D'accord.
Bien, merci, tout le monde, pour joindre nous.
Le titre de notre projet
est Conception un Numérique Musique Mélodie Audience Test.
Je suis patrick Julien,
et mon co- présentateurs sont Charles Chen et le maçon Chen
OMS ne pouvait pas être ici aujourd'hui.
Donc Je suis en allant pour être en présentant sur leur au nom de.
Et ce est un projet,
un haut- école TIGE projet inspiré par La méthodologie ESTEEM,
qui est essentiellement TIGE mais avec IA, mathématiques, et statistiques Bien- intégré.
D'accord, donc juste pour introduire ce projet
dans le projet gestion saveur avec le projet charte.
Le but de le projet, dans effet, est pour conception un test
pour test le audience aptitude de un musicien.
Le expérimental conception, philosophie ou méthodologie nous utiliser
est JMP puissant, définitive dépistage conception aptitude.
Et nous conçu le test basé sur six musique mélodie variables
dans commande pour test audience aptitude,
où chaque question départs avec un court mélodie
suivi par quatre les choix, et où seul un est répété
et le autre trois mélodies sont similaire mais pas identique.
Depuis ce test, chaque auditeur a pour prendre leur meilleur choix
parmi le options disponible.
Une fois nous conçu ce test, nous analyser le test enquête résultats.
Nous construire un sensibilité modèle
dans considération de six musique audience variables,
et alors filtrer le les auditeurs pour déterminer qui ceux effectué le meilleur
dans le musique audience test.
Et dans action donc, dans le dépistage processus,
nous analyser le forces et faiblesses de leur audience aptitude
dans le service de finalement créer un orchestre
avec un classement de les auditeurs OMS sont très capable pour évaluer eux.
Bon alors dans le service de science,
nous ont un introduction pour le mécanisme de audience
où le oreille est juste essentiellement un fréquence- recevoir appareil
ce recueille son et vibration de le osselets dans le oreille
et cause le mécanique vibration pour être converti
dans un électrique stimulus, qui est interprété par le cerveau
par le auditif nerf et finalement par le cerveau.
Tous droite, donc avant nous obtenir dans le expérience
et le variables ce nous analysé,
allons parler un petit bit à propos le fréquence gamme de audience
parmi personnes en fonction, dépendemment sur leur âge.
Donc personnes de tous âge sans audience déficience
devrait être capable pour entendre à un fréquence de environ 8 000 Hertz,
et graduel perte de sensibilité pour plus haut fréquences avec âge
est un normal occurrence.
Et donc quoi le science raconte nous
est ce le auditif structures de plus jeune personnes
sont typiquement plus capable de absorbant ou interprétant
audience plus haut fréquence des sons, qui est, de cours,
pertinent dans conditions de qui instruments personnes sont jouant,
où le violon a un plus haut terrain que le violoncelle,
donc peut-être un plus jeune personne pourrait être plus adapté
pour jouant le violon que un plus ancien personne.
Et donc ce juste donne toi un idée ce essentiellement
personnes ce sont dans leur la cinquantaine peut être peut seul être capable pour entendre
à 12 000 kilohertz... ou 12 kilohertz plutôt, 12 000 Hertz,
alors que personnes dans leur 20s peut entendre en haut pour peut-être 18 kilohertz.
Et juste pour donner quelques contexte, le moyenne fréquence gamme
pour quoi nous écouter pour le des sons ce nous entendre la plupart souvent chaque jour
est entre 250 Hertz et 6 000 Hertz.
D'accord, donc quoi sont quelques défis associé avec audience
dans le contexte de des sons de différent fréquence?
Donc personnes typiquement manquer haut fréquence des sons
plus souvent que faible fréquence ceux.
Et personnes avec haut fréquence audience perte,
ils ont inquiéter audience plus haut- lancé des sons, de cours, droite?
Et donc plus haut terrain des sons peut généralement venir depuis femmes ou enfants
et sont dans le supérieur deux pour huit gamme de kilohertz.
Et qu'est-ce que c'est aussi typique
avec haut fréquence audience perte dans beaucoup personnes
est le présence de un fantôme son, qui est le condition appelé acouphène,
et ce en compétition sensation de son peut aussi inhiber un personne capacité
pour distinguer autre haut fréquence des sons.
Donc clairement, âge est un important facteur dans conditions de conception
un efficace audience test et développement un efficace panneau de les auditeurs
OMS sont à l'écoute pour musique.
