EMG

Electromyographie
In musikalischer Performance
EMG Processing
EMG Features

Max Libraries:
-modosc für Feature Extraction
-GIMLeT (Gestural Interaction ML Toolkit):
Beispiele für IML Motion Feature Extraction

Understanding Gesture Expressivity through Muscle Sensing - Caramiaux, Donnarumma, Tanaka

Classification of EMG Signal Based on Time
Domain and Frequency Domain Features (J.Too1,
A.R. Abdullah2, T.N.S. Tengku Zawawi3, N. Mohd
Saad4 and H. Musa5)
„The conceptualisation of corporeal movement is often
optically biased, where sensations that are independent
of sight are often neglected“
Salazar Sutil
 Musikalische Interaktion mit EMG (1)
Intention Effort Restraint

EMG als „Input“ einer Geste Instr. Performance innerhalb

z.B. Accelerometer als Output minimaler und maximaler Ausreizung

EMG misst nicht Bewegung Laban Movement Analysis (Body,

oder Position, sie misst Space, Effort, Shape, Relationship)
körperliche Aktivität
-> Intention des Performers

“While the subject certainly

experiences performing, the
subject is also performed” EMG ist nicht objektgebunden

Sound als Resistenz

1 - Intention, Effort and Restraint, The EMG in Musical Performance – Tanaka (2015)
EMG + Machine Learning
Input: Output:
Machine Learning Synthesizer
Körpergesten
Regression vs. temporal Modelling
• Bewegungen entfalten sich über Zeit
EMG und Embodied Cognition

Traditionelles, "entkörperlichtes“
Kognitionsmodell Verkörperte Kognition