Dekonstruktion von Massenlärm bei College-Basketballspielen

Mit Tausenden von Fans, die klatschen, chanten, schreien und johlen, können College-Basketballspiele fast ohrenbetäubend laut sein. Einige Arenen haben Dezibelmeter, die, ob genau oder nicht, einen Hinweis auf das Geräuschvolumen der Zuschauer und der Beschallungsanlagen geben. Allerdings steht der Lärm der Menge selten im Mittelpunkt der wissenschaftlichen Untersuchungen.

„Wann immer es in der Literatur auftaucht, waren es vor allem Ermittler, die versuchen, sich zurechtzufinden“, bemerkte Brooks Butler, ein Physikstudent an der Brigham Young University und Mitglied des BYU-Teams, das die Forschung auf dem 176. Treffen der Acoustical Society of America vorstellen wird, das in Verbindung mit der Akustikwoche 2018 der Canadian Acoustical Association in Kanada vom 5. bis 9. November im Victoria Conference Centre in Victoria, Kanada, abgehalten wird.

„Crowd Noise wird normalerweise als Hintergrundstörung behandelt – etwas, das man abschirmen kann.“ Aber die BYU-Forscher waren der Meinung, dass der Lärm der Menge eine eigene Untersuchung wert war. Insbesondere wollten sie sehen, ob maschinelle Lernalgorithmen Muster innerhalb der akustischen Rohdaten herausfinden können, die anzeigen, was die Menge zu einem bestimmten Zeitpunkt tat, und so Hinweise darauf geben, was im Spiel selbst geschah. Eine mögliche Anwendung könnte die Früherkennung von unbändigem oder gewalttätigem Massenverhalten sein – obwohl diese Idee noch nicht getestet wurde.

Das BYU-Team führte bei Basketballspielen für Männer und Frauen an der Universität hochpräzise akustische Messungen durch, später auch bei Fußball- und Volleyballspielen. Sie zerlegten die Spiele in Halbsekundenintervalle und maßen den Frequenzinhalt (wie auf Spektrogrammen dargestellt), die Lautstärke, das Verhältnis von Maximal- zu Minimallautstärke innerhalb eines vorgegebenen Zeitblocks und andere Variablen. Dann wandten sie Signalverarbeitungswerkzeuge an, die 512 verschiedene akustische Merkmale identifizierten, die aus verschiedenen Frequenzbändern, Amplituden und so weiter bestehen.

Die Gruppe nutzte diese Variablen, um einen 512-dimensionalen Raum zu konstruieren, indem sie maschinelle Lerntechniken einsetzte, um eine computergestützte, clusternde Analyse dieses komplizierten, multidimensionalen Bereichs durchzuführen.

Der BYU-Physikprofessor Kent Gee war zusammen mit den Professoren Mark Transtrum und Sean Warnick Hauptforscher des Projekts. Gemeinsam leiteten sie ein Team von mehreren Studenten, die sich auf verschiedene Aspekte des Problems konzentrierten, darunter Datenerfassung, Analyse und maschinelles Lernen.

Gee erklärte den Prozess mit einer einfachen Analogie. „Angenommen, Sie haben eine Darstellung von Punkten in einem zweidimensionalen, x-y-Diagramm und messen den Abstand zwischen diesen Punkten“, sagte er. „Du wirst vielleicht sehen, dass die Punkte in drei Gruppen oder Clustern zusammengefasst sind. Wir haben etwas Ähnliches mit unserem 512-dimensionalen Raum gemacht, obwohl man natürlich einen Computer braucht, um all das im Auge zu behalten.“

Die von ihnen durchgeführte so genannte „K-Mittel-Clustering“-Analyse ergab sechs verschiedene Cluster, die dem entsprachen, was in der Arena geschah, je nachdem, ob die Leute jubelten, sangen, buhlten, ruhig waren oder die Lautsprecher die Klanglandschaft dominierten.

Auf diese Weise konnten Gee und seine Kollegen den emotionalen Zustand des Publikums messen, einfach aus einer maschinellen Analyse der Klangdaten. „Eine wichtige Anwendung unserer Forschung“, sagte er, „könnte die Früherkennung von unbändigem oder gewalttätigem Massenverhalten sein.“

Mehr Informationen:
Präsentation #1pSP11, „Clustering analysis of crowd noise from collegiate basketball games,“ von Brooks A. Butler, Mylan R. Cook, Kent L. Gee, Mark K. Transtrum, Sean Warnick, Eric Todd und Harald Larsen wird Montag, 5. November, 16:25 Uhr im Shaughnessy (Fe)-Saal des Victoria Conference Center in Victoria, British Columbia, Kanada. acousticalsociety.org/asa-meetings/ sein.

Teilen Ist Liebe! ❤❤❤ 3 shares ❤❤❤

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.

shares