En représentant un corpus musical par un nuage de point, on peut utiliser l’homologie persistante pour étudier les caractéristiques topologiques de celui-ci et en induire les propriétés stylistiques et structurelles du corpus.
L’analyse topologique des données est une branche des mathématiques appliquées nées dans les années 90 visant à extraire des informations d’ensembles de données en utilisant des techniques topologiques. L’outil principal utilisé dans ce domaine est l’homologie persistante [1]. A partir d’un nuage de points on peut construire une filtration d’un complexe simplicial et calculer l’homologie du complexe pour chaque étape de la filtration. On cherche alors à identifier les classes d’homologie qui persistent au cours de la filtration, et qui représentent donc des propriétés topologiques remarquables du nuage de point. Pour ce faire, on représente le temps de vie des classes d’homologie sous la forme de « codes-barres », des graphes montrant des barres représentant le moment où les classes d’homologie apparaissent et disparaissent, ou sous la forme diagramme de persistance, représentant pour chaque classe d’homologie le moment d’apparition en abscisse et le moment de disparition en ordonnée.
L’établissement d’une interprétation topologique du Tonnetz a ouvert la porte à l’utilisation des outils de l’analyse topologique des données pour l’analyse musicale. L’homologie persistante trouve notamment des applications dans l’étude de la structure harmonique des pièces musicales et le problème de classification du style.
Nos contributions :
Complexes d’accords et interprétation topologique du Tonnetz : Nous avons développé la notion de complexes d’accord qui permet de représenter un espace harmonique par un espace topologique, et d’analyser l’harmonie d’une pièce musicale par une trajectoire dans cet espace [2,3]. Cette notion permet une nouvelle interprétation topologique du Tonnetz généralisé dans ses liens avec le paradigme informatique du calcul spatial [4].
Filtration de complexes de classes tonales : En considérant une pièce comme une série de courtes tranches de temps représentant des classes de notes, on peut construire une filtration d’un complexe simplicial représentant ces notes [5]. Ces filtrations permettent d’identifier des similarités entre deux séquences musicales
Problème de classification du style à partir du Tonnetz : Nous avons proposé de représenter une pièce musicale par des déformations du Tonnetz, dont on peut ensuite analyser les caractéristiques topologiques avec l’homologie persistante. En calculant la distance entre les diagrammes de persistance, on peut alors proposer une classification du style [6,7]. Ces résultats sont en grande partie issus du travail de thèse de Mattia Giuseppe Bergomi [8].
Transformation de Fourier discrète et homologie persistante : Nous avons proposé d’associer à une pièce musicale un ensemble de points représentant l’ensemble de ses mesures. Après avoir tenté d’utiliser la distance de Haussdorff pour calculer la distance entre les points [9,10], Victoria Callet a découvert que la transformation de Fourier discrète permettait de rendre compte de propriétés musicales pertinentes [11]. L’utilisation de cet outil donne lieu à des applications dans l’étude de l’harmonisation de chansons, la classification du style et l’étude de la structure des morceaux [12].
Théorie des graphes et homologie persistante : Pour rendre compte de l’aspect temporel d’une progression harmonique, Riccardo Gilblas a proposé d’utiliser la filtration Dowker permettant de construire des filtrations de complexes simpliciaux à partir de graphes [13, 14]. Cette approche permet notamment d’évaluer la complexité harmonique d’un morceau.
Bibliographie :
[1] Herbert Edelsbrunner, David Letscher, & Afra Zomorodian. Topological persistence and simplification. Discrete & Computational Geometry (2002).
[2] Louis Bigo, Daniele Ghisi, Antoin Spicher & Moreno Andreatta. Spatial Transformations in Simplicial Chord Spaces. International Computer Music Conference (2014).
[3] Louis Bigo & Moreno Andreatta. Topological Structures in Computer-Aided Music Analysis. Computational Music Analysis (2015).
[4] Louis Bigo. Représentations symboliques musicales et calcul spatial. Thèse de doctorat. Université Paris-Est (2013).
[5] Louis Bigo & Moreno Andreatta. Filtration of Pitch-Class Sets Complexes. Mathematics and Computation in Music (2019).
[6] Mattia Bergomi, Adriano Baratè & Barbara Di Fabio. Towards a topological fingerprint of music. International Workshop on Computational Topology in Image Context (2016).
[7] Paul Lascabettes. Homologie persistante appliquée à la reconnaissance de genres musicaux. Mémoire de Master 1 en mathématiques, ENS Paris Saclay / Université de Strasbourg (2018).
[8] Mattia Bergomi. Dynamical and topological tools for (modern) music analysis. Thèse de doctorat, Université Pierre et Marie Curie / Université de Milan (2016).
[9] Maximilien Wang. Homologie persistante appliquée à la classification automatique des styles musicaux. Mémoire de Master 2 en mathématiques, Université de Bordeaux / Université de Strasbourg (2023).
[10] Victoria Callet. Persistent homology on musical bars. International Conference on Mathematics and Computation in Music (2022).
[11] Victoria Callet. DFT and persistent homology for topological musical data analysis. International Conference on Mathematics and Computation in Music (2024).
[12] Victoria Callet. Persistent Homology and Discrete Fourier Transform. Springer (2025).
[13] Riccardo Gilblas. Persistent homology and harmonic analysis. International Conference on Mathematics and Computation in Music (2024).
[14] Riccardo Gilblas. Periodic Sequences and Persistent Homology applied to Music. Thèse de doctorat, Université de Padou / Université de Strasbourg (2024).