Melodi sche Ähnlichkeit
description
Transcript of Melodi sche Ähnlichkeit
![Page 1: Melodi sche Ähnlichkeit](https://reader033.fdocuments.net/reader033/viewer/2022051001/56814424550346895db0c0ff/html5/thumbnails/1.jpg)
Melodische Ähnlichkeit
Daniel Müllensiefen & Klaus FrielerSymbole&Signale Hamburg WS 04/05, 7.1.2005
![Page 2: Melodi sche Ähnlichkeit](https://reader033.fdocuments.net/reader033/viewer/2022051001/56814424550346895db0c0ff/html5/thumbnails/2.jpg)
Aufbau des Vortrags
1. Motivation/Hypothesen2. Ähnlichkeitsmaße3. Experimente4. Modellierung5. Anwendungen6. Zusammenfassung
![Page 3: Melodi sche Ähnlichkeit](https://reader033.fdocuments.net/reader033/viewer/2022051001/56814424550346895db0c0ff/html5/thumbnails/3.jpg)
1. Motivation Melodische Ähnlichkeit ist ein Kernkonzept in
Musik und Musikwissenschaft, z.B.: Musiktheorie, Musikanalyse Musikpsychologie, z.B. Musikgedächtnisforschung Datenbanksuche U.v.m.
Quantifzierung von Ähnlichkeit: Ähnlichkeitsmaße Sehr große Anzahl von Ähnlichkeitsmaßen in der
Literatur Frage: Gibt es „objektive“ Ähnlichkeit? Kann man
Ähnlichkeitsurteile algorithmisch modellieren?
![Page 4: Melodi sche Ähnlichkeit](https://reader033.fdocuments.net/reader033/viewer/2022051001/56814424550346895db0c0ff/html5/thumbnails/4.jpg)
1. Motivation (Fort.)
Ziel: Bestimmung adäquater Ähnlichkeitsmaße
Methode: Mathematische Systematisierung, algorithmische Implementierung und musikpsychologische Validierung
Resultat: Software Simile (a.k.a. „Antiplagiator“)
![Page 5: Melodi sche Ähnlichkeit](https://reader033.fdocuments.net/reader033/viewer/2022051001/56814424550346895db0c0ff/html5/thumbnails/5.jpg)
1. Hypothesen Musikexperten bewerten melodische
Ähnlichkeit sehr präzise und konsistent. Bewertungen können als ‚korrekt‘ definiert werden und als Referenz für algorithmische Maße dienen.
Musikexperten benutzen verschiedene musikalische Dimensionen für ihre Bewertungen (z.B. Intervalle, Kontur, Rhythmus).Konstruktion von ‚optimierten‘ Maßen als Kombination verschiedener Einzelmaße.
![Page 6: Melodi sche Ähnlichkeit](https://reader033.fdocuments.net/reader033/viewer/2022051001/56814424550346895db0c0ff/html5/thumbnails/6.jpg)
2. ÄhnlichkeitsmaßeDefinition
Sei M = { (ti, pi), ti<ti+1} der Raum abstrakter Melodien von (Einsatzpunkt, Tonhöhe)-Paaren.
