Machine Learning: dime cómo bailas y te diré quién eres

María Cano Farias    7 febrero, 2020

¿Cuál es tu primera reacción al escuchar unas notas de música? La mayoría de las personas respondemos con algún tipo de movimiento, ya sea más ligero o complejo, cuando escuchamos una canción de pop, metal o de cualquier otro género musical. Esta característica tan destacada es lo que va a actuar como nuestra “huella dactilar motora”, permitiendo a los algoritmos identificarnos por nuestra forma única de mover las caderas, sea en el estilo que sea.

Pero nuestra manera de bailar se ve afectada no solo por el tipo de música que escuchamos; investigaciones demuestran, en una comparación de características espectrales y rítmicas con características cinéticas, que el audio más elevado intensifica la velocidad de los movimientos, así como una baja frecuencia incita al movimiento de cabeza.

De manera extramusical, también existe una gran influencia de cultura, experiencia y personalidad, lo que permite a nuestros movimientos musicales crear una huella de identidad única a cada persona.

Investigadores del Centro de Investigación de Música Interdisciplinaria de la Universidad de Jyväskylä, Finlandia, han realizado un estudio con el fin de recopilar datos acerca de los movimientos de baile y determinar la influencia del estado de ánimo, la personalidad o la capacidad de empatía mediante modelos de Machine Learning.

Estudio de captura de movimiento

Los movimientos de baile espontáneos e improvisados de los 73 participantes fueron capturados mientras bailaban estímulos musicales de ocho géneros diferentes.  Electrónica, jazz, metal, pop, rap, reggae, country y blues fueron seleccionados mediante un método de etiquetado social basado en datos.

A la hora de analizar los movimientos se calculó la covarianza lineal y la correntropía no lineal a partir de los movimientos de todas las partes del cuerpo de los participantes y se aplicó un algoritmo de Machine Learning cuyo objetivo era detectar el género y la identidad del bailarín.

En este caso la correntropía permitía una mayor precisión en la clasificación, sugiriendo que las características no lineales son más capaces de capturar características de identificación relevantes al movimiento.

El modelo consiguió su mejor ajuste en 107 características, la mayoría relacionadas con la cabeza y extremidades, de las cuales se detectó que la cabeza, los hombros y las rodillas eran marcadores clave en la identificación de los bailarines.

Pese a que los movimientos pueden covariar de manera diferente entre cualquier marcador en cualquier dimensión, es muy poco probable que los individuos controlen conscientemente estos aspectos a la hora de bailar.

Es por ello que estas características de movimiento sugieren que cada uno de nosotros tiene una huella dactilar motora independientemente del género musical.

Un estudio fallido, un nuevo descubrimiento

Emily Carlson, la autora principal del estudio, admite que la finalidad en un primer momento era detectar el género musical de una canción a través de los movimientos de baile de los individuos mediante el uso de los modelos de Machine Learning.

Pero a medida que avanzaban en el estudio los resultados no eran lo esperado: mientras que el algoritmo de Machine Learning no era capaz de distinguir entre géneros musicales, sí que era capaz de reconocer el estilo personal de baile con un acierto del 94% de los casos, detectando la identidad del bailarín según sus movimientos. Frente al 30% de acierto en la distinción del género musical, el estudio daba un giro inesperado. 

Pero no todo son respuestas

Pero hay géneros que ponen más difícil la identificación como es el caso del heavy metal y el jazz. Los movimientos producidos durante la escucha de esta música están más definidos culturalmente, como el headbanging en el caso de heavy metal, la homogeneidad en el movimiento de cabeza hace imperceptible la identidad. O en el caso del jazz, la asociación histórica a una serie de movimientos distintivos como el swing.

A raíz de este estudio son muchas las cuestiones que se plantean ¿mantenemos los mismos patrones de movimiento a lo largo de nuestra vida? ¿cómo influyen las diferencias interculturales en base a estos patrones? Muy pronto la Inteligencia Artificial será capaz de dar respuesta más allá de la identificación mientras bailas tus canciones favoritas.

Para mantenerte al día con LUCA, visita nuestra página web,  suscríbete a LUCA Data Speaks o síguenos en TwitterLinkedIn YouTube.

Deja un comentario

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *