文摘

目前,音乐识别的研究主要集中在单注意识别,与一些限制在识别精度和抗噪性能。本文提出了一种新的算法对钢琴演奏音乐识别的背景下智能交互。谱峰的方法排序是multifundamental频率检测领域的扩展,和高、低通道处理。谱熵的统计特性系数在压缩域,导致更稳定的指纹。这个统计功能不会被摧毁后最初的分段处理,确保保持高稳定性计算功能。该方法可以有效地提高基频提取的准确性通过突出的峰值特征周期的位置帧样本,避免半频和倍频的影响,从而避免半频和倍频的影响。与传统方法相比,实现更高精度和容错。算法的可行性和有效性提出了仿真实验得到证实。该方法的总体性能满足一定的实际需求和达到预期的结果,为未来的研究打下了基础。

1。介绍

互联网的快速发展,数字音乐已成为主流媒体的音乐存储,和数量是巨大的1]。越来越多的用户开始使用在线音乐应用,带来了多元化的音乐信息的需求。因此,如何组织和管理大量的音乐数据自动、有效以及如何从音乐中提取各种不同的信息已经成为紧迫问题。一系列的问题,如音乐识别、分类和特征提取2)基于计算机和人工智能技术(3,4),已经被越来越多的研究者关注。音乐信息检索研究领域这一背景下诞生和发展。根据传统的手工检索和识别的音乐,它变得非常困难,无法满足人们的要求,检索方法。音乐自动识别是一种新的边缘学科,其研究涉及到许多学科如物理、信号处理(5,6),音乐理论和音乐心理学。音乐自动识别领域具有重要的应用价值的音乐检索和自动作曲技术。目前,传统的音乐识别有以下问题。(1)钢琴音乐注意识别音符分割的准确性不能满足。(2)不能满足基频提取精度的要求。(3)自适应的钢琴音乐识别问题不能解决。现代音乐的钢琴已经成为不可或缺的工具类。它方便、灵活和情感使用钢琴教学(6]。然而,也有缺点,比如在课堂上,教师要花精力弹钢琴的一部分,不能致力于教学活动的组织。钢琴演奏不仅限制性能的技术水平还通过人们的心理和生理状态7]。此外,大多数钢琴初学者很容易玩没有音乐的指导教师指出错误。如果计算机可以实时检测和评估钢琴音乐,用户可以使用音乐识别技术来找出错误的时间点和改正8]。

在互联网上歌曲的数量激增由于互联网的普及和多媒体技术的迅速发展9),和音乐搜索,试镜,并下载已成为非常受欢迎的应用程序在网络终端用户。组织和存储信息的过程和技术在一个特定的方式,以及寻找相关信息基于信息用户的需求,被称为信息检索。我们享受文本检索提供者与互联网的快速发展。音乐的大量数据和越来越多的音乐服务提供商用户既提供了机遇和挑战。面对大量的音乐数据,音乐的传统模式组织和管理基于人力显然已无法适应。模式识别(10- - - - - -12)被定义为一个系统描述现象和人类能力识别对象,或过程和分析复杂数据的能力。说话人识别和语音识别是两种类型的语音识别系统。相关的音乐识别广泛应用于精神文明的时代发展。常规音频分为音效,演讲,和音乐,和不规则的音频分为音效,演讲,和音乐,基于声波的不同特点。音乐坐标的横轴是节奏交替,纵轴是声音高度(13]。关键是注意的歧视水平流动的音乐。有必要开展必要的语调的训练,以培养学生辨别声音的能力水平(14]。计算机系统的使用可以极大地帮助学生语调的训练。探讨钢琴演奏音乐的算法识别的背景下,智能交互。