Ein Ähnlichkeitsmaß ist eine Abbildung s: MxM->[0,1]
mit den folgenden Eigenschaften: Symmetrie s(m, n) = s(m, n) Selbstidentität: s(m, m) = 1 Invarianz unter Transposition, Zeit-
verschiebung und -streckung (Tempowechsel)
![Page 7: Melodi sche Ähnlichkeit](https://reader033.fdocuments.net/reader033/viewer/2022051001/56814424550346895db0c0ff/html5/thumbnails/7.jpg)
2. Ähnlichkeitsmaße Überblick
Daten
Basistransformationen
Haupttransformationen
Numerischer Algorithmus
Ähnlichkeitswert
![Page 8: Melodi sche Ähnlichkeit](https://reader033.fdocuments.net/reader033/viewer/2022051001/56814424550346895db0c0ff/html5/thumbnails/8.jpg)
2. Ähnlichkeitsmaße Basistransformationen
Projektionen: Tonhöhen– und Rhythmus-projektionen
Differenzierung: Tonhöhe Intervalle Einsatzpunkte Dauern (IOIs) Dauern Dauernverhältnisse
Quantisierung
![Page 9: Melodi sche Ähnlichkeit](https://reader033.fdocuments.net/reader033/viewer/2022051001/56814424550346895db0c0ff/html5/thumbnails/9.jpg)
2. Ähnlichkeitsmaße Haupttransformationen
Rhythmische Gewichtung Rangbildung Konturisierung: Interpolation von
Tonhöhenwerten zwischen Extrema. (Steinbecks und eigener Algorithmus)
Fouriertransformation Fuzzifizierung/Kategorisierung (Intervalle,
Dauern) Gaussifizierung (Einsatzzeiten) Clusterung, z.B. Zuweisung harmonischer
Vektoren zu einzelnen Abschnitten (Takten)
![Page 10: Melodi sche Ähnlichkeit](https://reader033.fdocuments.net/reader033/viewer/2022051001/56814424550346895db0c0ff/html5/thumbnails/10.jpg)
2. Ähnlichkeitsmaße Haupttransformationen - Beispiele
Original
Kontur (Steinbeck)
Kontur (M&F)
Rhythmisch gewichtet Intervalle: +4 –2 +1 +1 +1 –3 +2 +3 Intervallkategorien: +T –S +S +S +S –T +S +T Intervallrichtung: U D U U U D U U Ränge: 6. 3. 5. 4. 3. 2. 5. 3. 1. Implizite Tonalität: D - Moll
![Page 11: Melodi sche Ähnlichkeit](https://reader033.fdocuments.net/reader033/viewer/2022051001/56814424550346895db0c0ff/html5/thumbnails/11.jpg)
2. ÄhnlichkeitsmaßeNumerische Algorithmen
Vektormaße: Melodien und Rhythmen als Elemente eines geeigneten reellen Vektorraums (z.B. Pearson-Bravais-Korrelation, Skalarprodukt)
Symbolische Maße: Melodien und Rhythmen als Zeichenketten(z.B. Editierdistanz, N-Gramme)
![Page 12: Melodi sche Ähnlichkeit](https://reader033.fdocuments.net/reader033/viewer/2022051001/56814424550346895db0c0ff/html5/thumbnails/12.jpg)
2. Ähnlichkeitsmaße Editierdistanz - Definition
Editierdistanz zwischen zwei Zeichenketten (Strings) sind die minimale Kosten für Operationen, die man braucht, um eine in die andere zu transformiern.
Mögliche Operationen sind: Einfügen, Löschen, Ersetzen
Jede Operation kann verschiedene Kosten haben. Einfachster Fall: Jede Operation kostet 1.
Maximale Editierdistanz: Länge des längeren Strings (für die konstante Kostenfunktion)
![Page 13: Melodi sche Ähnlichkeit](https://reader033.fdocuments.net/reader033/viewer/2022051001/56814424550346895db0c0ff/html5/thumbnails/13.jpg)
2. Ähnlichkeitsmaße Editierdistanz - Beispiel
„Anthropology“ (Charlie Parker)
„Ornithology“ (Charlie Parker)
![Page 14: Melodi sche Ähnlichkeit](https://reader033.fdocuments.net/reader033/viewer/2022051001/56814424550346895db0c0ff/html5/thumbnails/14.jpg)
2. Ähnlichkeitsmaße Editierdistanz - Beispiel
Ausrichtung von „Anthropology“ und „Ornithology“
2 Einfügungen (Löschungen) und 4 Ersetzungen werden gebraucht = insgesamt 6 Operationen.
Länge der längeren Melodie: 11 Noten. Editierdistanz (rawEd): 1-6/11 = 5/11 = 0,4545...
![Page 15: Melodi sche Ähnlichkeit](https://reader033.fdocuments.net/reader033/viewer/2022051001/56814424550346895db0c0ff/html5/thumbnails/15.jpg)
2. Ähnlichkeitsmaße N-gramme - Definition
N-gramme sind (Teil-)Strings der Länge N. Benutzte Zeichenalphabete: Intervalle,
Intervallrichtungen, Dauernklassen etc. Maße werden gebildet durch den Vergleich von N-
gramm-Verteilungen auf drei verschiedene Weisen: Häufigkeitsmaß: Summe der Häufigkeiten gemeinsamer
N-gramme (sum common) Anzahlmaß: Anzahl gemeinsamer N-gramme (count
distinct, coordinate matching) Ukkonenmaß: Differenz der Häufigkeiten aller N-gramme
![Page 16: Melodi sche Ähnlichkeit](https://reader033.fdocuments.net/reader033/viewer/2022051001/56814424550346895db0c0ff/html5/thumbnails/16.jpg)
2. Ähnlichkeitsmaße N-gramme – Beispiel
Keine gemeinsamen Intervall-N-Gramme! Ähnlichkeit = 0 Intervallrichtungen (Parsonskode) von „Anthropology“:
(U D U U U D U U ) Intervallrichtungen von „Ornithology“:
(U U U U U D U U D D) Gemeinsame 3-gramme: (D U U), (U U D), (U U U) Summe Häufigkeiten: (2+1) + (1+2) +(1+2) = 10 nGrSumCo = 10/(9+11-2*(3-1)) = 5/8 = 0.625
nGrCoord = 3 / 4 = 0.75nGrUkkon = 1 - 8/(9+11-2*(3-1)) = 1 –8/16 = 0.5
![Page 17: Melodi sche Ähnlichkeit](https://reader033.fdocuments.net/reader033/viewer/2022051001/56814424550346895db0c0ff/html5/thumbnails/17.jpg)
2. Ähnlichkeitsmaße Vollständige Liste
VPN_MEANRAWEDRAWEDWRAWPCRAWPCSTRAWPCWRAWPCWSTRAWCCRAWCCWCONSEDCONSPCCONSPCSTCONSCCCONEDCONPCCONPCSTCONCC
Mw. der Vpn.-urteileTonhöhen EditierdistanzTonh. Editierdistanz, gewichtetTonh. Pearson-Korrelation Tonh. P.-Korr., 0-1Tonh. P.-Korr., gew.Tonh. P.-Korr., gew., 0-1Tonh. KorrelationTonh. Korrelation, gew.Kontur (Steinbeck), Editierdist.Kontur (Steinbeck), P.-Korr.Kontur (Stein.), P.-Korr., 0-1 Kontur (Steinbeck), Korr.Kontur (M&F), EditierdistanzKontur (M&F), P.-KorrelationKontur (M&F), P.-Korr., 0-1Kontur (M&F), Korrelation
FOURRFOURRSTFOURRWFOURRWSTFOURRIDIFFEDDIFFDIFFEXPDIFFFUZDIFFFUZC
Fourier (Ränge) Fourier (Ränge), gew., 0-1 Fourier (Ränge), gew.,Fourier (Ränge), gew., 0-1 Fourier (Ränge, Intervalle)Intervalle (Editierdistanz) Intervalle (Mittl. Differenz) Intervalle (Mittl. Diff., exp.)Intervalle (Fuzzy), Ed.-dist. Intervals (Fuzzy, Kontur)
![Page 18: Melodi sche Ähnlichkeit](https://reader033.fdocuments.net/reader033/viewer/2022051001/56814424550346895db0c0ff/html5/thumbnails/18.jpg)
2. Ähnlichkeitsmaße Vollständige Liste
NGRSUMCONGRUKKONNGRCOORDNGRSUMCRNGRUKKORNGRCOORRNGRSUMCFNGRUKKOFNGRCOORFNGRSUMFRNGRUKKFRNGRCOOFR
N-gramme Häufigkeit (HM)N-gramme Ukkonnen (UM)N-gramme Anzahl (AM)N-gramme Intervallricht., HM N-gramme Intervallricht., UMN-gramme Intervallricht., AMN-gramme Intervallkat., HMN-gramme Intervallkat., UM N-gramme Intervallkat., AMN-gramme Dauerkat., HM N-gramme Dauerkat., UMN-gramme Dauerkat., AM
RHYTGAUSRHYTFUZZESFMAXESFMODESFMODKESFSIGNHARMCORRHARMCORKHARMCOREHARMCORCJOINT52
Rhythmus (Gaussif. Korr)Dauernkat., EditierdistanzSelfridge-Field (Max.) Selfridge-Field (Modus I) Selfridge-Field (Modus II) Selfridge-F. (Vorzeichen) Harmonische Korrelation IHarmonische Korrelation IIHarm. Korr. (Editierdist.) Harm. Korr. (Kreis) Akzente, (Editierdist. 2)
