频信号的提取，因此可以提取到大量的调子、和弦、频率和变奏情况等音乐底层描述信息。音乐标签信息可以通过人工确定，例如由专业的音乐人士并结合大量的文献来定义音乐标签信息，这种音乐标签信息可以包括多种标签值，例如包括能量值、情绪值、现场值、吉他值、乐器值、响度值、BPM值等，具体可以根据每个样本音乐的音乐特征而定。

S102，建立所述音乐底层描述信息与所述音乐标签信息的映射关系；

其中，由于每个样本音乐均由自己的音乐底层描述信息和音乐标签信息，因此可以基于此建立大量的音乐底层描述信息和音乐标签信息的映射关系。

S103，根据每个所述样本音乐的运动状态属性及所述映射关系，建立音乐运动属性评分模型；

其中，每个样本音乐的运动状态属性可以由人工确定，例如有样本音乐A、B、C、D，其中，A适合运动，则A的运动状态属性为1，B不适合运动，则B的运动状态属性为0，以此类推，由于样本音乐A、B、C、D都有自己的音乐标签信息，那么就可以获得大量音乐标签信息与是否适合运动的对应关系，从而建立音乐运动属性评分模型。

S104，提取当前音乐的音频信号，以获取所述当前音乐的当前音乐底层描述信息及对应的当前音乐标签信息；

其中，对于需要分析的当前音乐E，此时只需要重复步骤S101中提取当前音乐E的音频信号，获取当前音乐E的音乐底层描述信息即可，然后在映射关系找对与当前音乐E的音乐底层描述信息对应的音乐标签信息，而不需要再人工确定当前音乐E的音乐标签信息。

S105，将所述当前音乐标签信息代入所述音乐运动属性评分模型中，以获取所述当前音乐的当前运动属性评分，并根据所述当前运动属性评分判断所述当前音乐与运动的匹配度。

其中，将当前音乐E的音乐标签信息代入到音乐运动属性评分模型中，即可得到当前音乐E的当前运动属性评分，例如，音乐运动属性评分模型中0分表示不适合运动，1分表示适合运动，而经过计算，当前音乐E的音乐运动属性得分为0.1分，则表明当前音乐E不适合运动，反之，若当前音乐E的音乐运动属性得分为0.9分，则表明当前音乐E适合运动。

根据本发明实施例的音乐匹配运动的方法，首先通过对多个样本音乐的音频信号进行提取，获得音乐底层描述信息，同时每个样本音乐又对应各自的音乐标签信息，从而可以建立大量音乐底层描述信息与音乐标签信息的映射关系，然后样本音乐的运动状态属性和映射关系，能够建立音乐运动属性评分模型，后续需要分析某个音乐是否符合运动时，只需先对该音乐进行提取获得当前音乐标签信息，然后代入建立好的音乐运动属性评分模型中即可，由于该方法是对音乐的音频信号进行提取，获得音乐底层描述信息，因此，对音乐分析的更加全面，评价的音乐特征更多，更能准确的评价当前音乐是否符合运动。

此外，作为一个具体示例，请参阅图2，在步骤S101中，所述提取多个样本音乐的音频信号，以获取每个所述样本音乐的音乐底层描述信息的步骤包括：

S1011，提取多个样本音乐的音频信号，通过滤波器组将每个所述样本音乐的音频信号分解成多个互不重叠的频率子带；

其中，由于音频信号主要集中50Hz~200Hz这段频率中，因此提取多个样本音乐的音频信号具体为通过低通滤波器获得所述多个样本音乐在50Hz~200Hz的音频信号。

