Met duizenden klappende fans, zingen, schreeuwen en joelen, universiteitsbasketbalspellen kunnen bijna oorverdovend luid zijn. Sommige arena's hebben decibelmeters, die, nauwkeurig of niet, geven een indicatie van het geluidsvolume dat wordt gegenereerd door de toeschouwers en de geluidssystemen. Echter, menigte lawaai is zelden de focus van wetenschappelijk onderzoek.

"Als het in de literatuur aan de orde komt, het is vooral iets dat onderzoekers proberen te omzeilen, " merkte Brooks Butler op, een niet-gegradueerde natuurkundestudent aan de Brigham Young University en lid van het BYU-team dat onderzoek zal presenteren op de 176e bijeenkomst van de Acoustical Society of America, gehouden in samenwerking met de 2018 Acoustics Week van de Canadian Acoustical Association in Canada, 5-9 november, in het Victoria Conference Centre in Victoria, Canada.

"Geluid van mensenmassa's wordt meestal behandeld als achtergrondinterferentie - iets om uit te filteren." Maar de BYU-onderzoekers waren van mening dat het lawaai van de menigte een eigen onderzoek waard was. Vooral, ze wilden zien of algoritmen voor machinaal leren patronen konden ontdekken in de ruwe akoestische gegevens die aangaven wat de menigte op een bepaald moment aan het doen was, waardoor aanwijzingen worden gegeven over wat er in het spel zelf gebeurde. Een mogelijke toepassing hiervan zou de vroege detectie van onhandelbaar of gewelddadig gedrag van menigten kunnen zijn, hoewel dat idee niet is getest.

Het BYU-team deed hifi-akoestische metingen tijdens basketbalwedstrijden voor mannen en vrouwen op de universiteit, later hetzelfde doen voor voetbal- en volleybalwedstrijden. Ze verdeelden de wedstrijden in intervallen van een halve seconde, het meten van de frequentie-inhoud (zoals weergegeven op spectrogrammen), geluidsniveaus, de verhouding tussen het maximale en minimale geluidsniveau binnen een bepaald tijdsblok, en andere variabelen. Vervolgens pasten ze signaalverwerkingstools toe die 512 verschillende akoestische kenmerken identificeerden, bestaande uit verschillende frequentiebanden, amplitudes enzovoort.

De groep gebruikte deze variabelen om een ​​512-dimensionale ruimte te construeren, gebruikmakend van machine learning-technieken om een ​​geautomatiseerde, clusteranalyse van deze gecompliceerde, multidimensionaal rijk.

BYU-professor natuurkunde Kent Gee was hoofdonderzoeker van het project, samen met professoren Mark Transtrum en Sean Warnick. Samen leidden ze een team van verschillende studenten die zich concentreerden op verschillende aspecten van het probleem, inclusief gegevensverzameling, analyse en machine learning.

Gee legde het proces uit met een eenvoudige analogie. "Stel dat je een plot van punten hebt op een tweedimensionale, x-y grafiek en meet de afstand tussen die punten, " zei hij. "Je zou kunnen zien dat de punten in drie klonten of clusters bij elkaar zijn gebundeld. We deden iets soortgelijks met onze 512-dimensionale ruimte, hoewel je natuurlijk een computer nodig hebt om dat allemaal bij te houden."

De zogenaamde "K-means clustering" -analyse die ze uitvoerden, onthulde zes afzonderlijke clusters die overeenkwamen met wat er in de arena gebeurde, afhankelijk van of mensen juichten, zingen, boeien, stil zijn, of de luidsprekers de soundscape te laten domineren.

Op deze manier, Gee en zijn collega's konden de emotionele toestand van het publiek peilen, eenvoudig uit een door een machine uitgevoerde analyse van de geluidsgegevens. "Een belangrijke uiteindelijke toepassing van ons onderzoek, " hij zei, "kan de vroege detectie zijn van onhandelbaar of gewelddadig gedrag van de menigte."