Con miles de fanáticos aplaudiendo, cantando, gritando y abucheando, los juegos de baloncesto universitario pueden ser casi ensordecedores. Algunas arenas tienen medidores de decibelios, que, con precisión o no, proporcionan alguna indicación del volumen de ruido generado por los espectadores y los sistemas de sonidoSin embargo, el ruido de la multitud rara vez es el foco de la investigación científica.
"Siempre que aparece en la literatura, es principalmente algo que los investigadores están tratando de evitar", señaló Brooks Butler, un estudiante universitario de física en la Universidad Brigham Young y miembro del equipo de BYU que presentará investigaciones en la Sociedad Acústica deLa 176ª Reunión de Estados Unidos, celebrada en conjunto con la Semana de la Acústica 2018 de la Asociación Canadiense de Acústica en Canadá, del 5 al 9 de noviembre, en el Victoria Conference Center en Victoria, Canadá.
"El ruido de la multitud generalmente se trata como interferencia de fondo, algo para detectar". Pero los investigadores de BYU consideraron que el ruido de la multitud era digno de su propia investigación. En particular, querían ver si los algoritmos de aprendizaje automático podían detectar patrones dentrolos datos acústicos en bruto que indicaban lo que la multitud estaba haciendo en un momento dado, lo que proporciona pistas sobre lo que estaba sucediendo en el juego en sí. Una posible aplicación de esto podría ser la detección temprana del comportamiento de la multitud rebelde o violento, aunque esa ideano ha sido probado
El equipo de BYU realizó mediciones acústicas de alta fidelidad durante los juegos de baloncesto de hombres y mujeres en la universidad, luego hizo lo mismo para los juegos de fútbol y voleibol. Dividieron los juegos en intervalos de medio segundo, midiendo el contenido de frecuencia como se muestra enespectrogramas, niveles de sonido, la relación de los niveles de sonido máximo a mínimo dentro de un bloque de tiempo establecido y otras variables. Luego aplicaron herramientas de procesamiento de señal que identificaron 512 características acústicas distintas compuestas de diferentes bandas de frecuencia, amplitudes, etc.
El grupo usó estas variables para construir un espacio de 512 dimensiones, utilizando técnicas de aprendizaje automático para realizar un análisis computarizado y de agrupamiento de este reino complicado y multidimensional.
El profesor de física de BYU, Kent Gee, fue el investigador principal del proyecto junto con los profesores Mark Transtrum y Sean Warnick. Juntos lideraron un equipo de varios estudiantes que se centraron en diferentes aspectos del problema, incluida la recopilación de datos, el análisis y el aprendizaje automático.
Gee explicó el proceso con una analogía simple. "Supongamos que tiene una gráfica de puntos en un gráfico xy bidimensional y mida la distancia entre esos puntos", dijo. "Puede ver que los puntos están agrupados entres grupos o agrupaciones. Hicimos algo similar con nuestro espacio de 512 dimensiones, aunque obviamente se necesita una computadora para realizar un seguimiento de todo eso ".
El llamado análisis de "agrupamiento de K-medias" que realizaron reveló seis grupos separados que correspondían a lo que estaba sucediendo en la arena, dependiendo de si las personas estaban animando, cantando, abucheando, callando o dejando que los altavoces dominaran el paisaje sonoro.
De esta manera, Gee y sus colegas pudieron medir el estado emocional de la audiencia, simplemente a partir de un análisis de los datos de sonido realizado por una máquina. "Una aplicación eventual importante de nuestra investigación", dijo, "puede ser elDetección temprana de conductas violentas o rebeldes "
Fuente de la historia :
Materiales proporcionados por Sociedad Acústica de América . Nota: El contenido puede ser editado por estilo y longitud.
Cita esta página :