755536_fr-FR

liliconcom

Concevoir un test auditif de mélodie musicale numérique (2022-EU-30MP-989)

Cette présentation présente la conception d'un test d'audition musical spécial pour tester la capacité d'un musicien à entendre des mélodies. La plate-forme Definitive Screen Design (DSD) de JMP a été utilisée pour prendre en compte six variables d'entrée de script musical (pas, vitesse, notes modifiées, niveau de note, répétition, difficulté), puis deux points centraux supplémentaires ont été ajoutés pour évaluer les performances de Gage R&R. Chaque exécution de DSD est un test à choix multiples permettant aux répondants de choisir leur réponse parmi quatre choix disponibles.

La plateforme de clustering hiérarchique JMP a été utilisée pour regrouper les scripts musicaux similaires parmi les 20 scripts fournis par les exécutions DSD et attribuer les scripts similaires aux trois autres choix non corrects. Les choix corrects ont ensuite été ajoutés pour rendre chaque question d'audition plus difficile. Ensuite, une méthode d'échantillonnage hybride en grappes stratifiées a été adoptée pour sélectionner 30 candidats pour participer à l'enquête. Une fois les scripts déterminés, un logiciel commercial de synthèse musicale a été utilisé pour créer ce test d'audition de mélodie DSD. Après avoir collecté les résultats de l'enquête, la plateforme Fit Definitive Screening de JMP a été utilisée pour analyser les résultats de l'enquête DSD. L'objectif était de déterminer le meilleur évaluateur (propension plus élevée à évaluer avec précision les mélodies musicales) pour servir de juge pour la phase suivante du projet.

D'accord.

Bien, merci, tout le monde, pour adhésion nous.

Le titre de notre projet

est Conception a Numérique Musique Mélodie Audience Test.

Je suis Patrick Julien,

et mon co- présentateurs sont Charles Chen et Maçon Chen

OMS Je ne pouvais pas être ici aujourd'hui.

Donc Je suis en allant à être présentation sur leur au nom de.

Et ce est a projet,

a haut- école TIGE projet inspiré par La méthodologie ESTEEM,

lequel est essentiellement TIGE mais avec l'IA, mathématiques, et statistiques Bien- intégré.

D'accord, donc juste à introduire ce projet

dans le projet gestion saveur avec le projet charte.

Le but de le projet, dans effet, est à conception a test

à test le audience capacité de a musicien.

Le expérimental conception, philosophie ou méthodologie nous utiliser

est JMP puissant, définitive dépistage conception capacité.

Et nous conçu le test basé sur six musique mélodie variables

dans commande à test audience capacité,

où chaque question commence avec a court mélodie

suivi par quatre choix, et où seulement un est répété

et le autre trois mélodies sont similaire mais pas identique.

Depuis ce test, chaque auditeur a à prendre leur meilleur choix

parmi le options disponible.

Une fois nous conçu ce test, nous analyser le test enquête résultats.

Nous construire a sensibilité modèle

dans considération de six musique audience variables,

et alors écran le auditeurs à déterminer lequel ceux effectué le meilleur

dans le musique audience test.

Et dans faire donc, dans le dépistage processus,

nous analyser le points forts et faiblesses de leur audience capacité

dans le service de finalement création un orchestre

avec a classement de auditeurs OMS sont très capable à évaluer eux.

Ok, alors dans le service de science,

nous avoir un introduction à le mécanisme de audience

où le oreille est juste essentiellement a fréquence- recevoir appareil

que collecte son et vibration de le osselets dans le oreille

et cause le mécanique vibration à être converti

dans un électrique stimulus, lequel 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 que nous analysé,

allons parler a petit peu à propos le fréquence gamme de audience

parmi individus en fonction sur leur âge.

Donc personnes de tous âge sans audience déficience

devrait être capable à entendre à a fréquence de environ 8 000 Hertz,

et graduel perte de sensibilité à plus haut fréquences avec âge

est a normale occurrence.

Et donc quoi le science raconte nous

est que le auditif structures de plus jeune personnes

sont typiquement plus capable de absorbant ou interprétation

audience plus haut fréquence sons, lequel est, de cours,

pertinent dans termes de lequel instruments personnes sont jouant,

où le violon a a plus haut pas que le violoncelle,

donc peut-être a plus jeune personne pourrait être plus adapté

pour jouant le violon que un plus vieux personne.