Bien que nous n'a pas explicitement considérer âge dans notre expérience,
comme tu vas voir dans le subséquent diapositives,
il certainement pourrait être un facteur ce nous pourrait explorer plus loin
dans notre échantillonnage stratégie dans conditions de le enquête répondants ce nous choisir.
D'accord, donc le basique mesure de performances auditives
est appelé un audiogramme.
Et quoi toi voir dans le graphique sur le droite
est juste un parcelle de audience seuil niveau dans décibels sur le vertical axe
contre fréquence sur le horizontal.
Et toi peut clairement voir ce comme audience perte progresse,
le seuil niveau de son et décibels départs pour augmenter
et le dégradation et le performance est montré comme le parcelle
scission le performance par année en mouvement bas dans le droite.
C'est le trajectoire de le doubler c'est de liaison le points
en mouvement bas dans le droite.
D'accord, donc juste un petit bit plus arrière-plan
avant nous lancement dans le conception de le enquête et le analyse.
Le intention ici est juste pour souligner
ce fréquence ingérence peut être un problème
dans produire un mélodieux harmonie dans un orchestre dans particulier
ou dans n'importe quel trier de musical composition.
Et quoi étaient essentiellement montrant ici
est le différence entre qu'est-ce que c'est appelé fondamental fréquences et harmoniques
dans le contexte de un piano,
à moins à le note escalader indiqué à le bas.
Bon alors quoi faire nous savoir à propos le musique note fréquence spectre?
Bien, chaque note a, pas étonnamment, basé sur le introduction donc loin,
chaque note a un particulier fréquence.
Comme un exemple, milieu C est à autour 262 Hertz,
et plus haut Remarques, de cours, sont en allant pour ont plus haut fréquence
et inférieur Remarques ont inférieur fréquence.
Et ce glisser juste donne toi un contexte
pour quoi fréquence la Remarques correspondre pour.
Donc note UN est autour beaucoup plus haut, 440,
alors note C au 261 dans le deuxième ensemble sur le droite,
dans le inférieur portion de le glisser.
D'accord, donc il y a quelques relation entre fréquence et le nombre de Remarques.
Fréquence besoins pour double chaque 12 Remarques,
et nous ont 12 notes dans chaque octave, Sept blanc et cinq noir.
Et donc toi peut voir ce ce relation,
ce fréquence suit comme un fonction de ces Remarques,
et n est un pouvoir- loi taper relation.
Tous droite, donc prise nous dos maintenant pour le projet
et le mise en œuvre et le analyse.
Donc le projet plan a trois étapes.
Le d'abord phase est quoi Je suis en allant pour couverture,
c'est le analyse ce Je suis en allant pour discuter aujourd'hui.
Le d'abord phase est effectivement le processus de identifier
qui personnes sont meilleur audience interprètes depuis un collection de enquête résultats
ce nous envoyer dehors basé sur le enquête ce nous conçu.
Le deuxième phase est identifier le meilleur audience interprètes
depuis le enquête résultats dans commande pour servir comme juges.
Dans ce phase, essentiellement, nous essayer pour travail sur formant le orchestre
avant pour phase trois où étaient en fait action le formant.
Mais dans ce exemple, étaient pensée à propos choses
comme qui instruments ont n'importe quel potentiel limitation.
Et nous peut donner le même mélodie pour différent test instruments,
et pas chaque instrument peut jouer chaque mélodie, évidemment.
Et donc le idée est,
comment faire nous savoir ce le personnes ce sont jouant
sont jouant ces instruments avec précision?
Bien, nous besoin juges OMS ont bien écoute aptitude.
Donc le juges ce nous sélectionner depuis phase un
sera fournir ce excellent évaluation dans phase deux.
Alors une fois nous ont ce dans lieu, dans phase trois,
nous peut en fait vraiment former le numérique orchestre.
Et Bien penser à propos choses comme comment beaucoup joueurs devrait être impliqué,
OMS devrait jouer où, évidemment.
Bien ont un bien compréhension de comment le mélodies pourrait être difficile
pour certain instruments.
Et ce est pourquoi nous besoin phase deux dans le milieu.
D'accord, donc voici notre conception ou enquête question conception.
Donc nous avons identifié six variables pour cette audience test
en rapport pour musique, Les paramètres dans musique:
marcher, vitesse, Remarques modifié, Remarques niveau, un répéter variable,
et un difficulté variable, un catégorique variable, facile ou difficile.