![Page 19: Melodi sche Ähnlichkeit](https://reader033.fdocuments.net/reader033/viewer/2022051001/56814424550346895db0c0ff/html5/thumbnails/19.jpg)
3. ExperimenteParadigma
3 Experimente: Variation im experimentellen Material (Melodien), Vpn., Bewertungsskalen, Dauer
Vorgehensweise: Einschätzung der Ähnlichkeiten von Paaren kurzer Melodien auf Bewertungsskala
Kontext I: Variantenkontext Kontext II: Gemischter Kontext Test–Retest Design mit Kontrollitems Material: Popmusikmelodien und Varianten mit
Manipulationen auf verschiedenen musikalischen Dimensionen zu verschiedenen Graden (eingebaute Fehler)
![Page 20: Melodi sche Ähnlichkeit](https://reader033.fdocuments.net/reader033/viewer/2022051001/56814424550346895db0c0ff/html5/thumbnails/20.jpg)
3. ExperimenteResultate
Insgesamt 108 MuWi-Studenten; 40 mit stabilen und reliablen Urteilen blieben in der AuswertungResultat: Hypothesen bestätigt Sehr hohe Intersubjektkorrelation (Cronbach‘s alpha = 0.962; 0.978)
„Wahre“ melodische Ähnlichkeit Starker Einfluss von Zahl und Typ der Fehler
![Page 21: Melodi sche Ähnlichkeit](https://reader033.fdocuments.net/reader033/viewer/2022051001/56814424550346895db0c0ff/html5/thumbnails/21.jpg)
4. ModellierungVorgehen
1. „Indicator of fit“: Euklidische Distanzen zum Mw. der menschlichen Urteile
2. Auswahl der besten Maße von 5 Dimensionen (Tonhöhe/Intervalle, Kontur, Rhythmus, harmonischer gehalt, kurze Motive)
3. Lineare Regression mit den besten Maßen ‚Optimierte‘ Maße als gewichtete Kombination von Einzelmaßen
![Page 22: Melodi sche Ähnlichkeit](https://reader033.fdocuments.net/reader033/viewer/2022051001/56814424550346895db0c0ff/html5/thumbnails/22.jpg)
4. ModellierungEuklidische Distanz zu den Vpn.-Urteilen
Experiment 1VPN_MEAN 0 DIFFEXP 7,94 NGRCOORR 9,92CONED 5,29 CONPC 8 CONSPC 9,99RAWEDW 5,63 CONCC 8,8 FOURRI 10,01RAWED 5,8 DIFFFUZ 8,89 FOURRST 10,11NGRCOORD 5,94 RAWPCST 9,18 NGRUKKOR 10,13NGRUKKON 6,09 ESFMAX 9,26 DIFF 10,17NGRSUMCO 6,17 ESFMOD 9,26 CONSCC 10,18HARMCORE 6,18 ESFSIGN 9,26 NGRSUMCR 10,38DIFFED 6,3 RAWPC 9,27 RHYTFUZZ 10,43JOINT52 6,55 RAWCCW 9,35 ESFMODK 10,64NGRUKKOF 6,68 RAWPCWST 9,48 RHYTGAUS 10,7NGRCOORF 6,72 RAWPCW 9,62 HARMCORC 11,05NGRSUMCF 7,21 FOURRW 9,68 NGRUKKFR 11,05CONSED 7,3 FOURRWST 9,72 NGRCOOFR 11,12HARMCORK 7,59 FOURR 9,78 NGRSUMFR 11,18DIFFFUZC 7,74 CONSPCST 9,84 HARMCORR 12,8CONPCST 7,81 RAWCC 9,85
![Page 23: Melodi sche Ähnlichkeit](https://reader033.fdocuments.net/reader033/viewer/2022051001/56814424550346895db0c0ff/html5/thumbnails/23.jpg)
4. ModellierungOptimierte Maße
Verschiedene optimierte Maße für verschiedene Beurteilungskontexte
Optimiertes Maß (opti1) für Variantenkontext (Kontext I):s = -0.151 + 0.559*rawEdw + 0.457*nGrCoord euklidische Distanz zum Vpn.-Urteilen: 3.789 (28.5% besser als bestes Einzelmaß)
![Page 24: Melodi sche Ähnlichkeit](https://reader033.fdocuments.net/reader033/viewer/2022051001/56814424550346895db0c0ff/html5/thumbnails/24.jpg)
4. ModellierungOptimierte Maße
0
2
4
6
8
10
12
SUBJ _MEAN OPTI1 CONED RAWEDW NGRCOORD HARMCORE RHYTFUZZ
![Page 25: Melodi sche Ähnlichkeit](https://reader033.fdocuments.net/reader033/viewer/2022051001/56814424550346895db0c0ff/html5/thumbnails/25.jpg)
5. AnwendungenVolkslieduntersuchung
Analyse von 585 Volkslieder aus Luxemburg und 435 aus Lothringen (ESAC Datenbank) mit dem opti3-Maß.