Et donc ce juste donne toi un idée que essentiellement

personnes que sont dans leur années cinquante peut être peut seulement être capable à entendre

à 12 000 kilohertz... ou 12 kilohertz plutôt, 12 000 Hertz,

alors que personnes dans leur Années 20 peut entendre en haut à peut-être 18 kilohertz.

Et juste à donner quelques contexte, le moyenne fréquence gamme

pour quoi nous écouter pour le sons que 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 sons de différent fréquence?

Donc personnes typiquement manquer haut fréquence sons

plus souvent que faible fréquence ceux.

Et personnes avec haut fréquence audience perte,

ils avoir inquiéter audience plus haut- lancé sons, de cours, droite?

Et donc plus haut pas sons peut généralement viens depuis femmes ou enfants

et sont dans le supérieur deux à huit gamme de kilohertz.

Et Qu'est-ce que aussi typique

avec haut fréquence audience perte dans beaucoup personnes

est le présence de a Fantôme son, lequel est le condition appelé acouphènes

et que en compétition sensation de son peut aussi inhiber a personne capacité

à distinguer autre haut fréquence sons.

Donc clairement, âge est un important facteur dans termes de conception

un efficace audience test et développement un efficace panneau de auditeurs

OMS sont accordé à musique.

Bien que nous n'a pas explicitement considérer âge dans notre expérience,

comme tu vas voir dans le ultérieur diapositives,

il certainement pourrait être a facteur que nous pourrait explorer plus loin

dans notre échantillonnage stratégie dans termes de le enquête répondants que nous choisir.

D'accord, donc le basique mesure de performance auditive

est appelé un audiogramme.

Et quoi toi voir dans le graphique sur le droite

est juste a parcelle de audience seuil niveau dans décibels sur le verticale axe

contre fréquence sur le horizontal.

Et toi peut clairement voir que comme audience perte progresse,

le seuil niveau de son et décibels commence à augmenter

et le dégradation et le performance est montré comme le parcelle

scission le performance par année mobile vers le bas dans le droite.

C'est le trajectoire de le doubler c'est de liaison le points

mobile vers le bas dans le droite.

D'accord, donc juste a petit peu plus arrière-plan

avant nous lancement dans le conception de le enquête et le analyse.

Le intention ici est juste à souligner

que fréquence ingérence peut être a problème

dans produire a mélodieux harmonie dans un orchestre dans particulier

ou dans n'importe lequel trier de musical composition.

Et quoi étaient essentiellement montrant ici

est le différence entre Qu'est-ce que appelé fondamental fréquences et harmoniques

dans le contexte de a piano,

à moins à le note échelle indiqué à le bas.

Ok, 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 a particulier fréquence.

Comme un exemple, milieu C est à autour 262 Hertz,

et plus haut remarques, de cours, sont en allant à avoir plus haut fréquence

et inférieur Remarques avoir inférieur fréquence.

Et ce glisser juste donne toi a contexte

pour quoi fréquence la Remarques correspondre à.

Donc note A est autour beaucoup plus haut, 440,

alors note C à 261 dans le deuxième ensemble sur le droite,

dans le inférieur partie de le glisser.

D'accord, donc il y a quelques relation entre fréquence et le nombre de Remarques.

Fréquence besoins à double chaque 12 remarques,

et nous avoir 12 notes dans chaque octave, Sept blanc et cinq noir.

Et donc toi peut voir que ce relation,

que fréquence suit comme a fonction de ces remarques,

et n est a pouvoir- loi taper relation.

Tous droite, donc prise nous dos maintenant à le projet

et le mise en œuvre et le analyse.

Donc le projet plan a trois phases.

Le d'abord phase est quoi Je suis en allant à couverture,

c'est le analyse que Je suis en allant à discuter aujourd'hui.

Le d'abord phase est efficacement le processus de identifier

lequel personnes sont meilleur audience artistes depuis a collection de enquête résultats

que nous envoyer dehors basé sur le enquête que nous conçu.

Le deuxième phase est identifier le meilleur audience artistes

depuis le enquête résultats dans commande à servir comme juges.

Dans ce phase, essentiellement, nous essayer à travail sur formation le orchestre

avant à phase trois où étaient en fait faire le formation.

Mais dans ce exemple, étaient pensée à propos des choses

comme lequel instruments avoir n'importe lequel potentiel limitation.

Et nous peut donner le même mélodie à différent test instruments,

et pas chaque instrument peut jouer chaque mélodie, évidemment.

Et donc le idée est,

comment faire nous savoir que le individus que sont jouant

sont jouant ces instruments avec précision?

Bien, nous besoin juges OMS avoir bien écoute capacité.

Donc le juges que nous vicaire depuis phase un

volonté fournir que excellent évaluation dans phase deux.

Donc une fois nous avoir que dans lieu, dans phase trois,

nous peut en fait vraiment formulaire le numérique orchestre.

Et Bien pense à propos des choses comme comment beaucoup joueurs devrait être impliqué,

OMS devrait jouer où, évidemment.

Bien avoir a 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 à musique, les paramètres dans musique:

étape, vitesse, Remarques modifié, Remarques niveau, a répéter variable,

et a difficulté variable, a catégorique variable, facile ou difficile.

Le expérience, comme I mentionné avant, est étaient en utilisant JMP DSD,

et dans ajout à le défaut, étaient générateur a DSD par défaut,

et alors dans effet, étaient augmentant la conception

par ajout deux plus points centraux.

Alors nous sommes faire un 18- courir DSD,

lequel comprend un point central, lequel est rangée nombre trois dans ce tableau,

avoir indiqué avec a zéro et un flèche mettant en évidence rangée trois.

Et alors étaient ajout deux plus centre points

à rangée 10 et rangée 20 respectivement.

Et le idée ici dans termes de, étaient remplacement ces points centraux,

est nous vouloir à obtenir un idée de comment cohérent le résultats sont

tout au long de le expérience.

Donc nous essayer à mettre a point central à peu près à le début, dans le milieu,

et le fin de le expérience.

Et ce est analogue à compréhension si a mesures processus est écurie,

si tu es dans a fabrication environnement, obtenir a sens pour que.

Et alors le autre important chose à propos notre conception ici

est que étaient randomisation le test séquence,

et c'est quelque chose que nous peut faire dans JMP à travers le génération de le conception.

Et Je vais montrer a petit peu à propos que brièvement

quand nous viens à le suivant peu diapositives.

Et que randomisation est vraiment important parce que il aide éliminer n'importe lequel biais

exigible à facteurs que ne sont pas dans le expérience

quand nous courir le test.

Et que biais est référé à parfois comme cachette variation

ou variation exigible à cachette variables.

D'accord, donc il y a un autre considération que I touché sur.

C'est dans le contexte de randomisation, mais c'est légèrement différent contexte,

lequel est a petit peu plus unique

à ce particulier application et expérience.

Et donc essentiellement, quoi nous a fait est généré un initial aléatoire variable

et assigné a aléatoire séquence, un, deux, trois, quatre, et randomisé.

Mais nous a fait a enregistrement sur que.

Donc nous étiqueté un UN, deux B, trois C, et quatre D,

et que' c'est quoi nous voir

dans termes de identifier le correct répondre.

Donc dans le deux colonnes à le droite dans ce tableau,

dans ce 20- rangée tableau,

étaient identifier quoi le correct répondre devrait être

dans termes de le lettre,

lequel est associé avec a aléatoire variable de un, deux, trois, quatre,

w ici un correspond à UN, deux à B, trois à C, et quatre à D.

Et étaient faire ce à assurer a uniforme distribution

de le emplacement variable.

Et essentiellement quoi que moyens dans pratique termes est que A, B, C, et D

tous avoir égal pourcentage de être choisi à aléatoire.

Et ce est à éviter le biaiser situation

où un étudiant peut prendre le même répondre sur et sur encore

dans commande à peut-être augmenter son ou son chances de en train de performer 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 viens à 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

lequel est montré sur le gauche, sur le panneau sur le gauche

à travers un évaluation de le déroutant modèle

ou le étendue à lequel 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,

lequel est simplement, quoi fait le structure de le conception regarder comme

dans a multivarié espace?