人们对多媒体信息检索的需求增长和互联网技术的快速发展15]。多媒体信息的比例,如音频和视频,网络信息中包含的增长,那么他们对多媒体信息检索的需求。大量的用户带来了广泛的音乐信息需求,以及这让原来的单一的音乐服务显得有些过时。因此,如何自动、有效地组织和管理音乐数据,以及如何提供各种各样的服务,以满足不同用户的需求,已成为一个关键问题(16]。音频信息检索是多媒体信息检索的一个分支,它使用听觉特征值作为其基础。音频识别是音频检索的基础,和音频识别最重要的步骤之一是构建音频信息。音乐,作为一种艺术的工具表达感受和共鸣,包含复杂的内容和水平,不能直接进行分析。由于学习音乐识别技术,我们可以提取音乐的共同特征,从而提高音乐识别的辅助函数在人类生产和生活。这项研究,深入理解的基础上的背景音乐系统和基于智能互动,注重钢琴音乐识别的关键技术,如multinote起止点检测,准确的基频检测和准确的基本频率计算的笔记。本文从基本的音乐识别,然后继续钢琴音乐特征的分析和提取。钢琴音乐的特征识别性能可通过计算机辅助分析和处理的音频信号。钢琴的音乐特征用于识别能源跳点,可以提高检测精度的注意开始和结束点,防止丢失和错误的判断。这项研究是有用的在音乐领域的识别时弹钢琴。

2。相关工作

文献[17]首先重置谐波和纠正的八度MIDI-generated电子音乐信号,然后使用产品频谱实现multi-fundamental频率谐波检测具有高检测精度。根据文献[18),未来的音乐识别领域将为人类提供意想不到的用户体验,这无疑将打开新的篇章音乐识别通过推断从其他用户的功能和技术创新。文献[19)开发了一种基于线性匹配的音乐识别算法。提高音乐识别准确性,音乐节奏和音高的两个特点是提取和比较。提出了一种多级分层音乐检索方法在文献[20.]。将音频信号分成不同的声音类型,首先设置环境噪声段,然后提取统计与音乐有关的特性数据段,将音频信号划分为音乐环境,无声段,等等。最后,使用隐马尔科夫模型,检测时域特性和执行分级检索音乐片段。自动分类的音乐风格使用的最小信息长度标准研究在文献[21),但几乎没有研究识别所有弹奏乐器从给定的一组音乐信号。方法识别弹拨乐器,键盘乐器和打击乐器给出文献[22]。识别一个钢琴注意使用RBF神经网络模型,提出了在文献[23]。它具有很高的识别率,但它不能实时识别。根据文献[24钢琴表演),计算机识别系统将是一个新颖的音乐识别理论的应用。文献[25)完成钢琴音乐信号的频谱分析和重建的钢琴音色通过使用短时傅里叶变换理论来分析钢琴音乐信号的基频特征。提出一种改进的声调模型在文献[26),采用有限高斯混合模型,模型每组谐波以统一的方式。利用期望最大化,计算基本频率的音乐。

本文发现,传统音乐识别有很多问题,基于深入回顾相关文献。本文提出了一种新的算法对钢琴演奏音乐识别中基于该智能交互。音乐信号首先被转化为一个时频表示,然后同步的音乐在时间和频率域研究使用这种表示方法。使用钢琴连续multinote检测的例子,基频提取精度提高的基础上解决音乐识别的适应性问题。和音乐识别是重要的在全球范围内。基本算法适合乐器的特点,可以用来实现各种演奏乐器的音乐识别,根据情况。

3所示。方法

3.1。音乐特征提取和信号预处理

声音是一种自然发生。当一个物体振动,产生声波,通过空气传播,人们的鼓膜和视为声音的大脑。乐器的范围被定义为低音最低和最高的音调之间的距离。频率是固定的,明显是简谐运动,以及由此产生的声音被称为“纯质的音调。”声音发音体随机移动时产生被称为“复调。“许多声音结合形成一个固定的艺术体系,是用来描述音乐思想和创造音乐图像(27]。人们在长期的生活实践中选择声音中提到的音乐,它可以表达人们的生活,思想,和感受,并形成一个固定的系统来表达音乐的思想和塑造音乐形象。指出,随着音乐的基本组成部分,分析和识别音乐扮演至关重要的角色。检测和识别钢琴音乐信号的基础是准确的分割。

持续时间、频率、光谱分布和振幅对应的物理量是声音的四个基本特征:长度、音高、音色、和强度。人们听音乐的时间是由振动仪器的探测位置,时间,例如,钢琴。有一个声音为每个白剑和黑色钢琴键盘上的键。无论使用的白色或黑色的键,声音水平是一样的。每两个相邻键隔开半音程。声音变长,关键是按时间,反之亦然。噪音是由振动乘以单位时间内仪器的探测位置。声音越响,频率越高。声音是低频率越低。