Le expérience, comme je mentionné avant, est étaient en utilisant JMP DDD,
et dans ajout pour le défaut, étaient générateur un DSD par défaut,
et alors dans effet, étaient augmentant la conception
par ajouter deux plus points centraux.
Étaient donc action un 18- courir DDS,
qui comprend un Point central, qui est ligne nombre trois dans ce tableau,
avoir indiqué avec un zéro et un flèche mise en évidence ligne trois.
Et alors étaient ajouter deux plus centre points
à ligne 10 et ligne 20 respectivement.
Et le idée ici dans conditions de, étaient remplacer ces points centraux,
est nous vouloir pour obtenir un idée de comment cohérent le résultats sont
tout au long de le expérience.
Donc nous essayer pour mettre un point central à peu près à le début, dans le milieu,
et le fin de le expérience.
Et ce est analogue pour compréhension si un la mesure processus est écurie,
si tu es dans un fabrication environnement, obtenir un sens pour ce.
Et alors le autre important chose à propos notre conception ici
est ce étaient randomisation le test séquence,
et c'est quelque chose ce nous peut faire dans JMP via le génération de le conception.
Et Je vais montrer un petit bit à propos ce brièvement
quand nous venir pour le suivant peu diapositives.
Et ce randomisation est vraiment important parce que il aide éliminer n'importe quel biais
exigible pour facteurs ce ne sont pas dans le expérience
quand nous courir le test.
Et ce biais est référé pour parfois comme cachette variation
ou variation exigible pour cachette variables.
D'accord, donc il y a un autre considération ce je touché sur.
C'est dans le contexte de randomisation, mais c'est légèrement différent contexte,
qui est un petit bit plus unique
pour ce particulier application et expérience.
Et donc essentiellement, quoi nous a fait est généré un initial aléatoire variable
et attribué un aléatoire séquence, un deux trois quatre, et aléatoire.
Mais nous a fait un recodage sur ce.
Donc nous étiqueté un UN, deux B, trois C, et quatre D,
et ce' c'est quoi nous voir
dans conditions de identifier le correct répondre.
Donc dans le deux Colonnes à le droite dans ce tableau,
dans ce 20- ligne tableau,
étaient identifier quoi le correct répondre devrait être
dans conditions de le lettre,
qui est associé avec un aléatoire variable de un deux trois quatre,
w ici un correspond pour UN, deux à B, trois pour C, et quatre pour D.
Et étaient action ce pour assurer un uniforme distribution
de le emplacement variable.
Et essentiellement quoi ce moyens dans pratique conditions est ce A, B, C, et D
tous ont égal pourcentage de être choisi à aléatoire.
Et ce est pour éviter le biaiser situation
où un élève peut prendre le même répondre sur et sur encore
dans commande pour peut-être augmenter son ou son chances de effectuer Bien,
ou peut-être parce que le enquête intimé n'est pas payant attention
ou n'est pas engagé dans le enquête.
D'accord, donc ici est où nous venir pour un évaluation
de le performance de le conception, de le DSD conception.
Le chemin nous approche ce
est à travers le évaluation de le statistique pouvoir de le expérience
qui est montré sur le gauche, sur le panneau sur le gauche
à travers un évaluation de le confondant modèle
ou le étendue pour qui facteurs sont corrélé dans le expérimental conception,
et c'est montré dans le panneau dans le milieu,
et le uniformité, quoi nous appel le uniformité de le conception,
qui est simplement, quoi fait le structure de le conception regarder comme
dans un multivarié espace?
Ont nous couvert tous de le conception points dans un environ uniforme chemin
donc ce étaient capable pour prédire à travers le entier gamme de le expérience
avec le même degré de précision?
Et alors ces trois indiquer, et en allant dos sur pour le gauche,
est ce le global pouvoir pour chaque de le facteurs dans le expérience
est plus grand que 90 pour cent, qui est bien.
Et il montre nous ce nous ont bien sensibilité pour détecter effets,
si ils sont en fait là dans le population.
Le panneau dans le milieu montre
ce le risque de quoi nous appel multicolinéarité
ou excessif corrélation parmi le expérimental facteurs est faible
parce que tous de le par paire corrélations dans ce corrélation matrice,
la plupart de eux sont bleu,
où un plus bleuâtre corrélation correspond pour un inférieur corrélation,
où solide bleu indique zéro corrélation.
