Analyse spectrale à haute résolution et décompositions non-négatives appliquées au traitement des signaux de musique Roland Badeau 2M01a1i 2D000051 janvier 2011 Département Traitement du Signal et des Images Groupe AAO : Audio, Acoustique et Ondes Mémoire présenté à l’Université Pierre et Marie Curie pour obtenir l’Habilitation à Diriger des Recherches Analyse spectrale à haute résolution et décompositions non-négatives appliquées au traitement des signaux de musique Roland BADEAU Institut Télécom, Télécom ParisTech, CNRS LTCI 46 rue Barrault - 75634 Paris Cedex 13 - France Habilitation soutenue le mardi 30 novembre 2010 devant le jury composé de : Rapporteurs Frédéric Bimbot, Directeur de Recherche CNRS - IRISA, Rennes Philippe Depalle, Professeur - Université McGill, Montréal Bruno Torrésani, Professeur - Université de Provence, Marseille Examinateurs Olivier Adam, Professeur - Université Pierre et Marie Curie, Paris 6 Laurent Daudet, Professeur - Université Paris Diderot, Paris 7 Sylvie Marcos, Directrice de Recherche CNRS - LSS, Gif-sur-Yvette i Résumé en français Mes travaux de recherche portent sur le traitement des sons et de la musique, dont ils visent à extraire une représentation révélant leurs structures temporelles et spectrales. Diverses applications musicales ont été abordées, allant de la transcription automatique de musique à la séparation de sources, en passant par le codage audio. Une partie importante de ces recherches a été menée dans le cadre du projet ANR DESAM (DécompositionsenÉlémentsSonoresetApplicationsMusicales),quej’aicoordonnédenovembre2006àfévrier 2010. Analyse spectrale à haute résolution. Lapremièrepartiedemestravauxaétéinitiéedanslecadredema thèse, démarrée en septembre 2001 et soutenue en avril 2005, dont la finalité a été l’application des méthodes d’analyse spectrale à haute résolution au traitement des signaux audio et musicaux. Nous avons d’abord géné- ralisé le modèle de signalsous-jacentet la méthode d’estimation et proposé une nouvelle technique de sélection del’ordredumodèle.Parailleurs,lenombreélevédecomposantesfréquentiellesetlafortedynamiquespectrale dessignauxaudioontnécessitédemettreenœuvredesprétraitementsadéquatsetleurnon-stationnaritéaexigé de développerdesméthodes adaptativespermettantde suivrelesvariationstemporellesde chaquecomposante, en utilisant des algorithmes de poursuite de sous-espace. Ces outils ont été intégrés à la boîte à outils Matlab du projet DESAM et appliqués à la représentation temps-fréquence à haute résolution de signaux audio, à la séparation des composantes tonales et bruitées et à la synthèse avec effets sonores. A la suite de ma thèse, diverses applications musicales de ces méthodes ont été réalisées dans le cadre de collaborations avec des cher- cheurs et doctorants de laboratoires français ou étrangers : estimation de hauteur de notes de piano (thèse de Valentin Emiya à Télécom ParisTech), estimation de tempo musical (thèse de Miguel Alonso à Télécom Paris- Tech), analyse des modes couplés d’une harpe de concert (thèse de Jean-Loïc Le Carrou au LAUM, Le Mans) et codage audio (projet DESAM, collaboration avec le LMA, Marseille). D’autres applications ont également été réalisées,comme l’estimation de canaldans le domaine des communications numériques (collaborationavec l’université de Mondragón en Espagne) ou la factorisation de tenseurs structurés (collaboration avec le LSS, Gif-sur-Yvette). Décompositions non-négatives. Ladeuxièmepartiedemestravauxconstitueune thématiquenouvellede- puismathèse,dontlesdifférentsaspectsontnotammentétéabordésaveclescinqdoctorantsquej’aico-encadrés (ValentinEmiya,NancyBertin,RomainHennequin,BenoîtFuentesetAntoineLiutkus).Elles’intéresseàladé- composition de signaux audio à partir d’une représentation spectrale ou d’une représentationtemps-fréquence, dans le but d’en extraire des éléments sonores possédant un sens musical, comme des notes de musique ou des accords. Ces décompositions prennent en compte différents critères : non-négativité de la représentation et des éléments sonores, critères psycho-acoustiques, harmonicité du spectre, régularité de l’enveloppe spectrale, régularitédel’enveloppetemporelle,variationstemporellesdel’enveloppespectrale,variationstemporellesdela fréquencefondamentale.Elles s’appuientsurdesextensionsdelafactorisationenmatricesnon-négatives,expri- méesdansleformalismedel’estimationbayésienne,quipermetdecontraindreladécompositionenintroduisant