Avoir nous couvert tous de le conception points dans un environ uniforme chemin

donc que étaient capable à 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 à le gauche,

est que le dans l'ensemble pouvoir pour chaque de le facteurs dans le expérience

est plus grand que 90 pour cent, lequel est bien.

Et il spectacles nous que nous avoir bien sensibilité à détecter effets,

si ils sont en fait là dans le population.

Le panneau dans le milieu spectacles

que le risque de quoi nous appel multicolinéarité

ou excessif corrélation parmi le expérimental facteurs est faible

parce que tous de le par paires corrélations dans ce corrélation matrice,

la plupart de eux sont bleu,

où a plus bleuâtre corrélation correspond à a inférieur corrélation,

où solide bleu indique zéro corrélation.

Et le carrés que sont plus proche à a rouge ombres

indiquer a plus haut étendue de corrélation parmi facteurs ou termes dans le expérience.

Et donc dans l'ensemble, quoi nous voir est que nous regarder pour corrélations

que 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 a petit peu plus haut.

Et c'est parce que nous avoir catégorique facteurs, droite?

Nous avoir à moins un catégorique facteur dans ce expérience.

Et si nous n'a pas avoir le présence de a catégorique facteur,

ce parcelle serait regarder même plus bleu.

Donc nous dire que dans DSD, nous ne le faites pas recommander

ajout aussi beaucoup catégorique variables dans le expérience,

parce que si nous faire, alors nous augmenter ce corrélation problème,

lequel affecte notre capacité à produire estimations dans notre modèle que sont précis,

conduit à inflation de variance dans notre estimations.

Et le final parcelle sur le droite, sur le loin droite,

lequel est un indication de le uniformité de ce conception,

est a dispersion parcelle matrice dans JMP,

et il spectacles chaque variable contre chaque autre variable.

Et quoi étaient regarder pour

est pour blanc espace à être minimal dans ce parcelle.

Quoi j'ai dessiné est a petit cercle ici lequel ton œil peut facilement prendre dehors.

Il y a a petit peu de supplémentaire blanc espace là

à le intersection de Répéter et Étape.

Et que, encore, est parce que nous avoir a catégorique variable dans notre expérience.

Et donc honnêtement,

il y a Non parfait zéro dans le principal effets,

Non vrai point central dans le principal effets

exigible à le présence de que 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 que asymétrie est indiqué dans que blanc espace

et avec le cercle que j'ai dessiné.

D'accord, donc avant I discuter ce glisser, I juste vouloir à rapidement montrer toi

comment I a obtenu à ces conception Diagnostic.

Donc quoi tu es vision ici est le tableau que I juste a montré toi.

Et j'ai généré ce conception en utilisant le DSD plate-forme sous le BICHE menu,

sous Définitive Dépistage et Définitive Dépistage Conception.

Et après I a fait que, JMP déjà générer,

après I complet le conception tableau génération processus

et remplir dans le résultats, JMP génère un DOE dialogue scénario,

sauve il à le données tableau,

et I peut en fait relancer le BICHE dialogue,

et I peut aussi évaluer le conception.

Donc Je suis en allant à aller devant et rapidement Cliquez sur Conception Évaluation.

Et ce est juste un aperçu de le conception.

Et droite ici sous Conception Évaluation

est où I obtenir le Diagnostic en rapport haut fleur,

lequel I a montré toi sur le gauche panneau sur que glisser,

le Diagnostic que indiquer

à le étendue à lequel facteurs ou termes dans le expérience sont corrélé.

Et c'est montré ici dans le couleur carte sur le corrélation.

Et à générer le parcelle,

regarder à le uniformité parmi le facteurs,

I en fait avoir à aller dans et faire que en s chatter parcelle matrice

sous le Graphique menu, S intrigue de chat Matrice.

Donc c'est juste quelques contexte pour toi.

Et maintenant, Je suis juste en allant à rapidement apporter en haut le suivant glisser

et alors viens dos à JMP ici

juste à dynamiquement montrer toi quoi étaient faire.

Donc voici probablement le la plupart intéressant partie

de ce expérience.

Comment faire nous augmenter le enquête test difficulté

et faire il dans a intelligent chemin?

Bien, nous peut utiliser hiérarchique regroupement analyse à faire que.