一个孤立的声音不能塑造音乐形象;在音乐,听起来总是联系在一起在一个特定的关系来表达特定的音乐理念。旋律、节奏、和声音乐的三个基本要素。总体特征、基本功能和复杂的特征是三种类型的音乐特征。复杂的特性反映通过音乐的基本特征,然后表达的整体特性。最后,证明了音乐形式结构、艺术风格和情感内涵的对比。图1描绘了音乐的功能系统。

乐音体系指的是一组音符在音乐中使用的固定螺距。这听起来声音训练是一个音乐系统是按升序或降序排列。语气水平是每个音调的名字在音乐系统。基本和变量水平两种类型的水平。七个具有不同名称的水平被称为音乐体系的基本水平。在钢琴上,52白色键循环使用相同的七个基本的层面上的名字一遍又一遍。音乐的感官特点是音色。各种频率的色彩出现在音乐演奏各种各样的乐器,正是因为这些复杂多变的色彩,人们可以区分各种乐器的音色。钢琴有一个强大的和浓郁的低音,自然和光滑,明亮和可爱的三冠王。字符串数组,200多名紧弦和共鸣板的耦合成一个美丽的音色。 The amplitude of music determines the intensity of sound, as the name implies. The louder the sound, the greater the amplitude of the music.

声音的四个基本特点发挥重要作用在音乐的艺术表现。“模式”一词是指一组以音乐的形式指出一个系统。音调的高低顺序排列,使其模态。这种补药安排被称为规模,它演示了模态的规律。理解上述音乐特征的第一步深入研究音乐识别算法。上面提到的四个属性的声音都是重要的音乐表现,但声音的高度和长度是最重要的。你可以告诉的名字音乐如果你玩音乐的不同乐器和声音强度变化。音乐形象将受到严重伤害如果音乐的长度和间距改变,和音乐识别将不会完成。因此,音乐识别的主要目标是获取信息这四个参数通过识别,主要侧重于音高和持续时间。音乐的基本特征的提取是提取复杂特性的基础的音乐。 Recognition of rhythm, melody, and harmony is part of the former. Melody and rhythm are the most important of these three elements, so knowing the melody and rhythm of a piece of music is necessary and accurate.

以节奏识别为例,它反映了音乐的规律在时间长度。节奏识别直接火车节奏样本与模型,然后比较了固定节奏的音乐识别训练样本的识别的节奏。困难在于,音乐的节奏变化是随机的,还有世界上几乎没有相同的音乐节奏,这需要许多示例音乐用不同的节奏,这是在实践中并不可行。让我们把音乐分解,提取每个音符的时间价值特点,然后让音乐的节奏特点。如果连续几个音符的时间价值很小,这表明,节奏更快;否则,节奏是温柔。同时,模式的特点和音乐的音调也代表音乐很好。如果音乐的模式特征可以提取的,它可以帮助表演者感知和表达音乐在一定程度上的特点。音频识别框架如图2。

音乐识别的步骤是首先提取复杂特性的音乐通过使用音乐的基本特性,然后研究和分析它的复杂特性,最后得到音乐的整体特性。音频信息结构是指将音频分成独立的段不同长度和短裤根据一定的标准和标准下拥有相同的属性。每个音频信号包含大量的信息,它可以分为三个层次的内容:物理样品水平,声学特征的水平,和语义层面。信息结构通常是基于声学特性。

场上的注意,注意的基本频率,严格管制;指定每个音符的音高的方法叫做气质。气质系统一般遵循下列原则确定每个音符的音高:首先指定标准的球场注意;然后使用一定的数学算法来计算其他笔记的球场一个八度内的音高标准的注意。广泛的现代钢琴乐器、玩88种不同的音调的能力。它包含52白色键对应于古代规模基本独立的名字。任何两个相邻键在钢琴上由一个半音。如果你看白色的键盘上的键,它可以被看作是由几组七键分成组,每组代表一个距离一定注意其较高的八度音阶。组织之间的关系是一种关系,逐步增加或减少从低到高或从高到低。如果有一个黑键之间插入两个白色键,两个白色键包含两个半音来,也就是说,一个整体基调; if there is no black key inserted between the two white keys, the two white keys contain a semitone.

