Similarity and style in electronic dance music drum rhythms

Abstract

This thesis presents original research carried out in the topic of electronic dance music (EDM) drum sequencing, a fundamental and yet underdeveloped subject in the music production literature. The work undertaken is focused in two main areas: similarity between drum patterns and modeling of drumming style. The study of pattern similarity is rooted in current knowledge on human processing of monophonic rhythms, and is expanded until a model capable of predicting similarity sensations of polyphonic drum rhythms is reached. With this model, RhythmSpace, a graphical system for the continuous real-time exploration of drum pattern collections, is developed. The second area of research, drumming style modeling, is approached from a statistical perspective, developing a generative model capable of learning styles from examples and creating original drum patterns in the learned styles. This model allows high-level musical flexibility, letting a musician combine and transform styles in real-time during the generative process. Taking advantage of this model, a style-based drum machine application, DrDrums, is implemented and evaluated in subject-based experiments.

Esta tesis presenta una investigación original llevada a cabo en el área de la secuenciación de baterías de música electrónica de baile (EDM), un tema fundamental y al mismo tiempo poco desarrollado en la literatura de producción musical. El trabajo realizado se enfoca en dos áreas: la similitud entre patrones de batería y los estilos en la composición de patrones percusivos. El estudio de la similitud entre patrones se fundamenta en el conocimiento actual del procesamiento humano de patrones monofónicos, y es expandido hasta alcanzar un modelo capaz de predecir sensaciones de similitud en ritmos polifónicos. Con este modelo se ha creadoRhythmSpace, un sistema gráfico para la exploración en tiempo real de colecciones de patrones de batería. La segunda área de investigación, el estilo de composición de baterías, es abordada desde una perspectiva estadística, desarrollando un modelo generativo capaz de aprender estilos desde ejemplos y luego crear patrones originales en los estilos aprendidos. Este modelo estadístico permite una flexibilidad musical de alto nivel, haciendo posible que un músico combine y transforme estilos en tiempo real durante el proceso generativo. Usando este modelo se implementa DrDrums, una máquina de ritmos con inteligencia de estilo, que es evaluada experimentalmente con sujetos.