Et le carrés ce sont plus proche pour un rouge ombres
indiquer un plus haut étendue de corrélation parmi facteurs ou conditions dans le expérience.
Et donc global, quoi nous voir est ce nous regarder pour corrélations
ce ne le faites pas dépasser 0,3,
et c'est typiquement tous le carrés dans ce parcelle
avec le exception de ceux légèrement rougeâtre carrés
où le corrélation est un petit bit plus haut.
Et c'est parce que nous ont catégorique facteurs, droite?
Nous ont à moins un catégorique facteur dans ce expérience.
Et si nous n'a pas ont le présence de un catégorique facteur,
ce parcelle serait regarder même plus bleu.
Donc nous dire ce dans DDS, nous ne le faites pas recommander
ajouter aussi beaucoup catégorique variables dans le expérience,
parce que si nous faire, alors nous augmenter ce corrélation problème,
qui affecte notre capacité pour produire estimations dans notre modèle ce sont précis,
fils pour inflation de variance dans notre estimations.
Et le final parcelle sur le droite, sur le loin droite,
qui est un indication de le uniformité de ce conception,
est un dispersion parcelle matrice dans JMP,
et il montre chaque variable contre chaque autre variable.
Et quoi étaient en regardant pour
est pour blanc espace pour être minimal dans ce parcelle.
Quoi j'ai dessiné est un petit cercle ici qui ton œil peut facilement prendre dehors.
Il y a un petit bit de supplémentaire blanc espace là
à le intersection de Répéter et Marcher.
Et ce, encore, est parce que nous ont un catégorique variable dans notre expérience.
Et donc sincèrement,
il y a Non parfait zéro dans le principal effets,
Non vrai point central dans le principal effets
exigible pour le présence de ce difficulté variable,
le catégorique variable.
Et c'est reflété dans le non- symétrique modèle
de le dispersion parcelle matrice sur le droite, légèrement non symétrique,
où ce asymétrie est indiqué dans ce blanc espace
et avec le cercle ce j'ai dessiné.
D'accord, donc avant je discuter ce glisser, je juste vouloir pour rapidement montrer toi
comment je a obtenu pour ces conception Diagnostique.
Donc quoi tu es voyant ici est le tableau ce je juste montré toi.
Et j'ai généré ce conception en utilisant le DSD plateforme sous le BICHE menu,
sous Définitive Dépistage et Définitive Dépistage Conception.
Et après je a fait ce, JMP déjà générer,
après je complet le conception tableau génération processus
et remplir dans le résultats, JMP génère un DOE dialogue scénario,
sauve il pour le données tableau,
et je peut en fait relancer le BICHE dialogue,
et je peut aussi évaluer le conception.
Donc Je suis en allant pour aller devant et rapidement Cliquez sur sur Conception Évaluation.
Et ce est juste un aperçu de le conception.
Et droite ici sous Conception Évaluation
est où je obtenir le Diagnostique en rapport haut eur,
qui je montré toi sur le gauche panneau sur ce glisser,
le Diagnostique ce indiquer
pour le étendue pour qui facteurs ou termes dans le expérience sont corrélée.
Et c'est montré ici dans le couleur carte sur le corrélation.
Et pour générer le parcelle,
en regardant à le uniformité parmi le facteurs,
je en fait ont pour aller dans et faire ce en s chat parcelle matrice
sous le Graphique menu, S chatière Matrice.
Donc c'est juste quelques contexte pour toi.
Et maintenant, Je suis juste en allant pour rapidement apporter en haut le suivant glisser
et alors venir dos pour JMP ici
juste pour dynamiquement montrer toi quoi étaient action.
Donc voici probablement le la plupart intéressant partie
de ce expérience.
Comment faire nous augmenter le enquête test difficulté
et faire il dans un intelligent chemin?
Bien, nous peut utiliser hiérarchique regroupement analyse pour faire ce.
Maintenant, nous déjà savoir le correct répondre.
C'est indiqué ici dans le correspondant colonne.
Le Choix colonne,
le Colonnes de le quatre variables sur le droite
qui indiquer le les choix correspondant pour le 20 mélodie les choix
sont indiqué là.
Donc nous savoir, pour exemple, dans le d'abord ligne,
le correct la réponse est C correspond pour mélodie un
où le ID C nombre est un.
Donc nous déjà savoir le correct répondre
où nous avons attribué il dans conditions de ligne commande basé sur un aléatoire nombre,
mais comment faire nous prendre le autre trois réponses?
Bien, basé sur hiérarchique regroupement,
nous peut obtenir un sens de comment fermer chaque de le autre trois réponses sont
pour le correct répondre.
Et dans ce chemin, nous peut faire le test un petit plus difficile.
Donc tous le répondre les choix sont depuis le 20 mélodies.
Comment faire nous prendre le plus proche formalités pour chaque question,
ou le le plus proche formalités, si toi sera,
ou même peut être mélodies ce sont relativement fermer ensemble
basé sur le regroupement critère, mais pas honorer ce critère strictement,
droite?
Donc ce pourrait sembler un petit bit nébuleux,
mais dans effet, tous étaient vraiment action
est récit JMP à attribuer un regroupement schème par ligne
et basé sur quelques regroupement critère ce nous spécifier.
Et par défaut, ce critère est Salle.
Donc Je suis juste en allant pour montrer ce dynamiquement ici.
Donc je ont le tableau ouvrir.
Tous je a fait ici est courir Hiérarchique C lustre sous le C lustré menu.
Et une fois je couru ce, je est allé devant et invoquer Groupes résumés,
qui je tourné sur ici.
Et alors montre quoi arrive ici quand je Cliquez sur sur chaque de ces groupes.
Donc toi peut voir ce quand je Cliquez sur sur chaque de ces groupes.
Ces sont le groupes.
Donc sept et 18 sont associé avec chaque autre r,
14 et 17, huit et neuf, ligne deux et 13, et donc sur.
Donc ce est le idée.
Étaient en utilisant le pouvoir de JMP à identité Lignes
ce sont associé avec chaque autre.
Et dans ce chemin, par organiser le répondre les choix fermer pour chaque autre,
nous faire il relativement fermer pour chaque autre par suivant quelques schéma comme ce,
nous faire le test plus difficile.
D'accord, donc juste lancement dos dans diapositives ici encore.
D'accord.
Tous droite, donc essentiellement le dernier marcher ici dans conditions de achever ce expérience
est dans ajout pour en utilisant un passif critère pour en augmentant le difficulté de le test,
nous vouloir un actif critère.
Donc nous vouloir pour être capable pour séparé,
dans effet, le débutant niveau depuis le avancé niveau.
Donc penser de il comme ce.
Si chaque question était super difficile
ou si tous le les choix étaient très dur pour discriminer depuis,
alors toi ne serait pas être capable pour distinguer entre un avancé- niveau intimé
et un débutant- niveau intimé
parce que tout le monde serait manquer tous de le des questions.
De la même manière, si toi fait tous le des questions aussi facile,
alors tu ferais ont tous experts et Non débutants,
et donc toi ont Non différenciation.
Donc basé sur le science, nous ont un hypothèse ce marcher et vitesse
sont le la plupart important facteurs pour performance,
pour audience performance, pour discriminant entre un bien mélodie,
un bien composition, et un mauvais musical composition
et un mauvais un.
Donc sont nous bien sûr à propos ce?
Bien, un chose nous peut faire est nous peut re code le marcher et vitesse
par un 50 % de réduction
si c'est en difficulté niveau égal pour difficile.
Et par action ce, dans effet, nous toujours ont cinq variables
et ceux sont indiqué dans le ombragé, droite?
Donc le recodé marcher, recodé vitesse sont le deux Colonnes ce sont ombragé.
Et alors nous ont le Remarques modifié, le Remarques niveau, et le répéter.
Donc le DSD est toujours orthogonal.
Nous toujours ont trois les niveaux.
Nous ont cinq variables,
mais en fait nous pourrait intégrer en haut pour six dans le DSD conception.
Donc comment faire nous augmenter notre valeur dans effet par en augmentant ce variable nombre pour six?
Bien, nous peut ajouter le difficulté variable ou le catégorique variable
qui indique soit facile ou difficile.
Donc nous décidé pour utiliser marcher et vitesse, combiné avec ces autre trois variables,
et le total goûter taille est toujours 18 plus 2 ou 20
avec le deux centre points et le un Point central par défaut.
Mais maintenant, nous obtenir cinq les niveaux pour vitesse et marcher, pas trois.
Donc par action ce petit transformation,
nous intelligemment créer cinq les niveaux sur deux variables
plutôt de juste ayant trois les niveaux,
qui est typiquement quoi nous serait ont dans un DDS.