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

lequel indiquer le choix correspondant à le 20 mélodie choix

sont indiqué là.

Donc nous savoir, pour exemple, dans le d'abord rangée,

le correct la réponse est C correspond à mélodie une

où le C ID nombre est un.

Donc nous déjà savoir le correct répondre

où nous avons assigné il dans termes de rangée commande basé sur a aléatoire nombre,

mais comment faire nous prendre le autre trois des réponses ?

Bien, basé sur hiérarchique regroupement,

nous peut obtenir a sens de comment fermer chaque de le autre trois réponses sont

à le correct répondre.

Et dans ce chemin, nous peut faire le test a petit plus difficile.

Donc tous le répondre 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 volonté,

ou même peut être mélodies que sont relativement fermer ensemble

basé sur le regroupement critère, mais pas honorer que critère strictement,

droite?

Donc ce pourrait sembler a petit peu nébuleux,

mais dans effet, tous étaient vraiment faire

est révélateur JMP à attribuer a regroupement schème par rangée

et basé sur quelques regroupement critère que nous spécifier.

Et par défaut, que critère est Salle.

Donc Je suis juste en allant à montrer que dynamiquement ici.

Donc I avoir le tableau ouvrir.

Tous I a fait ici est courir C hiérarchique lustre sous le C lustré menu.

Et une fois I couru ce, I est allé devant et invoquer Groupes résumés,

lequel I tourné sur ici.

Et alors montre quoi ça arrive ici quand I Cliquez sur chaque de ces groupes.

Donc toi peut voir que quand I Cliquez sur chaque de ces groupes.

Ces sont le groupes.

Donc sept et 18 sont associé avec chaque autre l,

14 et 17, huit et neuf, rangée deux et 13, et donc sur.

Donc ce est le idée.

Étaient en utilisant le pouvoir de JMP à identifier rangées

que sont associé avec chaque autre.

Et dans ce chemin, par organiser le répondre choix fermer à chaque autre,

nous faire il relativement fermer à 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 étape ici dans termes de terminer ce expérience

est dans ajout à en utilisant a passif critères pour croissant le difficulté de le test,

nous vouloir un actif critères.

Donc nous vouloir à être capable à séparé,

dans effet, le débutant niveau depuis le avancé niveau.

Donc pense de il comme ce.

Si chaque question était super difficile

ou si tous le choix étaient très dur à discriminer depuis,

alors toi ne serait pas être capable à distinguer entre un avancé- niveau intimé

et a débutant- niveau intimé

parce que tout le monde serait manquer tous de le des questions.

De la même manière, si toi fait tous le questions aussi facile,

alors tu aurais avoir tous experts et Non débutants,

et donc toi avoir Non différenciation.

Donc basé sur le science, nous avoir a hypothèse que étape et vitesse

sont le la plupart important facteurs pour performance,

pour audience performance, pour discriminant entre a bien mélodie,

a bien composition, et a mauvais musical composition

et a mauvais un.

Donc sont nous bien sûr à propos que?

Bien, un chose nous peut faire est nous peut re code le étape et vitesse

par a 50 pour cent de réduction

si c'est en difficulté niveau égal à difficile.

Et par faire que, dans effet, nous toujours avoir cinq variables

et ceux sont indiqué dans le ombragé, droite?

Donc le recodé étape, recodé vitesse sont le deux colonnes que sont ombragé.

Et alors nous avoir le Remarques modifié, le Remarques niveau, et le répéter.

Donc le DSD est toujours orthogonal.

Nous toujours avoir trois niveaux.

Nous avoir cinq variables,

mais en fait nous pourrait intégrer en haut à six dans le DSD conception.

Donc comment faire nous augmenter notre valeur dans effet par croissant que variable nombre à six?

Bien, nous peut ajouter le difficulté variable ou le catégorique variable

lequel indique soit facile ou difficile.

Donc nous décidé à utiliser étape et vitesse, combiné avec ces autre trois variables,

et le total échantillon 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 niveaux pour vitesse et étape, pas trois.

Donc par faire ce petit transformation,

nous intelligemment créer cinq niveaux sur deux variables

plutôt de juste ayant trois niveaux,

lequel est typiquement quoi nous serait avoir dans a DSD.

