Research Article

تطوير أدوات الذكاء الاصطناعي التفاعلية لتقييم الحس الجسدي والإيقاع المخصص في منصات تعليم الموسيقى الذكية

DOI:

10.3791/69058

⸱

December 19th, 2025

 , 
1Department of Art, Hefei College of Early Childhood Education

In This Article

Summary

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

تقدم هذه الدراسة بروتوكول تعلم الموسيقى الحسي الجسدي القابل للتكرار يجمع بين التعرف المتبقي على LSTM مع TRPO لصعوبة التكيف. يغطي المعالجة المسبقة، ميزات FFT، التدريب، التخصيص، والتقييم. في مجموعة بيانات عامة، وصل النموذج الهجين إلى Acc 95.0 / P 93.5 / R 94.6 / F1 94.2 عبر ثلاث طيات منفصلة بين الموضوع.

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

غالبا ما يفتقر التعليم الموسيقي التقليدي إلى التفاعل والقدرة على التكيف في الوقت الحقيقي، خاصة في البيئات النائية. تقدم هذه الدراسة إطارا شخصيا للحس الجسدي، TRPO-ResLSTM، لمنصات تعليم الموسيقى. يلتقط النظام الحركة والإيقاع ووقت الاستجابة، ويعالج البيانات مسبقا باستخدام تصفية وينر وتطبيع درجة Z، ويستخرج الميزات عبر FFT. يتم تنفيذ التعرف على الإيماءات بواسطة DeepRes-LSTM، بينما يتم تنظيم الصعوبة التكيفية بواسطة التعلم المعزز TRPO. التعلم التدريجي يضمن التخصيص عبر الجلسات. أظهرت التجارب على مجموعة بيانات إيماءات-إيقاع متاحة للجمهور ومجهولة الهوية (n = 2,730 عينة؛ تقسيم التدريب/التحقق/الاختبار 70/15/15) أداء متفوقا مقارنة بالقواعد متعددة الوسائط، حيث حققت دقة 95٪، ودقة 93.5٪، واستدعاء 94.6٪، و94.2٪ في درجة F1. تؤكد دراسات الاستئصال المساهمات الفردية ل TRPO وRes-LSTM. تكمن ابتكارات هذا البروتوكول في دمج التعلم المعزز مع النمذجة الزمنية المتبقية للتعرف على الإيماءات التكيفي، مما يتيح التعلم المستقر والمخصص. يظهر هذا العمل أن الأدوات التكيفية والمستجيبة للإيماءات يمكن أن تعزز التفاعل والتخصيصا وتطوير المهارات التدريجي في التعليم الموسيقي الذكي. تشمل القيود الاعتماد على مجموعة بيانات واحدة والحاجة إلى التحقق من صحة المتعلم الحقيقي، الذي يحدد اتجاهات العمل المستقبلي.

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

تعيد التطورات الحديثة في الذكاء الاصطناعي (الذكاء الاصطناعي) وتقنية الحس الجسدي تشكيل تعليم الموسيقى من خلال تمكين المتعلمين من التفاعل مع الموسيقى من خلال حركات الجسد، حيث تترجم الإيماءات إلى نغمات أو إيقاعات أو أدوات تحكم للآلات الافتراضية 1,2. تعزز هذه الميزات التفاعلية التفاعل والاحتفاظ والإبداع مقارنة بالتعليم التقليدي في الصف، كما تتيح أدوات الحس الجسدي للطلاب ممارسة الإيقاع والتنسيق والتعبير من خلال الإيقاع الجسدي، والإيماءات الموسيقية، ومحاكاة الجماعة3. بالاقتران مع المسارات التكيفية المدفوعة بالذكاء الذكاء الاصطناعي، يحصل المتعلمون على محتوى فر....

Access restricted. Please log in or start a trial to view this content.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

حللت هذه الدراسة بيانات مجهولة الهوية ومتاحة للجمهور ولم تشمل البشر أو. لذلك، لم تكن هناك حاجة لموافقة أخلاقية إضافية.

1. نظرة عامة

يصف هذا البروتوكول إطارا قابلا للتكرار لتعليم الموسيقى الحسي الجسدي يعتمد على التعرف العميق المتبقي على LSTM وتحسين سياسة منطقة الثقة (TRPO) للتحكم في الصعوبات التكيفي. يشمل إعداد مجموعات البيانات، المعالجة المسبقة، استخراج الميزات في مجال التردد، بنية النماذج، التدريب، التخصيص، والتقييم. يوضح الشكل 1 سير العمل من البداية إلى النهاية14.

