دانلود مقاله رمزبرداری تنوع های فردی به وسیله حرکت موسیقیایی
چکیده
مقدمه
نتایج
بحث
روش ها
منابع
Abstract
Introduction
Results
Discussion
Methods
References
چکیده
حرکت یک واکنش جهانی به موسیقی است که رقص اغلب در محیط‌های اجتماعی انجام می‌شود. اگرچه کار قبلی نشان داده است که اطلاعات اجتماعی مرتبط، مانند شخصیت و جنسیت، در جنبش رقص کدگذاری می‌شوند، اما قابلیت تعمیم کار قبلی محدود است. هدف مطالعه حاضر رمزگشایی جنسیت، ویژگی های شخصیتی و ترجیحات موسیقی رقصندگان از حرکات ناشی از موسیقی است. ما روشی را پیشنهاد می‌کنیم که چنین تفاوت فردی را از حرکات رقص آزاد پیش‌بینی می‌کند، و استحکام روش پیشنهادی را با استفاده از دو مجموعه داده جمع‌آوری‌شده با استفاده از محرک‌های موسیقی مختلف نشان می‌دهد. علاوه بر این، ما یک معیار جدید را برای کشف اهمیت نسبی مفاصل مختلف در پیش‌بینی تفاوت‌های فردی معرفی می‌کنیم. نتایج طبقه بندی تقریباً کاملی از جنسیت و به ویژه پیش بینی بالای شخصیت و ترجیحات موسیقی را نشان داد. علاوه بر این، مدل‌های آموخته‌شده قابلیت تعمیم‌پذیری را در میان مجموعه‌های داده نشان می‌دهند که اهمیت مفاصل خاص را در الگوهای حرکتی ذاتی خاص به تفاوت‌های فردی برجسته می‌کند. نتایج بیشتر از تئوری‌های شناخت موسیقی تجسم یافته و نقش حرکت بدن در تجربیات موسیقی با نشان دادن تأثیر جنسیت، شخصیت و ترجیحات موسیقی بر پاسخ‌های تجسم یافته به موسیقی شنیده شده حمایت می‌کنند.
توجه! این متن ترجمه ماشینی بوده و توسط مترجمین ای ترجمه، ترجمه نشده است.
Abstract
2222222222222
Introduction
Humans appear to have a remarkably fine-tuned and robust ability to discern information about others based on bodily movement. For example, Troje, Westhoff and Lavrov1 showed that participants could easily learn to identify different individuals from point-light recordings of their gait, even scoring three-times above chance when recordings were rotated and manipulated to remove information about size and speed. In a follow up study, Westhoff and Troje2 additionally used a Fourier Transform to remove the most prominent frequencies from point-light stimuli, and found that identification was still above chance, and that participants were easily able to generalize information learned from different viewing angles. Being able to identify an individual from limited perceptual information has clear evolutionary advantages, particularly in the uniquely social context of early human cultures, where identifying group members and non-members could be necessary for survival3. Along these same lines, it could also be considered adaptive for other information, such as gender, mood state, or individual characteristics such as personality, to be encoded in and identifiable from a person’s bodily movement. Barclay and Cutting4 demonstrated that, on average, observation of just two step cycles was sufficient for participants to correctly identify gender from point-light displays while Koppensteiner5 has shown that even limited movement information from the head and hands can be used by observers to judge extraversion and neuroticism. Thoresen, Vuong and Atkinson6 found that observers made reliable judgements about personality from gait cues, although these judgements did not always align with the self-reported personalities of the walkers.
Results and analyses
Gender classification
The results for Gender classification on Dataset-1 and Dataset-2 can be found in Table 1.
As can been seen from Table 1, clearly position data gives a higher accuracy than velocity data for both the datasets. We achieved slightly higher accuracy for the second dataset, which can be attributed to the fact that Dataset-2 is almost twice as big compared to Dataset-1.
Personality prediction and joint importance
Overall, Bayesian Regression demonstrated superior performance over Principal Component Regression, hence we only report those results. Moreover, Bayesian Regression provides confidence bounds for our prediction which enable us to evaluate the uncertainty of the predictions. The results for personality prediction on Dataset-1 and Dataset-2 using Bayesian Regression can be found in Table 2. The results using Principal Component Regression can be found in supplementary material. Moreover, using position data as input features provided superior prediction when compares to velocity data. Hence we report here detailed results of Bayesian Regression based on position data.