Verteilung von 254.910 Ähnlichkeitswerten: ‚Gutartig‘, aber Test auf Normalverteilung nicht signifikant.
OPTI3
OPTI3
Hä
ufig
ke
it
40000
30000
20000
10000
0
Std.abw. = ,07
Mittel = ,154
N = 254910,00
![Page 26: Melodi sche Ähnlichkeit](https://reader033.fdocuments.net/reader033/viewer/2022051001/56814424550346895db0c0ff/html5/thumbnails/26.jpg)
5. AnwendungenDubletten und Parodien
Untersuchung von 19 Lieder (Luxemburg), die als Varianten gekennzeichnet waren 4 Lieder hatten denselben Text, aber alternative
Melodien (Ähnlichkeiten<0.3) Ein Lied hatte kein Original (Fehler des Sammlers?) Von den 14 übrigen Lieder hatten 8 eine Ähnlichkeit
>0.8, 2 zwischen 0.7 und 0.8 und 3 zwischen 0.6 und 0.7 zu ihrem Original.
Untersuchung von 49 Paaren mit Ähnlichkeitswerten >0.6 Dubletten: 37 Paare Parodien: 10 Paare ‚Psalme‘: 2 Paare
![Page 27: Melodi sche Ähnlichkeit](https://reader033.fdocuments.net/reader033/viewer/2022051001/56814424550346895db0c0ff/html5/thumbnails/27.jpg)
5. Anwendungen Ein Beispiel
T0262 –‘Ist denn Liebe ein Verbechen?‘
T0385 -‘Ehestandslehren‘
![Page 28: Melodi sche Ähnlichkeit](https://reader033.fdocuments.net/reader033/viewer/2022051001/56814424550346895db0c0ff/html5/thumbnails/28.jpg)
5. Anwendungen Ein Beispiel
Struktur Zwei 4-taktige Phrasen Nur 2 verschiedene rhythmische Muster Die 1. Phrasen unterscheiden sich stark in der Kontur,
die 2. Phrasen sind eher ähnlich. Ähnlichkeitswerte:
opti3 0.462
nGrUkkon 0.21
rhytFuzz 0.84
harmCorE 0.62
diffEd 0.3
![Page 29: Melodi sche Ähnlichkeit](https://reader033.fdocuments.net/reader033/viewer/2022051001/56814424550346895db0c0ff/html5/thumbnails/29.jpg)
6. Zusammenfassung1. Sehr hohe Korrelation zwischen den
Ähnlichkeitsurteilen der Experten.2. Optimierung als lineare Kombination von
Einzelmaßen ist möglich signifikant bessere Resultate.
3. Maße und ihre Gewichte hängen vom Aufgabenkontext ab.
4. Anwendungen für opt. Ähnlichkeitsmaße:• Automatische Strukturierung von großen
Melodiesammlungen (z.B. Volkslieddatenbanken)• Melodiesuche in Datenbanken (z.B. Qbh)• Plagiatserkennung• Etc.
![Page 30: Melodi sche Ähnlichkeit](https://reader033.fdocuments.net/reader033/viewer/2022051001/56814424550346895db0c0ff/html5/thumbnails/30.jpg)
Melodische Ähnlichkeit
Daniel Müllensiefen & Klaus FrielerSymbole&Signale Hamburg WS 04/05, 7.1.2005
![Page 31: Melodi sche Ähnlichkeit](https://reader033.fdocuments.net/reader033/viewer/2022051001/56814424550346895db0c0ff/html5/thumbnails/31.jpg)
Similarity measures Edit distance - Example
ED (ANTHROPOLOGY, ORNITHOLOGY)1. Suffix OLOGY is same, no costs. Consider
ANTHROP and ORNITH2. Add ROP at end of ORNITH: ORNITHROP, costs 33. Delete R and I: ONTHROP, costs 24. Substitute O with A: Ready, costs 15. Total costs: 66. Normalization: Divide by length of longer
strings: len(ANTHROPOLOGY) =127. Result: ED = 0.5
![Page 32: Melodi sche Ähnlichkeit](https://reader033.fdocuments.net/reader033/viewer/2022051001/56814424550346895db0c0ff/html5/thumbnails/32.jpg)
Similarity measures N-grams - Example
Sum-Common-measure (4-grams)
SC(s=ANTHROPOLOGY, t=ORNITHOLOGY) Only two common 4-grams : OLOG und LOGY, once
each. Sum-Common(4-grams) = 1 +1 +1 +1 = 4 Normalization: len(s)+len(t)-2*(4-1)=12+11-6 =17 SC = 4/17~0.235
![Page 33: Melodi sche Ähnlichkeit](https://reader033.fdocuments.net/reader033/viewer/2022051001/56814424550346895db0c0ff/html5/thumbnails/33.jpg)
Similarity measures Accent similarity measures
Idea: Accented notes are more important for similarity judgements
Determine accent structures of 2 melodies and compare them
‚True‘ accents combine accents from different dimensions (pitch, rhythm, harmony etc.)