Donc I pense ce est a unique approche

c'est aussi assez spécifique à ce problème contexte

et donne nous plus niveaux dans notre conception.

Ok, alors ce est notre conception.

Comment sont nous en allant à créer le...

Quoi logiciel sont nous en allant à utiliser à essentiellement générer le audience des tests ?

D'accord, Bien, ce est juste un aperçu de Musique S logiciel S synthétiseur,

lequel est quoi nous utiliser, doux synthé.

Et nous utiliser il à créer

24 multiple 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 à intégrer tous le différent échantillonnage méthodologies,

grappe échantillonnage, stratifié, et quelques supplémentaire regroupement dans

dans commande à distribuer le enquête à le droite public

à faire le enquête le la plupart utile.

Donc quand tu es prêt à envoyer dehors le questionnaire, comment faire toi faire il?

Bien, J'ai quelques Exemples ici.

OMS devrait jouer le musique?

Eh bien, là sont personnes OMS savoir le musique et personnes OMS ne le faites pas.

Donc nous seulement vouloir à envoyer le enquêtes

à personnes OMS sont déjà familier avec le musique, droite?

Parce que finalement, nous vouloir à utiliser ces personnes

à évaluer le performance de un orchestre.

Dans le stratifié échantillonnage sens, nous avoir différent types de instruments.

Nous peut avoir cinq étudiants dans a particulier piscine

que savoir comment à jouer piano,

nous peut avoir deux que savoir comment à jouer violon,

et nous peut vouloir à échantillon intelligemment

donc que nous seulement prendre a certain nombre dans chaque couches de joueurs,

personnes OMS jouer particulier instruments.

Donc nous peut prendre au hasard dans chaque de ces couches

dans a certain échantillonnage taux.

Et encore, avec respect à regroupement,

nous peut pense de emplacement dans termes de pratique emplacement ou géographie

comme a sélection depuis beaucoup différent géographies.

Dans a sens, nous grappe et limite notre sélection critères

à seulement le San Francisco Baie zone,

parce que pratiquant dans personne est beaucoup Plus facile que pratiquant pratiquement.

D'accord, donc vraiment le indiquer est que ce enquête dissémination

et enquête données collection processus est très holistique

et augmente notre chances de produire un efficace test ensemble, si toi volonté,

de évaluateurs à aide nous formulaire le la plupart haut- en train de performer orchestre.

Ok, alors rapidement, à envelopper tout en haut,

nous étudié le humain audience fréquence gamme,

le instrument fréquence spectre, le musique fréquence formule,

et nous conçu un novateur musique mélodie audience test en utilisant DSD.

Nous aussi mis en œuvre deux intéressant approches

à augmenter le difficulté de le test, hiérarchique regroupement,

comme Bien comme redimensionnement le niveaux

de le la plupart important prédicteurs sur notre réponses pour le test réponses.

Et nous utiliser le musique synthétiseur logiciel

à 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 clôture, quelques de le approches que nous utiliser

et le science que nous développé pourrait être utilisé à développer a audience aide,

une musique mélodie audience aide.

Et dans notre actuel marché que 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 a audience aide

c'est à propos amplifier a certain signal depuis bruit, droite?

Et que serait, dans effet,

augmenter musique mélodie audience et détection, droite?

Et donc le principal objectif ici

serait être à bloc dehors bruit c'est étranger,

pour exemple, bruit depuis le public, et alors amplifier le signal partie

pour le particulier fréquences que sont important

pour jouant a particulier instrument, ou même en utilisant ce taper de technologie

à même dehors le pas, à amplifier le transition entre mélodies.

Et donc dans avenir travail, a similaire DSD conception peut être mis en œuvre

dans termes de développement ce gentil de technologie.

Donc remercier toi très beaucoup pour écoute et laisser nous savoir si toi avoir n'importe lequel des questions.

Modélisation statistique avancéeAutomatisation et scriptsAnalyse et modélisation de données de baseÉtudes de marché et de consommationOrganisation du contenuFusion et nettoyage des donnéesExploration et visualisation des donnéesPlan d'expériencesModélisation prédictive et apprentissage automatiqueIngénierie de la qualité et des procédésAnalyse de fiabilitéPartage et communication des résultats