Tìm kiếm âm nhạc theo nội dung sử dụng đặc trưng đường bao phổ và phương pháp phân cụm K-means

ủa biên độ trong dải lọc 
và vì vậy làm giảm độ chính xác tới mức mà 
tai của con người có thể cảm nhận được. 
Hình 4. Phổ sau khi lọc theo thang Mel 
Quá trình độ lệch tần số mel được thực hiện 
theo ba bước sau: 
1. Cố định vùng giá trị dưới mỗi bộ lọc và đôi 
khi đưa thang về 1. Đặt M bằng số băng lọc 
yêu cầu 
2. Phân bố đều trên thang tần số Mel 
3. Chuyển đổi từ Hz sang Wi trên thang tuyến 
tính. Mối quan hệ giữa mel và frq được cho 
bởi công thức: 
 m=ln(1+f/700)*1000/ln(1+1000/700) 
Phƣơng pháp phân cụm K-means 
K-means là một phương pháp phân cụm. 
Phương pháp này quan sát k cụm trong dữ 
liệu, và trả lại vector chỉ số của K cụm đã 
quan sát. 
K-means quan sát trong dữ liệu và tìm cách 
phân vùng dữ liệu sao cho dữ liệu trong một 
cụm càng gần nhau càng tốt và so với dữ liệu 
trong các cụm khác phải càng xa càng tốt. 
Mỗi cụm được xác định bởi các thành phần 
của nó và bởi thành phần trung tâm của nó. 
Thành phần trung tâm của mỗi cụm là thành 
phần mà có tổng khoảng cách từ các đối 
tượng trong cụm đến nó là nhỏ nhất. Cụm 
trung tâm được tính toán khác nhau với mỗi 
thước đo khoảng cách, để tổng khoảng cách là 
nhỏ nhất với mỗi tiêu chuẩn đánh giá. 
Để thực hiện phương thức K-means ta sử 
dụng một thuật toán lặp để tính tổng khoảng 
cách từ mỗi đối tượng tới cụm trung tâm là 
nhỏ nhất trên toàn bộ cụm. Thuật toán này di 
chuyển các đối tượng giữa các cụm cho tới 
khi tổng khoảng cách không thể giảm hơn 
được nữa. Kết quả là tạo được các cụm có 
khoảng cách đủ nhỏ và có độ phân cách hợp 
lý. Độ nhỏ của dữ liệu có thể được chỉ ra bằng 
việc thay đổi các tham số đầu vào giống với 
số lượng cụm trung tâm và số lần lặp. 
Ý tưởng chính ở đây là tìm cách xác định cụm 
trung tâm k từ mỗi cụm. Nên lựa chọn điểm 
trung tâm vì các vị trí khác nhau cho các kết 
quả khác nhau. Trong điều kiện lý tưởng 
chúng phải cách xa các điểm khác tối đa khả 
năng có thể. Mỗi điểm trong dữ liệu được gắn 
với điểm trung tâm gần nhất. Điểm trung tâm 
thứ k mới sẽ được tính toán lại từ kết quả 
(2) 
(3) 
Phùng Thị Thu Hiền và cs Tạp chí KHOA HỌC & CÔNG NGHỆ 74(12): 80 - 85 
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên  | 83 
phân cụm của bước trước và quá trình nhóm 
các điểm dữ liệu với các điểm trung tâm gần 
nhất sẽ được thực hiện lặp đi lặp lại và điều 
đó sẽ tiếp tục cho tới khi xác định được điểm 
trung tâm chính. 
Phương pháp phân cụm K-means tìm nhóm 
có kích thước nhỏ nhất trong tổng bình 
phương các cụm, chúng ta sử dụng thuật toán 
sai số bình phương để tính bình phương 
khoảng cách Euclidean. 
Thuật toán K-means thực hiện theo các 
bước sau: 
1. Đặt K điểm vào vùng phân cụm các đối 
tượng. Các điểm này mô tả nhóm trung tâm 
đầu tiên. 
2. Gán mỗi đối tượng vào một nhóm có điểm 
trung tâm gần nhất. 
3. Khi tất cả các đối tượng đã được đưa vào 
các nhóm, tính toán lại vị trí của K điểm trung 
tâm. 
4. Thực hiện lặp lại bước 2 và 3 cho tới khi 
bỏ đi được các điểm trung tâm ở xa. Điều này 
giúp phân cách các đối tượng thành các nhóm 
có kích thước nhỏ nhất có thể. 
Thủ tục lặp sẽ luôn kết thúc khi điểm trung 
tâm không thay đổi. Tuy nhiên, cần lưu ý 
rằng các thuật toán không nhất thiết phải đưa 
ra những kết quả tối ưu. Hình 5 mô tả các 
bước đã nêu trên. Mỗi bước dưới đây tương 
ứng với trình tự của biểu đồ. 