2. مجموعة ال....

Access restricted. Please log in or start a trial to view this content.

Results

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

الإعداد التجريبي
تم تنفيذ إطار عمل TRPO-ResLSTM في بايثون 3.10.1 مع تسريع وحدة معالجة الرسوميات. بيئة الحوسبة، أجهزة استشعار الحركة، ومكتبات بايثون مدرجة في جدول المواد. تم تقسيم البيانات إلى أقسام تدريب/تحقق/اختبار منفصلة بين الشخص والشخص كما هو موضح في الجدول 1 (15/70/15). يتم تلخيص المعاملات الفائقة الرئيسية في الجدول 2. تم تقييم ثلاثة نماذج: TRPO الأساسي، ResLSTM الأساسي، وTRPO-ResLSTM المتكامل. مكن هذا الإعداد من تقييم متسق للتعر.......

Access restricted. Please log in or start a trial to view this content.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

تقترح هذه الدراسة بروتوكولا هجينا، TRPO-ResLSTM، يدمج التعلم المعزز والنمذجة الزمنية المتبقية لتعليم الموسيقى القائم على الإيماءات. من خلال دمج استقرار تحسين سياسات منطقة الثقة (TRPO) مع قدرة التعلم التسلسلي لنماذج LSTM المتبقية، يوفر الإطار التعرف على الإيماءات في الوقت الحقيقي مع التحكم التكيفي في الصعوبة، مما يمكن من تغذية راجعة شخصية واكتساب المهارات التدريجي25. لضمان قابلية التكرار، تم استخدام طيات منفصلة بين الموضوع، والبذور الثابتة، والمعالجة المسبقة المتطا.......

Access restricted. Please log in or start a trial to view this content.

Disclosures

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يعلن المؤلفون عدم وجود تضارب مصالح.

Acknowledgements

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يشكر المؤلفون زملاءهم على الملاحظات البناءة حول تصميم الدراسة وتحضير المخطوطات. لم يحصل هذا العمل على منحة محددة من أي جهة تمويل في القطاعات العامة أو التجارية أو غير الربحية.

....

Access restricted. Please log in or start a trial to view this content.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
بيانات حساس مقياس التسارعكاجل (الملكية العامة)إشارات الإدخال متعددة الوسائط (أنماط الحركة، ميزات التوقيت) المدرجة في مجموعة البيانات
محطة عمل GPUشركة NVIDIA، الولايات المتحدة الأمريكيةأجهزة التدريب: NVIDIA RTX 3080 (10 جيجابايت)، 32 جيجابايت رام (RAM)، أوبونتو 20.04
اليد - بيانات الموضع المشترككاجل (الملكية العامة)المدخلات الحسية الجسدية للتعرف على الإيماءات
ماتبلوتليب (الإصدار 3.7)https://matplotlib.orgمكتبة التصور لرسم الأشكال ومقاييس الأداء
نومباي (الإصدار 1.23)https://numpy.orgمكتبة الحوسبة العددية لعمليات المصفوفة
مجموعة بيانات الإيماءات والإيقاع في الموسيقى العامةكاجل (الملكية العامة)مجموعة بيانات مجهولة الهوية تضم 2,730 عينة تسجل استجابات الجسم للإيقاع والإيقاع؛ يستخدم للتدريب/التحقق/الاختبار (70/15/15)
بايثون 3.10.1مؤسسة بايثون للبرمجيات، https://www.python.orgبيئة البرمجة لتنفيذ النموذج وتحليله
PyTorch (الإصدار 1.13)https://pytorch.orgإطار عمل التعلم العميق لتنفيذ وحدات ResLSTM وTRPO
سيكيت - تعلم (الإصدار 1.2)https://scikit-learn.orgأدوات التعلم الآلي للمعالجة المسبق والتقييم
SciPy (الإصدار 1.10)https://scipy.orgمكتبة الحوسبة العلمية (المستخدمة في تصفية وينر)

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Wei, J., Karuppiah, M., Prathik, A. College music education and teaching based on AI techniques. Comput Electr Eng. 100, 107851(2022).
  2. Yu, X., et al. Developments and applications of artificial intelligence in music education. Technol. 11 (2), ....

Access restricted. Please log in or start a trial to view this content.

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

Intelligent Music EducationSomatosensory EvaluationGesture RecognitionRhythm EvaluationTRPO Reinforcement LearningResLSTM ModelAdaptive DifficultyIncremental LearningFeature ExtractionPersonalized Learning

Related Articles