文摘

在比赛中技术动作和音乐之间的民间舞蹈,最重要的是有效地提取特征。DL算法是最有效的方法来提取视频特征之一。在这项研究中,DL方法应用于匹配优化技术在民间舞蹈动作和音乐。使用DL培训相应的民族舞蹈的技术动作和音乐之间的关系,给定的舞蹈动作和相应的运动适应音乐节奏点。更好地反映之间的相关程度,音乐和动作的变化,变化的特征值是用来代替特征值本身的相关计算。这个方法和遗传理论方法之间的匹配程度和空间骨架计时图方法进行比较。实验表明,匹配方法的技术动作和音乐的民族舞蹈优化DL可以达到95.78%的准确率,并匹配同步的技术动作和音乐的民族舞蹈可以达到96.17%。因此,在这项研究中提出的方法可以充分反映音乐和运动的同步变化,和优化运动匹配方法匹配的民族舞蹈技术movements-music匹配质量更好。本研究展开一个新的视角研究舞蹈和音乐的匹配技术。它具有一定的实践和理论意义。

1。介绍

在中国作为一个多民族国家,每个民族都有一个历史悠久的传统文化,而少数民族民间舞蹈是少数民族传统文化的代表1]。随着现代社会的发展,少数民族舞蹈文化遗产的生存空间越来越受到工业文明的影响和经济全球化2]。少数民族舞蹈是一种非物质文化遗产的重要组成部分。然而,由于文化和生态环境的变化,一些优秀的中国民间表演艺术丧失和物种灭绝的边缘,这是迫切需要通过不同的方式提供科学有效的保护和继承(3]。最常见的表达音乐是音乐与舞蹈相匹配(4]。最常见的形式是在舞蹈音乐的编排舞蹈动作匹配技术根据音乐的变化(5]。舞蹈与音乐是一种高级的艺术,结合听觉和视觉的享受。因为人们敏感的音乐和人类运动的变化,他们可以发现一些微妙的变化。例如,相同的音乐节奏可以表达不同的情感,同样的动作可以显示不同的舞蹈风格。同步发生的这些微妙的变化对增强具有重要意义的理解音乐和舞蹈。

为分析具体目标的舞蹈动作,传统的人工分析方法不再能满足现有的需求,所以视频数据的智能处理已成为一个关键问题。在现代音乐编排,人们匹配效果的音乐和舞蹈之间需要很强的同步音乐变化和舞蹈动作,他们必须有一个深刻的理解音乐和一个强大的能力抓住它。目前,music-dance运动匹配技术不能确定的运动节奏舞蹈与音乐的变化。在这种情况下,深度学习(DL) [6- - - - - -8]。DL来自人工神经网络(NN)的研究机器学习(9- - - - - -11]。DL是一个计算模型由多个处理层与多个抽象层次学习数据表示方法。的基础深层神经网络(款)12,13)是一个多层感知器,通常由输入层、输出层和多个隐藏层。DL识别的过程中,没有必要人为地选择特征作为识别的输入数据,但是学习通过自动选择功能模型本身所代表的对象,这是一个端到端的识别方法。人类行为识别模型的训练完成后通过确定模型的参数通过自主学习。人工编排和music-dance行动匹配技术的区别是,真正的舞蹈是身体的能量之间的相互作用的基础上,平衡,和环境,这被称为内部善因导向。music-dance动作匹配技术是基于研究结果,主要考虑的空间性和节奏跳舞,被称为外生取向。基于DL技术,本研究进行了深入的研究之间的匹配优化仿真技术动作和音乐的民间舞蹈。其创新如下:(1)在这项研究中,DL方法应用于匹配优化的舞蹈和音乐,它开辟了一个新的视角研究舞蹈和音乐的匹配技术。确保凝聚力相邻的行为,本研究分析了相邻的连接操作根据操作的距离。然后,进行强度匹配输入音频和所有可能的合成运动,并筛选出最好的匹配的舞蹈动作。(2)在这项研究中,提高准确性,music-action段的映射是限制,从而大大提高了搜索的准确性行动领域。同时,测量行动凝聚力的影响,流畅度函数。这个方法和遗传理论方法之间的匹配程度和空间骨架计时图方法进行比较。实验表明,提出的方法在本研究中可以充分反映音乐和运动的同步变化,和优化运动匹配方法匹配的民族舞蹈技术运动和音乐匹配有更好的质量。

本研究的主要目的是提高技术动作的兼容性和民间舞蹈音乐。下面列出的部分:第一部分介绍。研究内容,本研究的研究背景和研究意义都是本节中给出。本文的研究创新和组织结构简要介绍了研究。第二部分是关于相关工作。本节总结了国内外研究文献关于本文的研究问题,以及研究的当前状态的音乐和舞蹈特征匹配模型。第三部分简要讨论DL的相关基础理论,如神经网络的基本结构和网络参数设计的原则。方法提取舞蹈音乐特性。解决以往方法的缺点,DL-based优化策略匹配的技术动作和民间舞蹈音乐,以及一个详细的实现方法。实验部分是在第四部分。 The performance of the approach described in this research was investigated in this section, which included a significant number of tests and analyses on the “DL-based matching optimization of technical movements and music of national dance.” The summary and prospects are presented in the fifth section. This section highlights and describes the paper’s research findings and accomplishments. It also points out the paper’s flaws and areas for improvement, as well as discusses the study direction of music-dance matching in future work.

2。相关工作

近年来,运动捕捉技术已被广泛用于获取现实的舞蹈动作,逐步替换原有的手工代跳舞。舞蹈和音乐匹配技术已成为研究热点领域的音乐理解和舞蹈合成。张J等人提出了一个基于遗传优化方法理论舞蹈技巧运动和音乐匹配。该方法首先判断音乐风格,获得潜在的音乐和舞蹈的风格特征,并执行相关分析对音乐和舞蹈的基本特征对删除冗余的功能。遗传理论是用来实现最优选择,以满足相应的音乐匹配精度和匹配效率之间的关系,和姿势re-quantification技术用于操作的方向对齐关节对应匹配的舞步(14]。形成的对应关系匹配的FP等人提出的方法可以有效地代表同步音乐和舞蹈动作的变化,但有一个问题,计算过程繁琐和耗时的15]。周年代等人提出了一个基于音乐相似的方法来生成舞蹈运动序列,这避免了运动特征提取和运动分割与其他方法相比16]。魏H等人提出了一个基于机器学习优化方法匹配的音乐舞蹈技术动作和音乐编排,但有一个音乐和舞蹈之间的低匹配的质量问题(17]。Ijjina EP清晰度等人提出了一种新的舞蹈运动算法。该方法首先生成多个插入动作节点两个动作之间的片段,然后使用行动相关的程度来选择最自然的节点将产生行动剪辑(18]。Akula先生等人提出了一种优化方法舞蹈技巧运动和音乐匹配基于贪婪理论(19]。萨哈年代等人提出了一个舞蹈动作识别算法基于空间骨架时间图。算法首先使用拥堵为舞者跳舞的视频中提取骨架节点,然后生成骨架序列。最后,结合LSTM行动识别(20.]。帕森斯等人提出的角色动作捕捉技术在数字少数民族民间舞蹈的发展,讨论了数字化发展的进程和方向基于运动捕捉技术的民间舞蹈(21]。他Y等人提出了一个方法来合成机器人舞蹈根据音乐的节奏和情感特征和行为(22]。Dawar N等人提出的自动合成舞蹈通过应用高斯处理人为的舞蹈动作。算法利用大量的人为操作和相应的音乐在互联网上和提取之间的非线性映射关系的音乐节拍和各关节的坐标通过高斯模型的动作。集群高斯模型对应于各种类型的舞蹈。这个方法解决问题的原始行动数据量不足和单调的风格的多样性,改善生殖舞蹈(3]。

尽管国内外文献做了大量研究舞蹈动作和音乐的匹配技术,几乎没有匹配技术研究民族舞蹈的舞蹈动作和音乐。基于之前的研究结果舞蹈动作和音乐之间的匹配,本研究提出了一种DL-based优化方法对舞蹈动作和音乐之间的匹配。针对特定的风格的音乐和舞蹈,本研究使用DL音乐和运动训练之间的对应关系,以适应给定的舞蹈动作和音乐节奏点对应的动作。更好地反映之间的相关程度,音乐和动作的变化,变化的特征值是用来代替特征值本身的相关计算。music-dance行动进行匹配,符合音乐和舞蹈动作段规则从相应的匹配检索数据库。最后,选择合适的舞蹈动作来完成所有的舞步的安排。实验结果表明,合成的舞蹈的节奏和强度基本上是一样的音乐,和技术的匹配效应运动的民族舞蹈和音乐更好。

3所示。方法

3.1。戴斯。莱纳姆:

DL是神经网络的模型与多个隐藏层。隐层的DL,通过功能组合,可以转换为原始输入浅层和中层功能一层一层地,最后,获得的高级功能可以实现任务目标。款流程所需的特性通过隐藏层和完成从输入到输出的映射通过多个神经元。其特性的学习能力很好,它可以描述数据更本质上,这有利于分类(23]。作为机器学习方法训练样本分布的多层神经网络拟合,DL缓解传统神经网络算法的局部最优问题,当训练多层神经网络,及其训练过程不依赖于样本的标签信息。DL分层技术训练方法解决了梯度扩散问题容易引起使用BP算法网络中有太多的层时,局部最优的问题是使用梯度下降造成的。

参数的数量在DL网络模型的学习增长比例模型的复杂性。网络训练所需的数据量也大大增加了适当的火车模型中的参数,避免网络学习(不足24]。一层的参数计算模型是滤波器的产品大小、功能地图大小,和特征映射深度,而池层不会增加参数。完整连接层上,它可以合成前层的特点生产网络的分类器。在一个网络中,包含最完整连接层是层参数。产品的数量输入通道和输出通道的数量被用来计算整个连接层的参数。参数数量应该翻倍2由于在训练中向前和向后传播。与DLNN相比,它强调网络结构深度,澄清学习功能的重要性,提高样本特征表示和分类和预测精度使用分层技术功能转换,和更好的提取和特征的内在信息数据通过学习特性从大数据25]。卷积层,神经元之间的地图数据使用一个非线性函数,简化数据使用池层,然后发送到下一层神经元。最后,通过完全连接层,它是分类的类别,结果收到在输出层。

DL分析大量的数据使用深层网络与几个隐藏的水平和学习特点通过培训而不是使用其他方法来发现功能通过人们,导致更大的识别效率和准确性26]。因为隐层神经元的数量自动编码器是最小的,它通常是隐藏的基本压缩输入数据层。当输入数据是一个随机序列,自动编码器难以有效地提取数据。在这一点上,一些约束必须添加到自动化的编码器,导致稀疏自动编码器。上面的想法支撑深度网络,而DL允许深度网络学习数据。DL可以学习特性从无标号数据作为输入。这个过程不需要人类的监督是在一种无监督的方式进行的。在图像处理领域,卷积神经网络(CNN)是使用最广泛的DL网络。为卷积,卷积层筛选池层特性,完全连接层特征融合的三个网络层CNN的基本结构。每一层的卷积层是由大量神经元。 A weight value will be obtained between neurons during training or learning. The entire connection layer operates in the same way as a typical NN with a single hidden layer. By connecting weight and bias, the input layer is connected to the hidden layer, and the hidden layer is connected to the output layer. The initial step of DL training is unsupervised learning from the bottom-up, and the second step is supervised learning from the top-down [27]。一个巨大体积的无标号数据可以输入到一个现实的应用程序中。浅层可以学习数据结构,一层一层地训练它。不断抽象特征,特征或特征终于可以进行评价。

3.2。提取运动特征的音乐和民间舞蹈技术

有许多潜在的音乐和舞蹈动作的特点,所以它的主要工作是本节选择音乐和运动特性高度相关的民族舞蹈技术动作和音乐的信件。首先,音乐和舞蹈是预处理的数据准备的数据特征分析和提取。有两种类型的音乐文件:MIDI文件和音频文件。MIDI音乐可以表示为一个矩阵,每一行代表信息的注意和报告的每一列代表一个属性。有许多数据格式的音频格式,包括有损压缩文件格式和无损的文件格式。大部分的舞蹈伴奏音乐使用音频文件,并与MIDI文件、音频文件可以提取更丰富的音乐特征。本研究以音频文件为例来提取特征。音频文件的预处理包括采样和量化,窗口和框架。帧率应考虑在分析音频波形。会有问题在分析整个时间信号,并分析结果描述全球的平均特性。 To get the local features and dynamic changes in features, the analysis should be carried out in a short-time window, and the window moves along the time signal in a time sequence. The audio signal is a nonstationary random signal, and its characteristics will change with time, but the audio signal has short-term stationary characteristics. The short-term stability of audio signal makes it feasible to extract the underlying features. Each window is called a frame. The frame rate is the number of frames per second or hertz. To extract the underlying features of audio signals, it is necessary to window and frame music pieces.

假设时域信号的音频文件 ,窗口函数 ,的音频信号框架窗口后 ;有

其中,帧长度和吗框架的位移。短期的能量th框架定义如下: 在哪里代表了音频帧和采样点的数量代表的价值采样点音频信号的帧。

舞者的身体运动过程必须在民族舞蹈的动作捕捉。动作捕捉系统产生的运动数据的高维数据,不能直接用来计算功能。人体模型的根节点的坐标保存在世界坐标系统;然而,其他关节的坐标位置定义的位移和旋转角相对于父节点,这是一个地方坐标表示。静态元素,如运动距离,臂形式,和脚步的印记,是用来描述人物的姿态特征。你必须从局部坐标系运动数据转移到全球坐标系统恢复人类的运动。因此,根节点以外的各种联合网站之前必须改变运动信息可以提取。最后,具体的模型作为运营商的数据必须被用来展示活动的空间表示。因为准确的和相关的模型有一个实质性影响绑定动作捕捉数据,建立一个角色模型本身是一个至关重要的过程。当选择行动部分的操作数据库输入音乐比赛,动作片段的长度必须大于或等于音乐片段的长度,根据音乐和动作特性匹配模型显示在这个工作。 The component with the same music length is then intercepted and matched with the music segment in the action segment. The principle of interception is that the matching between an action and a music segment with the same length of music is better than other actions with the same length of music. The motion and music processing flow based on DL optimization is shown in Figure1。

让动作特性提取动作剪辑记录如下:

其中,操作的帧数段吗和和动作的节奏和强度特征段,分别。动作电流的瞬时强度E如下:

其中,代表的速度垂直位移的脚在当前的行动;代表根接头的水平位移的速度;和是重量参数对脚的垂直位移速度和重心的横向移动速度。行动的强度特征提取如下: 在哪里代表帧数相同的节奏开始阶段,当前的行动帧位于和代表着结束帧数相同的节奏周期电流的作用帧的位置。

在舞蹈音乐片段匹配、音乐特性和相应的操作特性。维护的通信功能,操作部分的分割方法是指音乐片段的窗口和框架方法。好特性表达式是非常重要的最终精度的算法。的计算和测试各种模式识别算法主要体现在特征提取阶段,它需要最多的时间。因此,特征提取的准确性是非常重要的舞蹈音乐匹配。分割算法在本研究可以部分运动简单而有效,同时确保运动长度分割后符合音乐匹配的要求。音乐预处理后的数据和行为数据完成后,根据提取的特征进行了分析和音乐片段和行动领域。

3.3。之间的匹配优化技术基于DL的民间舞蹈动作和音乐

在模型建立原则的舞蹈技术动作系统,收集到的音乐数据分段,和舞蹈动作的动作片段数据库连接和组织获得历史的基本特征的音乐和舞蹈动作,进行相关分析来提取一些特征对,并计算音乐和舞蹈运动特性之间的相关系数。在训练阶段,系统培训相应的音乐和运动之间的关系。首先,训练参数设置为确定隐屈曲和变量的数量在每一层。获得一个好的网络模型,需要不断地训练和测试,调整相关的时间步长和时间来提高测试的准确性,并确定隐藏层的数量和培训网络的参数通过培训。然后,比分舞蹈分为同步根据节奏,和音乐部分和行动部分的长度了,和音乐的结合部分和行动部分是作为一个培训的例子。后提取音乐和运动特性,每一个音乐段和运动段可以被描述为特征向量。表1给出了参数设置的DL网络在这个研究。

方法。传统上,底部特征的风格music-dance底了,然后,底部特征的相关分析的音乐和舞蹈进行删除冗余特性对完成匹配。它的缺点是它不能提取movement-music段组合并不能执行击败对齐和舞蹈movement-music系数计算,导致贫困之间匹配的舞蹈动作和音乐同步变化。因此,本研究提出了一个舞蹈技术基于DL action-music匹配优化方法。考虑到实际应用,音乐的共同特征匹配和运动强度可分为节奏匹配和匹配。音乐和舞蹈动作的数据都是时间序列,所以它是没有意义时只考虑总体统计特性匹配特性。舞蹈与音乐,音乐和行动之间最直观的匹配是每个时间点的特征是一一对应的。通过运动段检索,我们可以得到一系列的运动节段匹配的音乐片段,然后,我们需要合成音乐和运动节段。民间舞蹈技术movement-music合成处理包括普通长度的音乐和动作段和人体姿势的再定位段。

假设突变点的函数值th时间窗口 。突然点函数的极值检测窗口被执行时,每次获得的极端点序列对齐打败,最后突然点函数值表示如下:

假设代表音乐节拍的位置在当前阶段,下一个音乐节拍的位置可以通过音乐节拍周期估计:

其中,代表和预测价值代表真正的击败的位置。这个函数 介绍了测量之间的距离和 ,和下面的公式是用于估计舞蹈运动和音乐的匹配误差:

舞蹈动作匹配优化的目标函数是由以下公式表示: 在哪里 代表的简化表示 ,代表匹配错误。 代表了从舞蹈动作过渡段的平滑度分数舞蹈动作片段 。 代表两者之间平衡重量。

结合款算法,不同的音乐和舞蹈动作之间的对应关系是训练,和相应的准确性关系作为适应度函数获得一个最优的音乐和舞蹈动作之间对应的关系,和舞蹈技术的原理模型运动系统建立。音乐和运动之间的对应匹配的计算很复杂,和匹配特性对之间的对应关系中包含不同类型的舞蹈和音乐有很大的不同。根据类型的民族舞蹈,具有重要意义,以确定相应的技术动作之间的关系实现民族舞蹈和音乐的音乐带来的自动生成系统的舞蹈动作。特征匹配之前,首先,基于运动捕捉数据,建立动态数据库来存储每个运动的节奏和强度特性。然后,当输入一段音乐,首先的特点分析了音乐和音乐领域和相应的节奏和强度特性。民间舞蹈的技术动作和音乐的匹配框架如图2。

music-action函授培训过程中,发现数量对应的匹配特性对增加,音乐和行动之间的通信的准确性提高。音乐和动作之间通信的准确性并不明显上升当匹配的数量特性对特定数量增加,表明足够的通信与少量的精度可以达到对匹配特性。音乐和活动的主要特征匹配是节奏。同时,特征匹配考虑相邻的connectability段。最后,行动最适合目标音频过滤掉接入行动序列的节奏匹配基于强度的特点。本研究使用款列车之间的对应关系多元化的民间舞蹈动作和音乐以获得匹配精度和运行速度之间的关系。关键是适应度函数的设计,从提高计算精度和使用通信准确性作为适应度函数。同步的节奏点的程度时,是否考虑匹配的音乐和运动。舞蹈和音乐的同步主要是表现在音乐的节奏点之间的一对一的关系和活动时间,和同步的程度可以评估节奏相匹配的点的数量。同时,行动是允许扩大和压缩在很小范围内。

4所示。结果分析和讨论

验证的综合效能DL-based舞蹈技巧运动和音乐匹配优化方法在这项研究中,仿真是必需的。系统的实现语言c++, MATLAB编译工具。实现环境是窗户,MySQL数据库服务器使用。实验数据被从舞蹈动作捕捉数据库提供的民间舞蹈,大学和乔治的音乐选择数据集的数据集。采样频率是110帧/秒;音乐中的数据的数据集使用44千赫采样率和16位采样过程中量化比特。每个训练数据集包含2000个训练舞蹈动作由真实的人的例子。数据集参数如表所示2。

人类选择的关节模型包括18个职位,包括头部、左和右肩,左和右手肘,左和右手腕,骨盆,左和右膝盖,左和右脚踝。在培训阶段,在确定相应的技术民族舞蹈动作和音乐之间的关系,本研究使用民族舞蹈的训练数据集,包括20主流音乐。其中,每段音乐的长度是大约5分钟。每一段音乐划分根据击败,和每段音乐的长度大约是1.5秒。实验误差,F如图1的值不同的方法3。

在这项研究中,误差尽可能的通过不断迭代,和相同的参数矩阵是用来约束数据的编码和解码,以减少参数的数量和控制模型的复杂性。模型的复杂性指的时间复杂性和空间复杂性。时间复杂度决定了模型的训练和预测时间。如果复杂性太高,将会花费很多时间来训练和预测模型,它是不可能快速验证的想法,改善模型,预测它迅速。方法,使用这种方法,遗传理论和空间骨架计时图方法,分别优化实验的舞蹈动作进行匹配的音乐编排,音乐和舞蹈动作的同步匹配编排比较用不同的方法。图中描述的比较结果4。

可以看出,同步匹配使用这种方法是最好的。自动生成阶段的舞蹈动作,六块的音乐不同于训练数据集被用来构成舞蹈生成的测试数据集。的目的是使用不同的音乐来客观地评价音乐带来的舞蹈动作的效果。考虑到舞蹈的影响,跳舞能保持原来的节奏后,路径编辑算法是用来编辑路径,而原来的节奏跳舞后基本上是失去了基于关键帧插值路径编辑算法用于编辑路径。因此,在这项研究中,提供的路径编辑算法条件下运动路径并没有改变太多,舞蹈能新路径下,自然没有明显的滑移。我们使用这种方法,遗传理论方法和空间骨架时间图法进行舞蹈动作和音乐之间的匹配实验和比较的匹配程度的舞蹈动作和音乐三个方法。图中描述的比较结果5。

通过分析数据在图5之间的匹配程度,可以看出舞蹈动作和音乐的使用这种方法比遗传理论和空间骨架时间图。这主要是因为该方法在本研究首先整合音乐节奏提取的理论把舞蹈动作和音乐同步数据,然后获得多元化的运动短length-music片段组合。然后,舞蹈动作和音乐之间的相关系数计算,和舞蹈动作匹配优化的目标函数。然后,目标函数优化和解决,因此,舞蹈动作和音乐之间的匹配程度在这个方法更好。在培训阶段,在完成相应的技术动作的学习民间舞蹈和音乐,选择最佳的对应关系根据对应关系的准确性。自动生成阶段的舞蹈动作,舞蹈动作使用舞蹈音乐对应的实验数据集生成特定类型的舞蹈,如民族舞蹈。不同的方法被用来优化匹配的音乐编排的舞蹈动作。结果如图所示6。

通过分析图6,我们可以看到音乐的匹配程度的舞蹈动作编排的使用这种方法比遗传理论方法和空间骨架计时图方法。款采用重量共享策略;在卷积的卷积过程层,使用相同的卷积核卷积不同接受领域的形象,这进一步降低了网络结构参数,降低了网络模型的复杂性,使网络更容易训练和学习,提高了网络的学习性能。评估的总体性能匹配底部民间舞蹈技巧和音乐的特点,本研究比较了舞蹈合成精度特性匹配底部和顶部之间的统计特性相匹配。舞蹈综合精度的计算是通过比较合成与生活共舞舞蹈通过舞蹈合成公式的准确性。匹配不同的方法显示在图的准确性7。

可以看出,舞蹈音乐匹配的准确性在这项研究中高于遗传理论的方法和空间骨架计时图方法。它有一定的优点和准确性,并达到预期的效果。大量实验的结果在这一节中显示,舞蹈动作和音乐的匹配方法优化通过DL可以达到95.78%的准确率,和舞蹈音乐的同步匹配可以达到96.17%。该算法可以有效地改变舞蹈的路径,使它真正的和自然的新路径,并保持原始舞蹈的节奏没有严重的脚滑和其他失真问题。舞蹈伴随着底部特征地图比跳舞更符合人们的审美产生的高功能映射。

5。结论

在中国少数民族文化丰富,民族舞蹈,作为许多文化的重要组成部分,是一种非物质文化遗产的重要部分。民间舞蹈和音乐之间的比赛已经开始数字化结果的不同技术的快速发展。之间的适应阶段,音乐可以提高通过仔细匹配技术动作和民间舞蹈音乐。最重要的元素之间的匹配技术动作和民间舞蹈音乐是正确地提取特征。DL算法目前提取视频信息的最有效的方法之一。本研究提出了一种DL-based优化方法匹配的民间舞蹈技术动作与音乐。调查方法的性能建议在本研究中,进行了大量的实验和分析。仿真结果证明优化匹配的方法在本研究中舞蹈音乐的同步匹配准确率达到95.78%和96.17%。该方法能够准确地同步和匹配音乐和运动的变化。这项研究提出了研究辅助在促进当代数字工具的使用在舞蹈艺术的研究。 It is the result of reciprocal promotion, collaboration, and development of culture, science, and technology, and it aids in the promotion of the cultural digital construction project. However, because of my limited knowledge and research time, there are still some flaws in the music and dance feature matching approaches. The next stage in this research will be to do a more in-depth investigation into automatic feature matching across modes.

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

作者宣称没有利益冲突。

确认

本研究探索音乐的跨学科的推广模型支持的人文课程在素质教育背景下(号码:JR2015Y09)和音乐教育进行比较研究,为视障学生在中国内地和香港,澳门和台湾(号码:20210055)。