Construction of joint accent measures:1. Segment melodies in phrases2. Give accents to melodies according to 25 rules from the
literature (Thomassen, 1982; Povel & Essens, 1985; Boltz & Jones, 1986)
3. Compare output of rules to human similarity data and combine best rules to joint accent measures
4. Choose best comparision technique for accent structures
![Page 34: Melodi sche Ähnlichkeit](https://reader033.fdocuments.net/reader033/viewer/2022051001/56814424550346895db0c0ff/html5/thumbnails/34.jpg)
Accent similarity List of accent rules
JUMPAFT3JUMAFT4JUMPAFT5JUMPBEA3JUMPBEA4JUMPBEA5JUMLOCSHORTPRPEXTREMPEXTRSTPEXTRMFPEXTRALONGPRLONG2PRENDLOIOIBEATS13BEAT1
After jump of 3 semitonesAfter jump of 4 semitonesAfter jump of 5 semitonesBefore and after jump of 3 semitones Before and after jump of 4 semitonesBefore and after jump of 5 semitonesAft. local jump (2 s.t. larger than pr. int)On 2nd note of 2-note-phraseContour turning pointCon. turning expt. change notes (Steinb.) Con. turning expt. change notes (M&F)After contour turning pointLonger previous note2x longer previous noteNote ending long IOI (≥2x mod. of dur.)On beats 1 and 3 of 4/4 meter On beat 1 of 4/4 meter
TRIADTRIADPHENPHRASBEGPHRASEND
1,3,5 of impl. tonality (Krumhansl)1,3,5 of impl. ton. on phrase endsNote beginning phraseNote ending phrase
![Page 35: Melodi sche Ähnlichkeit](https://reader033.fdocuments.net/reader033/viewer/2022051001/56814424550346895db0c0ff/html5/thumbnails/35.jpg)
Accent similarity List of combined accent measures
Joint accent measure Combined rules
JOINT41 JUMPAFT4 LONG2PR BEAT13 TRIAD
JOINT42 PEXTRMF LONG2PR BEAT13 TRIAD
JOINT43 JUMPAFT4 ENDLOIOI BEAT13 TRIAD
JOINT44 PEXTRMF ENDLOIOI BEAT13 TRIAD
JOINT45 JUMPBEA3 LONG2PR BEAT13 TRIAD
JOINT46 JUMPBEA3 ENDLOIOI BEAT13 TRIAD
JOINT51 JUMPAFT4 PEXTRMF LONG2PR BEAT13 TRIAD
JOINT52 JUMPAFT4 PEXTRMF LONG2PR PHRASEND TRIAD
JOINT53 JUMPAFT4 PEXTRMF ENDLOIOI BEAT13 TRIAD
JOINT54 JUMPAFT4 PEXTRMF ENDLOIOI PHRASEND TRIAD
JOINT55 JUMPBEA3 PEXTRMF LONG2PR BEAT13 TRIAD
JOINT56 JUMPBEA3 PEXTRMF LONG2PR PHRASEND TRIAD
JOINT57 JUMPBEA3 PEXTRMF ENDLOIOI BEAT13 TRIAD
JOINT58 JUMPBEA3 PEXTRMF ENDLOIOI PHRASEND TRIAD
JOINT61 JUMPAFT4 PEXTRMF LONG2PR BEAT13 PHRASEND TRIAD
JOINT62 JUMPAFT4 PEXTRMF ENDLOIOI BEAT13 PHRASEND TRIAD
JOINT63 JUMPBEA3 PEXTRMF LONG2PR BEAT13 PHRASEND TRIAD
JOINT64 JUMPBEA3 PEXTRMF ENDLOIOI BEAT13 PHRASEND TRIAD