Med tusentals fans som klappar, sjunger, skriker och skrattar, college basket spel kan vara nästan öronbedövande högt. Vissa arenor har decibelmätare, som, korrekt eller inte, ge en indikation på brusvolymen som genereras av åskådarna och ljudsystemen. Dock, publikbuller är sällan i fokus för vetenskaplig utredning.

"När det kommer upp i litteraturen, det har främst varit något utredare försöker komma runt, "noterade Brooks Butler, en fysikstudent vid Brigham Young University och medlem i BYU -teamet som kommer att presentera forskning vid Acoustical Society of America:s 176:e möte, hålls i samarbete med Canadian Acoustical Associations 2018 Acoustics Week i Kanada, 5-9 november, på Victoria Conference Center i Victoria, Kanada.

"Publikbrus behandlas vanligtvis som bakgrundsstörningar - något att skärma bort." Men BYU -forskarna ansåg att folkmassor var värda en egen undersökning. Särskilt, de ville se om maskininlärningsalgoritmer kunde välja mönster inom de råa akustiska data som indikerade vad publiken gjorde vid en given tidpunkt, och därmed ge ledtrådar om vad som hände i själva spelet. En möjlig tillämpning av detta kan vara tidig upptäckt av orubbligt eller våldsamt publikbeteende - även om den idén inte har prövats.

BYU-teamet gjorde högkvalitativa akustiska mätningar under basket- och herrspel i basket vid universitetet, senare göra samma sak för fotboll och volleyboll spel. De delade upp matcherna i halv sekunders intervaller, mäta frekvensinnehållet (som visas på spektrogram), ljudnivåer, förhållandet mellan högsta och lägsta ljudnivå inom ett bestämt tidsblock, och andra variabler. Sedan använde de signalbehandlingsverktyg som identifierade 512 distinkta akustiska funktioner som består av olika frekvensband, amplituder och så vidare.

Gruppen använde dessa variabler för att konstruera ett 512-dimensionellt utrymme, använda maskininlärningsteknik för att utföra en datoriserad, klusteranalys av detta komplicerade, flerdimensionella rike.

BYU fysikprofessor Kent Gee var en huvudutredare på projektet tillsammans med professorerna Mark Transtrum och Sean Warnick. Tillsammans ledde de ett team med flera studenter med fokus på olika aspekter av problemet, inklusive datainsamling, analys och maskininlärning.

Gee förklarade processen med en enkel analogi. "Antag att du har en plott av punkter på en tvådimensionell, xy-graf och mäta avståndet mellan dessa punkter, "sa han." Du kanske ser att punkterna är hopbundna i tre klumpar eller kluster. Vi gjorde något liknande med vårt 512-dimensionella utrymme, även om du självklart behöver en dator för att hålla reda på allt det här. "

Den så kallade "K-means clustering" -analysen som de körde avslöjade sex separata kluster som motsvarade vad som hände i arenan, beroende på om folk hejade, sång, tjat, vara tyst, eller låta högtalarna dominera ljudbilden.

På det här sättet, Gee och hans kollegor kunde mäta publikens känslomässiga tillstånd, helt enkelt från en maskindriven analys av ljuddata. "En viktig eventuell tillämpning av vår forskning, " han sa, "kan vara en tidig upptäckt av ett oroligt eller våldsamt publiks beteende."