 Chọn số lượng cụm k. Ví dụ k=5 
 Tạo ra ngẫu nhiên vị trí trung tâm cụm 
 Tại mỗi Centre tìm điểm trung tâm của 
chính nó 
 Thực hiện bước nhảy 
 Thực hiện lặp lại cho tới khi kết thúc 
Hình 5. Thủ tục K-means 
Hình 6 minh họa phương thức phân cụm K 
trong hình 5. Chú ý rằng những dữ liệu tương 
tự được nhóm cùng nhau. 
Hình 6. Phương pháp phân cụm K-means 
KẾT QUẢ THỰC NGHIỆM 
Chuẩn bị dữ liệu 
Dữ liệu bao gồm 10 bài hát nhạc trẻ Việt nam 
được lưu ở định dạng PCM wave, tần số lấy 
mẫu 44 KHz, mã hóa 16 bit trên một mẫu. 
Mỗi bài hát được trích ra một đoạn ngắn < 5 s 
sử dụng làm mẫu tìm kiếm. 
Các tham số thực nghiệm 
Đặc trưng MFCC được cài đặt với các tham 
số sau : Kích cỡ khung là 512 ms, không sử 
dụng khung chồng lấp, số bộ lọc trong dãy 
băng lọc Mel là 20, số hệ số Ceptral là 12, 
không sử dụng các hệ số đạo hàm Delta, kết 
hợp các hệ số MFCC với 1 hệ số năng lượng 
Giống như Beth Logan [8], phân lớp bằng 
cách phân hệ số cepstral thành 16 cụm theo 
thuật toán K-means chuẩn. Sử dụng khoảng 
cách Euclidean để tính toán độ tương tự. 
Kết quả thực nghiệm và đánh giá 
Chương trình demo tìm kiếm bài hát theo đặc 
trưng đường bao phổ MFCC thử nghiệm trên 
cơ sở dữ liệu nhỏ (10 bài hát) nên được thiết 
kế tích hợp cả thao tác huấn luyện và nhận 
dạng cho trực quan. Thao tác tìm kiếm nhận 
dạng được thử nghiệm với từng mẫu âm 
thanh riêng rẽ và ghi lại kết quả thủ công. Kết 
quả nhận dạng đúng sau đó được tổng hợp lại 
để cho ra kết quả nhận dạng của hệ thống. 
Trong thực tế khi lượng dữ liệu huấn luyện 
lớn cần thực hiện huấn luyện trước và lưu 
trong cơ sở dữ liệu. Thao tác nhận dạng và 
tìm kiếm được tách ra độc lập so sánh với cơ 
sở dữ liệu huấn luyện đã lưu. Việc tách riêng 
2 thao tác huấn luyện và tìm kiếm sẽ làm 
giảm thời gian khi tiến hành thử nghiệm. 
Phùng Thị Thu Hiền và cs Tạp chí KHOA HỌC & CÔNG NGHỆ 74(12): 80 - 85 
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên  | 84 
Trong chương trình thử nghiệm, kết quả nhận 
dạng đúng cuối cùng sau 10 lần thử nghiệm là 
100%. Kết quả này cao hơn kết quả đã công 
bố trong [8] và [10] dù dùng cùng thuật toán. 
Lý do có thể do chương trình demo mới thử 
nghiệm trên bộ cơ sở dữ liệu rất nhỏ. Hơn nữa 
độ dài âm thanh đầu vào (trích 1 đoạn từ file 
âm thanh cần tìm kiếm) đủ lớn (so với âm 
thanh tìm kiếm). Tỷ lệ nhận dạng sẽ giảm 
xuống khi dùng cơ sở dữ liệu lớn hơn (đặc 
biệt khi trong cơ sở dữ liệu có các bài hát có 
những phần tương tự nhau), tỷ lệ nhận dạng 
và tìm kiếm đúng cũng sẽ giảm xuống khi độ 
dài mẫu âm thanh đầu vào là nhỏ. 
Về mặt thời gian, quá trình huấn luyện và sau 
đó tìm kiếm hết ~ 4 s với một bài hát. 
Chương trình mô phỏng được xây dựng trên 
phần mềm matlab: 
Hình 7. Kết quả chạy chương trình 
Hƣớng phát triển 
Cần xây dựng một cơ sở dữ liệu âm nhạc đủ 
lớn để thử nghiệm. Từ đó sẽ đánh giá được độ 
chính xác, hiệu quả của các phương pháp tìm 
kiếm và có thể đề xuất các phương pháp cải 
tiến thao tác trích đặc trưng và phân lớp của 
hệ thống tìm kiếm. 
Hướng nghiên cứu tiếp theo sẽ là tìm hiểu sâu 
hơn về các phương pháp phân lớp dữ liệu 
triển vọng như dùng mạng Neural, giải thuật 
di truyền GA, mô hình Markov ẩn HMM, 
TÀI LIỆU THAM KHẢO 
[1]. Phùng Thị Thu Hiền, “Trích chọn đặc trưng 
âm thanh trong bài toán tìm kiếm âm nhạc theo 
nội dung”, Luận văn thạc sỹ công nghệ thông tin, 
Đại học Thái Nguyên, 12/2009. 
[2]. Phùng Thị Thu Hiền, PGS.TS. Thái Quang 
Vinh, Phùng Trung Nghĩa, Lê Tuấn Anh, “Tìm 
kiếm âm nhạc theo nội dung sử dụng đặc trưng 
tần số cơ bản F0 và giải thuật thời gian động 
DTW”, Tạp chí Khoa học & Công nghệ ISSN, 
1859 – 2171, 2009, T55 – 59. 
[3]. Beth Logan and Ariel Salomon, “A Music 
Similarity Function Based on Signal Analysis”, 
Cambridge Research Laboratory 
[4]. S.Blackburn and D. De Roure, “A tool for 
content based navigation of music”, in ACM 
Multimedia ,1998 
[5]. R. Mc Nab, L. Smith, I. Witten, C.Henderson, 
and S.Cunningham, “Towards the digital music 
library: Tune retrieval from acoustic input,” in 
Digital Libraries 1996, 1996, pp.11-18 
[6]. A.Ghias, J.Logan, D. Chamberlin and 
B.Smith, “Query by humming,” in ACM 
Multimedia, 1995 
[7]. David Pye, “Content Based Methods for the 
Management of Digital Music” AT& T 
Labaratories Cambridge 
[8]. Beth Logan and Stephen Chu, “Music 
Summarization Using Key Phrases”, Cambridge 
Research Laboratories 
[9]. J.T. Foote, “Content-based retrieval of Music 
and Audio,” in SPIE, 1997, p.p 138- 147 
[10]. J.-S. Roger Jang, Hong-Ru Lee, 
"Hierarchical Filtering Method for Content-based 
Music Retrieval via Acoustic Input", The 9th 
ACM Multimedia Conference, PP. 401-410, 
Ottawa, Ontario, Canada, September 2001. 
[11]. Z.Liu and Q.Huang, “Content-based 
indexing and retrieval by example in audio,” in 
ICME 2000, 2000 
TÀI LIỆU THAM KHẢO 
[1]. Phùng Thị Thu Hiền, “Trích chọn đặc trưng 
âm thanh trong bài toán tìm kiếm âm nhạc theo 
nội dung”, Luận văn thạc sỹ công nghệ thông tin, 
Đại học Thái Nguyên, 12/2009. 
[2]. Phùng Thị Thu Hiền, PGS.TS. Thái Quang 
Vinh, Phùng Trung Nghĩa, Lê Tuấn Anh, “Tìm 
kiếm âm nhạc theo nội dung sử dụng đặc trưng 
tần số cơ bản F0 và giải thuật thời gian động 
DTW”, Tạp chí Khoa học & Công nghệ ISSN, 
1859 – 2171, 2009, T55 – 59. 
Phùng Thị Thu Hiền và cs Tạp chí KHOA HỌC & CÔNG NGHỆ 74(12): 80 - 85 
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên  | 85 
SUMMARY 
CONTENT-BASED MUSIC RETRIEVAL USING SPECTRAL ENVELOPE FEATURE 
AND K-MEANS ALGORITHM 
Phung Thi Thu Hien
1
, Vu Tat Thang
2
, 
Thai Quang Vinh
2
, Nguyen Van Huy
1 
1Thai Nguyen University of Technology 
2Institute of Information Technology - VAST 
In multimedia database, music retrieval is an important research topic. Current music searching is based on 
text indexing. However, this kind of method has some drawbacks. It is difficult to remember the text 
keywords such as song name, author name, singer name or the lyric of songs. Content-based music searching 
overcomes these drawbacks. In state of the art approaches, feature vectors of music signal are built based on 
their physical characteristics as volume, energy, and spectrum.Recently, some researches use another 
approach, which based on the signal processing techniques incorporating with human auditory analysis. This 
approach minimizes the redundant information as well as accurately represents the music signal. This paper 
presens a method of song searching using Mel ceptral spectral envelope and K-means algorithm. 
 Tel: 0986060545, Email: pthientng@gmail.com