音乐信号的预处理措施在音乐信号的提取特征参数,以达到消除直流分量和趋势项的目的,减少噪音的音乐信号。这个过程包括音频采样量化、预加重处理、窗口、过滤等操作程序。为表现音乐由普通麦克风收集并存储在波格式初级钢琴作品,系统读取它的性能信息,并自动提取每个主要的音乐特性的性能。然后,音乐的基本特征被提取的性能,和表现音乐的特征识别结果输出。为了使结果更直观、方便系统用户分析他们所播放的音乐,系统提供了功能分析结果的文本或图像。

3.2。识别的钢琴演奏音乐的背景下智能交互

音乐将减少的功率谱与频率的增加,和它的大部分能量集中在低频范围内,这可能会导致不可接受的信噪比信号的高频部分消息。然而,由于音乐信号的高频部分的能量很小,并不足以产生最大频率偏移,所以它是最大频率偏移引起的低频组件。类似于讨论二阶导数过零率,沉默的短期能量相对较低,这主要是用来区分沉默与高信噪比与其他类型的音频信号,需要硬阈值判断。此外,对于无声的演讲,其短期能源显然低于表示演讲。为了提高硬阈值判断的准确性,讨论二阶导数过零率和短时能量一般选为双阈值判断。

这台机器能抽到个人的音乐特征。研究工作,进入此模块的发展对整个系统的成功是至关重要的。这个模块实现音乐的基本特征的提取,包括四个特征的提取music-monophonic的最基本元素,以及音乐,一段音乐的整体特征。音频指纹识别技术用于音乐和音频指纹应该符合以下要求:(1)区分,每一块的音乐应该有自己独特的指纹;(2)它有一个紧凑的外观,使存储和比较容易;(3)简单的数学问题;(4)弹性常见信号失真和传输干扰。

音乐波形时域信号 ,和th音乐信号帧逐帧处理后获得的窗口函数是 。然后,满足以下公式: 在哪里是窗口函数,是一帧的振幅。 , 帧长度。公司框架转变长度;是总框架划分后的帧数。计算短期内任何帧的音乐信号的平均能量根据以下公式:

音乐信号是一个非平稳信号持续时间有限和时变二阶统计数据。时频分析是基于时频联合建设的功能,它可以描述音乐信号在时频域的变化以及估计信号特征参数。之前添加噪声,增加输入调制信号的高频分量。在输出端,不强调处理用于恢复原始信号的功率分布,提高输出信噪比。讨论二阶导数过零率的振幅不会改变如果音频信号是相对稳定的,比如静音或音乐。从沉默信号非平稳度高的声音或音乐,和讨论二阶导数过零率急剧变化。不同类型的音频信号有不同的零交点利率理论。不同类型的音频信号可以很容易地和有效地区别如果可以找到更精确的阈值。

让离散时间信号的离散傅里叶变换 。然后,可以通过下面的公式:

的公式,是指定的基本频率或八度音,基本频率的振幅或八度,是用来调整波形的宽度在基频附近或八度,然后呢是正弦和余弦的功能。

因为短时傅里叶变换有固定窗长度、宽度和带宽在时频平面上也是固定的,暗示的频率分辨率和时间分辨率都是固定的。钢琴笔记的基本频率范围从27.5赫兹到4186赫兹,和钢琴音乐信号广泛。狭窄的时间窗口,适用于高频信号,可以区分信号的高频细节,而宽时间窗口具有较高的频率分辨率。固定窗长度不能满足钢琴高音和低音的决议要求在同一时间,因为它适用于低音信号与频率。小波变换的时频窗口是变量,允许高频低频组件的分辨率和高时间分辨率高频组件。因为音乐的噪声信号影响的音乐识别算法的检测精度,当过滤音乐信号与噪声的识别过程,设计滤波器必须尽可能减少噪声不改变信号波形。可以使用造成的误差固定滤波器和自适应滤波器。

它可以假设整机全极系统是一个兴奋的输入序列 。然后,我们可以把音频信号整机全极系统输出的结果和该系统的传递函数如下公式所示。

其中,是一个常数,是一个实数,是最重要的模型。显然,整机全极模型,这个模型是一个系数并获得作为模型参数。一个 - - - - - -阶线性预测可以定义系数如以下所示的方程。

从时域的角度来看,这可以理解,预测价值通过使用第一样本信号来预测当前样本如下公式所示。

预测误差的数学描述下列公式所示。

在最小均方误差方面,一组最优预测系数可以计算。当计算方法改变,线性预测系数变化的结果。小波变换的分辨率下降随着小波变换的规模增加,可用于信号剖面分析。当规模小,分辨率高,允许更详细的观察,但跨尺度分析的品质因数保持不变。在实践中,使用一个动态采样网格,使得小波变换的时间分辨率和频率变化适应非平稳信号。乐谱的转换成一个乐谱和图像的形式钢琴卷帘窗是比较简单和直接。音高在时间轴上的变化可以乐谱的表达式表示的形式滚动窗帘。线性预测方法是一个线性近似过程,涉及评估一组独特的预测系数。如果多个音频信号样本的线性组合,例如,实际的音频信号样本可以使用最小均方误差的近似。

好子窗口处理非平稳的钢琴音乐信号转换成短期固定信号通过加权移动窗口固定长度的。重叠分割的方法允许之间的平稳过渡倾斜和倾角,同时保持信号的连续性。Dun转变是指前后之间的重叠面积下降。沥青、持续时间、音色和强度很难总结。数组号表明发音顺序和时间价值音高是根据每个音符的发音顺序存储。摘要时间价值和音高的识别系统仅用于确定顺序明显指出的音高和时间是否符合指定的分数要求。

4所示。结果分析和讨论

在钢琴领域的性能、智能交互的手段主要依赖于电子设备的记录和分析。在音乐的研究识别中,音乐的基本特征是什么,以及如何使用这些功能的分类和识别一直困扰着科学家们。事实上,音乐特性的定义可以从音乐美学的角度。如果我们分析音乐信号采集的过程,人类的耳朵和处理通过人类大脑,我们可以知道单音调的四个基本特征使人们感受到旋律的起伏。音乐使人们区分音乐风格的总体特征,情感、主题,等等。音乐识别的主要任务是确定声音的每个音符的名称和时间价值信息multinote音频信号。

短期能量检测能源强度的音乐信号的特点,优势的低计算复杂度和高速度。因为钢琴音乐信号通常具有较高的信噪比,音乐部分的能量远远大于无声段和噪声段的单一的音乐和明显的节奏,所以音乐片段的起点可以检测到短时能量特征。后开始点和结束点的笔记被检测到,每个音符包含几个缺口,每个样品倾斜信号对应于一个基本频率。传统的自相关方法用于提取音频信号的基频。实验结果如图所示3。图3(一个)是一个音频信号的短时能量波形图。横轴是时间轴,纵轴是规范化短期能源振幅。图3 (b)是相应的基频提取结果,在赫兹,和相应的基频曲线包含框架的每个音符有明显的波动特征。

从图可以看出3在报告期间,每一帧的基本频率是不同的,并采取科学的方法来提取框架的基本频率是准确计算的基础的基本频率。每一块速度有一定的性能要求,不一定是准确表达每分钟跳动,但有一定的范围。性能速度也是一个音乐表演的积分特性,表现和使用的速度将直接影响心情,风格,甚至音乐的感觉。短期能量可以用来区分音乐部分从环境噪声部分。因为短期环境噪声段的能量相对较小,和音乐片段的短期能源将显著增加由于演奏乐器的琴弦的振动,这种方法可用来检测音乐片段。为了验证本文算法的有效性和可行性,不同的算法用于样本集实验,结果如图4得到了。

这个算法的误码率最低,比较不同算法的实验错误就是明证。相对于其他两种算法,这个有几个优势。物理幅度反映了振动的强度。钢琴锤用于罢工字符串,和声音强度是由最大振动幅值字符串之后完全振实。因为提取每个字符串的总能量在每个中风是困难的,琴弦的振动明显之前和之后每个中风有直接影响的提取参数,和音乐听觉,最大振动幅值是符合心理效应的冲击能量的观众,所以最大振动振幅可以作为每个音调的声音强度信息。钢琴的音乐包含了几个音符,它们之间的连接部分可能很短,和一个音符的终点的开始和结束点可能是下一个注意。因此,能量之间的连接部分必须大于指出的环境噪音。

因为发病原因的音乐信号的频谱能量的变化,如果能量变化的程度表示距离,相邻的倾向之间的距离越大,越有可能爆发点,也就是说,起点的注意,将检测到的。音乐是一种卷积信号的短时谱对数转换,和傅里叶变换光谱称为倒频谱。音乐信号的倒频谱和脉冲信号周期相同。短时自相关算法,短时幅度差算法,用于比较和时频域算法的实验分析和验证上述算法的可行性,结果如图所示5。