Donc je penser ce est un unique approche
c'est aussi assez spécifique pour ce problème contexte
et donne nous plus les niveaux dans notre conception.
Bon alors ce est notre conception.
Comment sont nous en allant pour créer le...
Quoi logiciel sont nous en allant pour utiliser pour essentiellement générer le audience essais ?
D'accord, Bien, ce est juste un aperçu de Musique S logiciel S synthétiseur,
qui est quoi nous utiliser, doux synthé.
Et nous utiliser il pour créer
24 plusieurs choix musique mélodie audience essais.
C'est évidemment pratique et portable et rapide.
Tous droite, donc comment faire nous distribuer ce enquête intelligemment ?
Bien, notre approche est...
Beaucoup personnes faire un échantillonnage méthode.
Mais ici, notre approche est pour intégrer tous le différent échantillonnage méthodologies,
grappe échantillonnage, stratifié, et quelques supplémentaire regroupement dans
dans commande pour distribuer le enquête pour le droite public
pour faire le enquête le la plupart utile.
Donc quand tu es prêt pour envoyer dehors le questionnaire, comment faire toi faire il?
Bien, J'ai quelques exemples ici.
OMS devrait jouer le musique?
Bien là sont personnes OMS savoir le musique et personnes OMS ne le faites pas.
Donc nous seul vouloir pour envoyer le enquêtes
pour personnes OMS sont déjà familier avec le musique, droite?
Parce que finalement, nous vouloir pour utiliser ces personnes
pour évaluer le performance de un orchestre.
Dans le stratifié échantillonnage sens, nous ont différent sortes de instruments.
Nous peut ont cinq étudiants dans un particulier piscine
ce savoir comment pour jouer piano,
nous peut ont deux ce savoir comment pour jouer violon,
et nous peut vouloir pour goûter intelligemment
donc ce nous seul prendre un certain nombre dans chaque couches de joueurs,
personnes OMS jouer particulier instruments.
Donc nous peut prendre au hasard dans chaque de ces couches
dans un certain échantillonnage taux.
Et encore, avec respect pour regroupement,
nous peut penser de emplacement dans conditions de pratique emplacement ou géographie
comme un sélection depuis beaucoup différent géographies.
Dans un sens, nous grappe et limite notre sélection critère
pour seul le San Francisco Baie zone,
parce que pratiquant dans personne est beaucoup Plus facile que pratiquant virtuellement.
D'accord, donc vraiment le indiquer est ce ce enquête dissémination
et enquête données collection processus est très holistique
et augmente notre chances de produire un efficace test ensemble, si toi sera,
de évaluateurs pour aider nous former le la plupart haut- effectuer orchestre.
Bon alors rapidement, pour envelopper tout en haut,
nous étudié le humain audience fréquence gamme,
le instrument fréquence spectre, le musique fréquence formule,
et nous conçu un innovant musique mélodie audience test en utilisant DDS.
Nous aussi mis en œuvre deux intéressant approches
pour augmenter le difficulté de le test, hiérarchique regroupement,
comme Bien comme remise à l'échelle le les niveaux
de le la plupart important prédicteurs sur notre réponses pour le test réponses.
Et nous utiliser le musique synthétiseur logiciel
pour essentiellement disséminer le audience test à travers le six musique mélodie variables.
Et dans notre stratégie pour dissémination, nous utiliser le holistique échantillonnage méthodologie.
Donc ce dans fermeture, quelques de le approches ce nous utiliser
et le science ce nous développé pourrait être utilisé pour développer un audience aide,
une musique mélodie audience aide.
Et dans notre actuel marché ce étaient conscient de,
audience les aides sont vraiment spécialement conçu pour personnes avec audience perte,
mais le idée ici serait être, comment à propos fabrication un audience aide
c'est à propos amplifier un certain signal depuis bruit, droite?
Et ce serait, dans effet,
augmenter musique mélodie audience et détection, droite?
Et donc le principal objectif ici
serait être pour bloc dehors bruit c'est étranger,
pour exemple, bruit depuis le public, et alors amplifier le signal portion
pour le particulier fréquences ce sont important
pour jouant un particulier instrument, ou même en utilisant ce taper de technologie
pour même dehors le terrain, pour amplifier le transition entre mélodies.
Et donc dans avenir travail, un similaire DSD conception peut être mis en œuvre
dans conditions de développement ce type de technologie.
Donc remercier toi très beaucoup pour écoute et laisser nous savoir si toi ont n'importe quel des questions.