S1012，计算任一所述频率子带的幅度包络，并对任一所述幅度包络进行差分处理和半波整流处理，以获得每个所述样本音乐的表示起始时间的峰值序列；

其中，以其中一个样本音乐为孙燕姿的《天黑黑》为例进行说明，可参阅图3，具体为孙燕姿的《天黑黑》的峰值序列截取图。

S1013，根据所述峰值序列的分布情况，获得每个所述样本音乐的音乐底层描述信息。

其中，还可以根据相应的音乐理论获得音乐的底层描述信息，所述音乐底层描述信息具体包括调子、和弦、频率和变奏情况等。

此外，作为一个具体示例，在步骤S103中，所述根据每个所述样本音乐的运动状态属性及所述映射关系，建立音乐运动属性评分模型的步骤包括：

采用logistic回归模型，将所述运动状态属性和所述映射关系中的所述音乐标签信息作为参数，通过多次反复的迭代以及参数的选择调整，获得所述音乐运动属性评分模型，例如请参阅图4，获得的音乐运动属性评分模型中音乐标签信息的贡献值大小，本实施例的音乐运动属性评分模型具体为score= -1.396846-1.926362*acousticness+1.019923*danceability-0.003839*duration+4.113861*energy-0.25232*instrumentalness-0.020569*key-0.211424*liveness-0.065363*loudness-0.212887*mode+2.0456*speechiness+0.015763*time_signature-1.24945*valence，其中，音乐标签信息包括：score为音乐运动属性得分，acousticness为音响值，danceability为跳舞值，duration为持续值，energy为能量值，instrumentalness为乐器值，key为音调值，liveness为现场值，loudness为响度值，mode为模式值，speechiness为人声值，time_signature为拍子记号值，valence为情绪值。其中，具体实施时，每个标签值的前面的系数可以根据各自的贡献值计算得到。

请参阅图5，基于同一发明构思，本发明另一实施例提出的音乐匹配运动的系统，包括：

第一提取模块10，用于提取多个样本音乐的音频信号，以获取每个所述样本音乐的音乐底层描述信息，任一所述样本音乐均对应一音乐标签信息；

映射关系建立模块20，用于建立所述音乐底层描述信息与所述音乐标签信息的映射关系；

评分模型建立模块30，用于根据每个所述样本音乐的运动状态属性及所述映射关系，建立音乐运动属性评分模型；

第二提取模块40，用于提取当前音乐的音频信号，以获取所述当前音乐的当前音乐底层描述信息及对应的当前音乐标签信息；

运动属性评分模块50，用于将所述当前音乐标签信息代入所述音乐运动属性评分模型中，以获取所述当前音乐的当前运动属性评分，并根据所述当前运动属性评分判断所述当前音乐与运动的匹配度。

本实施例中，所述第一提取模块10具体用于：

提取多个样本音乐的音频信号，通过滤波器组将每个所述样本音乐的音频信号分解成多个互不重叠的频率子带；

计算任一所述频率子带的幅度包络，并对任一所述幅度包络进行差分处理和半波整流处理，以获得每个所述样本音乐的表示起始时间的峰值序列；

根据所述峰值序列的分布情况，获得每个所述样本音乐的音乐底层描述信息。

本实施例中，所述音乐底层描述信息包括调子、和弦、频率和变奏情况。

本实施例中，所述评分模型建立模块30具体用于：

采用logistic回归模型，将所述运动状态属性和所述映射关系中的所述音乐标签信息作为参数，通过多次反复的迭代以及参数的选择调整，获得所述音乐运动属性评分模型。

本实施例中，所述第一提取模块10还用于：

通过低通滤波器获得所述多个样本音乐在50Hz~200Hz的音频信号。

本发明实施例提出的音乐匹配运动的系统的技术特征和技术效果与本发明实施例提出的方法相同，在此不予赘述。

在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备（如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统）使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。

计算机可读介质的更具体的示例（非穷尽性列表）包括以下：具有一个或多个布线的电连接部（电子装置），便携式计算机盘盒（磁装置），随机存取存储器（RAM），只读存储器（ROM），可擦除可编辑只读存储器（EPROM或闪速存储器），光纤装置，以及便携式光盘只读存储器（CDROM）。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。

应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（PGA），现场可编程门阵列（FPGA）等。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、 “示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims (8)

1.一种音乐匹配运动的方法，其特征在于，包括：

提取多个样本音乐的音频信号，以获取每个所述样本音乐的音乐底层描述信息，任一所述样本音乐均对应一音乐标签信息；

建立所述音乐底层描述信息与所述音乐标签信息的映射关系；

根据每个所述样本音乐的运动状态属性及所述映射关系，建立音乐运动属性评分模型，具体地为：采用logistic回归模型，将所述运动状态属性和所述映射关系中的所述音乐标签信息作为参数，通过多次反复的迭代以及参数的选择调整，获得所述音乐运动属性评分模型；

提取当前音乐的音频信号，以获取所述当前音乐的当前音乐底层描述信息及对应的当前音乐标签信息；

将所述当前音乐标签信息代入所述音乐运动属性评分模型中，以获取所述当前音乐的当前运动属性评分，并根据所述当前运动属性评分判断所述当前音乐与运动的匹配度。

2.根据权利要求1所述的音乐匹配运动的方法，其特征在于，所述提取多个样本音乐的音频信号，以获取每个所述样本音乐的音乐底层描述信息的步骤包括：

提取多个样本音乐的音频信号，通过滤波器组将每个所述样本音乐的音频信号分解成多个互不重叠的频率子带；

计算任一所述频率子带的幅度包络，并对任一所述幅度包络进行差分处理和半波整流处理，以获得每个所述样本音乐的表示起始时间的峰值序列；

根据所述峰值序列的分布情况，获得每个所述样本音乐的音乐底层描述信息。

3.根据权利要求2所述的音乐匹配运动的方法，其特征在于，所述音乐底层描述信息包括调子、和弦、频率和变奏情况。

4.根据权利要求2所述的音乐匹配运动的方法，其特征在于，所述提取多个样本音乐的音频信号的步骤包括：

通过低通滤波器获得所述多个样本音乐在50Hz～200Hz的音频信号。

5.一种音乐匹配运动的系统，其特征在于，包括：

第一提取模块，用于提取多个样本音乐的音频信号，以获取每个所述样本音乐的音乐底层描述信息，任一所述样本音乐均对应一音乐标签信息；

映射关系建立模块，用于建立所述音乐底层描述信息与所述音乐标签信息的映射关系；

评分模型建立模块，用于根据每个所述样本音乐的运动状态属性及所述映射关系，建立音乐运动属性评分模型，具体地为：采用logistic回归模型，将所述运动状态属性和所述映射关系中的所述音乐标签信息作为参数，通过多次反复的迭代以及参数的选择调整，获得所述音乐运动属性评分模型；

第二提取模块，用于提取当前音乐的音频信号，以获取所述当前音乐的当前音乐底层描述信息及对应的当前音乐标签信息；

运动属性评分模块，用于将所述当前音乐标签信息代入所述音乐运动属性评分模型中，以获取所述当前音乐的当前运动属性评分，并根据所述当前运动属性评分判断所述当前音乐与运动的匹配度。

6.根据权利要求5所述的音乐匹配运动的系统，其特征在于，所述第一提取模块具体用于：

提取多个样本音乐的音频信号，通过滤波器组将每个所述样本音乐的音频信号分解成多个互不重叠的频率子带；

计算任一所述频率子带的幅度包络，并对任一所述幅度包络进行差分处理和半波整流处理，以获得每个所述样本音乐的表示起始时间的峰值序列；

根据所述峰值序列的分布情况，获得每个所述样本音乐的音乐底层描述信息。

7.根据权利要求6所述的音乐匹配运动的系统，其特征在于，所述音乐底层描述信息包括调子、和弦、频率和变奏情况。

8.根据权利要求7所述的音乐匹配运动的系统，其特征在于，所述第一提取模块还用于：

通过低通滤波器获得所述多个样本音乐在50Hz～200Hz的音频信号。

Images