实验结果表明,该低基音周期的开始注意可以提高利用时频域算法,但是每个音符的基频曲线不够光滑,还有大量的离群值,这将导致最后基本频率计算结果是不准确的。此外,短时自相关法和短时幅度差法属于时域法。虽然这种方法具有良好的抗噪声性能,它将由半频干扰和双频干涉。基音周期可以通过比较决定延迟信号与原始信号之间的相似性。通常,短时自相关函数的最大值作为基音周期,然后确定信号的基频。实验结果基于时频域算法和该算法如图6。

实验结果表明,获得的基频曲线相同的注意改进的算法具有更少的波动和相对平稳。此外,这种方法是基于时频域的结合,它不仅具有良好的抗噪声,而且可以消除倍频、半频干扰。作为应用数学领域的方法,小波分析在本地转换信号的时间和频率,从而有效地提取基频信息在音乐信号。当小波变换理论应用于音乐的认可,获得了良好的频率分辨率的低频信号的一部分,和良好的时间分辨率可以获得在高频部分,解决了傅里叶变换的难题。模态音调是一个非常重要的概念在音乐表现和学习。当性能学习或欣赏水平进入一定程度时,模态音调的准确把握和理解每个模态音调的特点和作用可以使表演者或鉴赏者掌握音乐从一个更高的水平。同样,因为模态的影响音调把握风格,情感,和情感的作品,很有意义的关注这个元素在特征提取和识别。为了验证钢琴演奏音乐的实用性识别使用这种方法,我们使用三种不同的音乐识别方法的实验。趋势图的识别精度的钢琴演奏音乐,如图7。

从图可以看出7识别精度的短时能量差法和谐波峰值法低,和该方法的识别精度是最高的。它表明,使用这种方法的实用价值识别钢琴演奏音乐。音乐信号的低通分解成3尺度小波变换可以清楚地反映基音周期的波形近似函数,然后是音高频率可以通过计算获得。这种方法主要是认为小波分解低通可以过滤掉很大一部分高频分量,因此完全保留低频组件。类似于短时自相关函数,短时平均幅度函数与原始信号相同的周期性。所不同的是,短时自相关函数达到最大值的整数倍数,而短时平均幅度差函数达到最小值。因为后者振幅之间的差异反映了延迟信号与原始信号振幅差异越小,越接近音乐信号原始信号。函数有谷特征周期的整数倍。

在本节中,播放速度的上场时间价值获得的第一个音调的一段音乐和已知的时间价值,和播放速度可以计算通过计算的比例关系通过采样率对应的节拍。时间尺度和音调变化的音频信号的时间和频率缩放比例建模为光谱图图像相应的对数频率,分别和尺度不变特征变换是从谱图中提取图像的音乐匹配。本章通过分析实验结果,证明基本频率计算的相对误差小,该方法和注意基频提取的准确性大大提高。这是因为本文方法具有较高的重量浓度和良好的系统容错。

5。结论

电子音乐的基本目标,作为一个新的边缘学科,是利用计算机来实现音乐识别甚至音乐创作。模式识别技术,例如,包含了各种各样的研究课题,如人脸识别,车牌识别,指纹识别技术。因此,高精度的音乐识别是具有挑战性的。探讨钢琴演奏音乐的算法识别的背景下智能交互。音乐的特征提取音高、持续时间和音调模式实现使用电脑识别系统对于钢琴演奏音乐,示例,进行预处理,特征分析,分数钢琴音乐信号的识别。时变音乐信号处于定常状态在每一个调查由于窗口和框架。音乐信号处理使用中值平滑和线性平滑。single-mouth限制决定的短时能量法用于提取音乐片段。最后,音乐部分是判断两次,注意时间值的检测完成。仿真结果表明,系统认为理想的钢琴音乐信号,为进一步的研究提供一个实验平台。 This method can be used to aid piano teaching, allowing students to analyze whether the music they are playing is correct or not, and to continually improve their performance level. On the other hand, the algorithm presented in this paper can be applied to a variety of musical instruments.

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者没有任何可能的利益冲突。

确认

这项工作是由山西省2019年艺术和科学规划项目”模式的探索具有中国特色的审美教育在新时期基于孩子的质量培训”(项目号:2019 a64)。