des modèles paramétriques appropriés ou des distributions a priori des paramètres. Les décompositions sont calculées à l’aide d’algorithmesmultiplicatifs, dont nous avonsétudié et amélioréles propriétésde convergence, oud’algorithmesde type espérance-maximisation.Ces outils ontété appliquésà l’estimationde fréquences fon- damentales multiples et à la transcription automatique de la musique. Ils ont également été intégrés à la boîte à outils Matlabdu projetDESAM et leur évaluationa conduit audéveloppement de la base de données MAPS (MIDI aligned piano sounds).Ilsontenfinété appliquésàla séparationinforméedesdifférentes sourcessonores mixées dans un enregistrement stéréophonique. ii English abstract My research works focus on audio and music signal processing. They aim to extract from the signal a repre- sentationwhichrevealsits temporalandspectralstructures. Variousmusicalapplicationshavebeenaddressed, rangingfromautomatictranscriptionofmusictosourceseparationandaudiocoding. Animportantpartofthis researchhas been carriedout within the frameworkof the ANR DESAM (Decompositions into sound elements and musical applications) project, that I have managed from November 2006 to February 2010. High resolution spectral analysis. Thefirstpartofmy researchworkswasinitiatedwithinthe framework of my Ph.D. thesis, started in September 2001 and defended in April 2005, whose purpose was the application of high resolution spectral analysis methods to audio and music signal processing. We first generalized the underlying signal model and the estimation method, and proposed a new model order selection technique. In other respects, the high number of frequency components and the high spectral dynamics of audio signals have requiredto developadequate preprocessing techniques, and their non-stationarityhas required to develop adaptive methods in order to track the temporal variations of each component, by using subspace tracking algorithms. These tools have been integrated into the Matlab toolbox of the DESAM project, and applied to the high resolution time-frequency representation of audio signals, to the separation of tonal and noisy components, and to audio synthesis with sound effects. After my Ph.D. thesis, various musical applications of these methods have been carried out in collaboration with researchers and Ph.D. students from French and foreign laboratories: pitch estimation of piano sounds (Ph.D. thesis of Valentin Emiya at Telecom ParisTech), musicbeattracking(Ph.D.thesisofMiguelAlonsoatTelecomParisTech),analysisofharp’ssympatheticmodes (Ph.D. thesis of Jean-Loïc Le Carrou at LAUM, Le Mans), and audio coding (DESAM project, collaboration with the LMA, Marseilles). Other applications have also been carried out, such as blind channel estimation in digital communications (collaboration with the University of Mondragón in Spain) or structured tensors factorization (collaboration with the LSS, Gif-sur-Yvette). Non-negative decompositions. The second part of my research works has formed a new theme since my Ph.D. thesis, whose various aspects have been addressed with the five Ph.D. students that I jointly supervised (Valentin Emiya, Nancy Bertin, Romain Hennequin, Benoît Fuentes, and Antoine Liutkus). It focuses on the decomposition of audio signals from a spectral or a time-frequency representation, in order to extract sound elements having a musical meaning, such as music notes or chords. The decompositions take different criteria into account: non-negativity of the representation and the sound elements, psycho-acoustic criteria, spectral harmonicity, spectral envelope smoothness, temporal envelope smoothness, temporal variations of the spectral envelope, or temporal variationsof the fundamental frequency. They rely on extensions of non-negativematrix factorization,expressedinthe frameworkofBayesianestimation,whichpermitstoconstrainthe decomposition byintroducingappropriateparametricmodels,ora priori distributions ofthe parameters. The decompositions are computed by means of multiplicative algorithms, whose convergence properties have been studied and enhanced, or variants of the expectation-maximization algorithm. These tools have been applied to multiple fundamental frequency estimation and to automatic transcription of music. They have been integrated into the Matlab toolbox of the DESAM project and their evaluation has leaded to the development of the MAPS (MIDIalignedpianosounds)database. Theyhavealsobeenappliedtotheinformedseparationofvarioussound sources mixed in a stereophonic recording. iii Remerciements Jeremercieavanttoutlesrapporteurs(FrédéricBimbot,Philippe Depalle,BrunoTorrésani)etlesexamina- teurs (Olivier Adam, Laurent Daudet, Sylvie Marcos) qui m’ont fait l’honneur d’accepter de participer à mon jury d’Habilitation à Diriger des Recherches. Je dois beaucoup à mes collègues Gaël Richard, Professeur et responsable du groupe Audio, Acoustique et Ondes à Télécom ParisTech, et Bertrand David, Maître de Conférences à Télécom ParisTech, qui après avoir dirigé mon doctorat, ont encadré et continuent à encadrer avec moi les thèses dont je suis co-directeur. Biensûrunepartieimportantedestravauxderechercheprésentésdanscemémoiren’auraitpuêtremenéeà biensanslacontributionactivedemesdoctorants:dansl’ordrechronologique,ValentinEmiya,actuellementen post-doctorat à l’IRISA, Nancy Bertin, Chargée de Recherche CNRS à l’IRISA, ainsi que Romain Hennequin, Benoît Fuentes et Antoine Liutkus, toujours doctorants à Télécom ParisTech. Je dois à mes collaborateurs la réussite du projet ANR DESAM (Décompositions en Éléments Sonores et Applications Musicales), dont j’ai eu l’honneur d’être le coordinateur pendant un peu plus de trois ans : dans l’ordre alphabétique, Laurent Daudet, Professeur à l’Université Paris Diderot, Olivier Derrien, Maître de Conférencesàl’UniversitédeToulonetduVar,MathieuLagrange,alorspost-doctorantàTélécomParisTechet aujourd’huiChargédeRechercheCNRSàl’IRCAM,etSylvainMarchand,MaîtredeConférencesàl’Université Bordeaux 1. Jeremercietousmescollèguesenseignants-chercheursdudépartementdeTraitementduSignaletdesImages de Télécom ParisTech, notamment Yves Grenier, Professeur et responsable du département, Karim Abed- Meraim, Maître de Conférences, et Cédric Févotte, Chargé de Recherche CNRS, qui ont co-signé plusieurs publications avec moi. Jetiensaussiàremerciermesautresco-auteurs,avecquij’aipuétablirdescollaborationsforteshorsdetout contexte institutionnel, notamment Emmanuel Vincent, Chargé de Recherche CNRS à l’IRISA, Rémy Boyer, MaîtredeConférencesàl’UniversitéParisXI,Jean-LoïcLeCarrou,MaîtredeConférencesàl’UniversitéPierre et Marie Curie, et François Gautier, Professeur à l’Université du Maine. Au delà des personnes, je voudrais également remercier les institutions qui ont soutenu mes recherches. En premier lieu Télécom ParisTech, qui m’a d’abord formé puis offert un environnement de travail extrêmement dynamique,etleLTCI(LaboratoiredeTraitementetCommunicationdel’Information),unitémixtederecherche CNRS regroupant l’ensemble des activités de recherche de Télécom ParisTech. Ensuite l’ANR et le CNRS, qui ont respectivement financé et géré le projet DESAM, et auprès de qui Cécile Guion et Christine Barba ont été mes interlocutrices. Enfin, parvenir au terme de cette aventure aurait été plus difficile sans le soutien bienveillant et chaleureux de ma famille et de mes proches. Je remercie tout particulièrement ma chère Sonia, dont le soutien et les encouragements quotidiens m’auront porté jusqu’au bout de la rédaction de ce mémoire. iv Table des matières Résumé en français i English Abstract ii Remerciements iii Table des matières iv Table des figures vii Liste des tableaux vii Acronymes viii Notations x I Avant-propos 1 Partie I Analyse à haute résolution 3 II Introduction de la Première partie 4 II.1 Analyse spectrale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 II.2 Analyse temps-fréquence . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 II.3 Applications de l’analyse à haute résolution . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 III Analyse spectrale 7 III.1 Modèle de mélange d’exponentielles complexes multipliées par des polynômes. . . . . . . . . . 7 III.2 Méthode d’estimation de l’ordre du modèle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 III.3 Algorithme rapide d’estimation du modèle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9 III.3.1 Méthode des puissances itérées . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9 III.3.2 Itération bi-orthogonale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9 IV Analyse temps-fréquence 10 IV.1 Poursuite de sous-espace . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 IV.1.1 Méthode d’itération bi-orthogonale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 IV.1.2 Approximation par projection . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 IV.1.3 Méthode des puissances itérées . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 IV.1.4 Maximisation du critère de Rayleigh . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 IV.2 Poursuite des pôles complexes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 IV.2.1 Poursuite exacte de la matrice spectrale et des pôles . . . . . . . . . . . . . . . . . . . . 16 IV.2.2 Poursuite approchée des pôles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 IV.3 Poursuite des amplitudes complexes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 V Applications de l’analyse à haute résolution 17 TABLE DES MATIÈRES v V.1 Analyse / synthèse et représentation de signaux audio . . . . . . . . . . . . . . . . . . . . . . . 17 V.2 Estimation de hauteurs de notes de piano . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18 V.3 Estimation du tempo musical . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 V.4 Analyse des modes couplés d’une harpe de concert . . . . . . . . . . . . . . . . . . . . . . . . . 19 V.5 Codage audio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20 V.6 Autres applications . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 V.6.1 Estimation de canal en communications numériques . . . . . . . . . . . . . . . . . . . . 21 V.6.2 SVD multilinéaire adaptative pour les tenseurs structurés . . . . . . . . . . . . . . . . . 21 Partie II Décompositions non-négatives 21 VI Introduction de la Deuxième partie 22 VI.1 Décompositions spectrales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 VI.2 Décompositions temps-fréquences . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23 VI.3 Applications des décompositions non-négatives . . . . . . . . . . . . . . . . . . . . . . . . . . . 23 VII Décompositions spectrales 24 VII.1 Modélisation de spectres de sons stationnaires . . . . . . . . . . . . . . . . . . . . . . . . . . . 24 VII.1.1 Harmonicité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24 VII.1.2 Enveloppe spectrale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24 VII.1.2.1 Modèles linéaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24 VII.1.2.2 Modèles autorégressifs à moyenne ajustée . . . . . . . . . . . . . . . . . . . . . 25 VII.1.3 Mesures de similarités spectrales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 VII.1.3.1 Mesures de similarités asymétriques . . . . . . . . . . . . . . . . . . . . . . . . 25 VII.1.3.2 Mesure invariante par transposition fréquentielle et changement d’amplitude . 26 VII.2 Modélisation de mélanges spectraux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26 VII.2.1 Maximum a posteriori pondéré . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26 VII.2.2 Algorithme Espérance-Maximisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27 VIII Décompositions temps-fréquence 28 VIII.1 Factorisation en matrices non-négatives . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28 VIII.1.1 Cadre déterministe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28 VIII.1.1.1 Définition et fonction objectif . . . . . . . . . . . . . . . . . . . . . . . . . . . 28 VIII.1.1.2 Algorithmes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29 VIII.1.2 Cadres statistiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30 VIII.2 Minimisation de la fonction objectif de la NMF . . . . . . . . . . . . . . . . . . . . . . . . . . 30 VIII.2.1 Algorithmes multiplicatifs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30 VIII.2.1.1 Cadre théorique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30 VIII.2.1.2 Algorithmes multiplicatifs de NMF . . . . . . . . . . . . . . . . . . . . . . . . 31 VIII.2.2 Évitement des minima locaux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31 VIII.2.2.1 Initialisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31 VIII.2.2.2 Algorithme de "refroidissement simulé" . . . . . . . . . . . . . . . . . . . . . . 32 VIII.3 Ajout de contraintes. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32 VIII.3.1 Harmonicité, régularité spectrale et régularité temporelle . . . . . . . . . . . . . . . . . 33 VIII.3.1.1 Harmonicité et régularité spectrale . . . . . . . . . . . . . . . . . . . . . . . . 33 VIII.3.1.2 Harmonicité et régularités spectrale et temporelle . . . . . . . . . . . . . . . . 33 VIII.3.2 Instationnarités . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34 VIII.3.2.1 Activations temps-fréquences . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34 VIII.3.2.2 Variations de fréquences fondamentales . . . . . . . . . . . . . . . . . . . . . . 35 IX Applications des décompositions non-négatives 36 IX.1 Estimation de hauteurs et transcription automatique . . . . . . . . . . . . . . . . . . . . . . . 36 IX.1.1 Estimation de hauteurs multiples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36 IX.1.1.1 Estimation d’un mélange de spectres harmoniques . . . . . . . . . . . . . . . . 36 vi TABLE DES MATIÈRES IX.1.1.2 NMF avec contraintes d’harmonicité et de régularité spectrale . . . . . . . . . 37 IX.1.2 Transcription automatique de musique . . . . . . . . . . . . . . . . . . . . . . . . . . . 37 IX.1.2.1 Estimation de hauteurs et modèles de Markov cachés . . . . . . . . . . . . . . 37 IX.1.2.2 NMF avec post-traitements . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37 IX.1.2.3 NMF avec contraintes d’harmonicité et de régularités spectrale et temporelle . 38 IX.2 Séparation de sources informée . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38 X Conclusions et perspectives 39 X.1 Résumé des travaux effectués . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39 X.2 Projet de recherche à quatre ans . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39 Bibliographie 41 Index 56 Partie III Annexes 57 A Curriculum Vitae détaillé 58 A.1 Formations et diplômes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58 A.2 Expériences professionnelles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59 A.3 Production scientifique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59 A.4 Encadrements de travaux de recherche . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60 A.5 Activités de recherche . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60 A.5.1 Thèmes de recherche . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60 A.5.2 Participation à des projets de recherche . . . . . . . . . . . . . . . . . . . . . . . . . . . 61 A.5.3 Autres travaux collaboratifs hors projet de recherche . . . . . . . . . . . . . . . . . . . 62 A.5.4 Travaux d’expertise . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62 A.5.4.1 Relectures d’articles (reviewing) . . . . . . . . . . . . . . . . . . . . . . . . . . 62 A.5.4.2 Participations à des comités de programmes de conférences . . . . . . . . . . . 62 A.5.4.3 Participations à des jurys de thèses . . . . . . . . . . . . . . . . . . . . . . . . 63 A.6 Activités d’enseignement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63 A.6.1 Enseignements en formation initiale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63 A.6.1.1 Activités à l’IRCAM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63 A.6.1.2 Formation d’ingénieur Télécom ParisTech . . . . . . . . . . . . . . . . . . . . 63 A.6.2 Enseignements en formation continue à Télécom ParisTech . . . . . . . . . . . . . . . . 64 A.6.3 Création de contenus pédagogiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64 A.7 Responsabilités administratives et activités d’intérêt collectif . . . . . . . . . . . . . . . . . . . 64 A.7.1 Coordination du projet de recherche DESAM . . . . . . . . . . . . . . . . . . . . . . . . 64 A.7.2 Responsabilités d’unités d’enseignement . . . . . . . . . . . . . . . . . . . . . . . . . . . 64 A.7.3 Activités d’intérêt collectif et valorisationde la recherche . . . . . . . . . . . . . . . . . 65 B Bibliographie personnelle 66 C Copies des dix publications les plus représentatives 72 vii Table des figures V.1 Séparation des composantes sinusoïdales et bruitée de sons de piano et de violon . . . . . . . . 18 VII.1 Modèle d’harmonicité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27 VIII.1 Décomposition du spectrogramme d’"Au clair de la Lune" . . . . . . . . . . . . . . . . . . . . 29 VIII.2 Son de guimbarde décomposé avec une activation temps-fréquence . . . . . . . . . . . . . . . . 34 VIII.3 Décomposition d’un extrait du premier Prélude de Jean-Sébastien Bach . . . . . . . . . . . . . 35 Liste des tableaux IV.1 Récapitulatif des propriétés des algorithmes de poursuite de sous-espace . . . . . . . . . . . . . 12
Description: