Научная статья на тему 'Использование импульсной гипергравитационной нагрузки при обучении двигательной активности и тренировке голосового аппарата человека'

Использование импульсной гипергравитационной нагрузки при обучении двигательной активности и тренировке голосового аппарата человека Текст научной статьи по специальности «Математика»

CC BY
57
9
i Надоели баннеры? Вы всегда можете отключить рекламу.
Область наук
Ключевые слова
ГИПЕРГРАВИТАЦИОННАЯ ТРЕНИРОВКА / СИСТЕМЫ БИОЛОГИЧЕСКОЙ ОБРАТНОЙ СВЯЗИ / ЭЛЕКТРОМИОГРАФИЯ / ВОКАЛЬНАЯ РЕЧЬ / ОБРАБОТКА ЗВУКОВЫХ СИГНАЛОВ / МИНУС-ТРЕК

Аннотация научной статьи по математике, автор научной работы — Алябушев Александр Александрович, Карпушин Максим Анатольевич, Куликов Александр Иванович, Левин Сергей Григорьевич

Рассмотрены возможности использования гипергравитационной нагрузки при обучении двигательной активности и тренировке голосового аппарата человека, а также задачи создания программного инструментария для проведения исследования в этой области. Описан ряд подходов к обработке данных электромиографии, данных вокальной речи, звуковых сигналов в целом. Приведены примеры применения этих подходов в реальных задачах. Рассматривается опыт построения систем обратной связи, предназначенных для обучения двигательной активности и другой деятельности.

i Надоели баннеры? Вы всегда можете отключить рекламу.

Похожие темы научных работ по математике , автор научной работы — Алябушев Александр Александрович, Карпушин Максим Анатольевич, Куликов Александр Иванович, Левин Сергей Григорьевич

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.
i Надоели баннеры? Вы всегда можете отключить рекламу.

Текст научной работы на тему «Использование импульсной гипергравитационной нагрузки при обучении двигательной активности и тренировке голосового аппарата человека»

ИСПОЛЬЗОВАНИЕ ИМПУЛЬСНОЙ ГИПЕРГРАВИТАЦИОННОЙ НАГРУЗКИ ПРИ ОБУЧЕНИИ ДВИГАТЕЛЬНОЙ АКТИВНОСТИ И ТРЕНИРОВКЕ ГОЛОСОВОГО АППАРАТА ЧЕЛОВЕКА

А. А. Алябушев, М. А. Карпушин *, А. И. Куликов **, С. Г. Левин ***

Институт вычислительной математики и математической геофизики СО РАН,

630090, Новосибирск, Россия * Новосибирский государственный университет, 630090, Новосибирск, Россия ** Высший колледж информатики Новосибирского государственного университета,

630090, Новосибирск, Россия *** ООО "Сигнатек", 630090, Новосибирск, Россия

УДК 004.934.2

Рассмотрены возможности использования гипергравитационной нагрузки при обучении двигательной активности и тренировке голосового аппарата человека, а также задачи создания программного инструментария для проведения исследования в этой области. Описан ряд подходов к обработке данных электромиографии, данных вокальной речи, звуковых сигналов в целом. Приведены примеры применения этих подходов в реальных задачах. Рассматривается опыт построения систем обратной связи, предназначенных для обучения двигательной активности и другой деятельности.

Ключевые слова: гипергравитационная тренировка, системы биологической обратной связи, электромиография, вокальная речь, обработка звуковых сигналов, минус-трек.

Practice and prospect of training various human body functioning using vibration plates are discussed in paper. Mainly, problems of automation of concerned investigations are covered. A number of approaches to electromyography data processing, vocal data processing and digital sound processing is described. Several instances of these approaches applying in real-world problems are cited. Experience of building of feedback systems for motion training is considered.

Key words: vibration training, biological feedback systems, electromyography, vocal speech, sound processing, backing track.

Введение. В настоящее время в связи с активным внедрением в спорт и фитнес современных технических средств, в том числе вибрационных тренажеров, возникает необходимость изучения их комплексного влияния на организм человека. Среди вибрационных тренажеров по своим характеристикам выделяется линейка гипергравитационных тренажеров Power Plate. Платформа тренажера передает телу человека колебания с частотой от 30 до 50 Гц, что вызывает рефлекторное сокращение мышц. Применение гипергравитационного вибрационного тренажера Power Plate при физических тренировках оказывает воздействие на все функциональные системы организма с выраженным и устойчивым во времени позитивным влиянием на здоровье [1]. Наличие медицинского сертификата, высокая эффективность и низкая по сравнению с традиционными методами тренировок травматичность определили популярность тренажера.

Рис. 1. Digitorium brevis при движении рукой (вверху) и в состоянии покоя (внизу)

Специфика тренировок на тренажерах подобного типа состоит в том, что для их эффективного использования необходимо присутствие высококвалифицированного тренера, что не всегда удается обеспечить. Эту проблему можно решить, используя автоматизированные системы обучения с биологической обратной связью, осуществляемой посредством видеокамер, датчиков пульса и температуры, а также электромиографии (ЭМГ).

Результаты исследований, проведенных с участием профессиональных певцов, свидетельствуют о возможности качественного улучшения показателей голоса при пении в условиях кратковременного импульсного гипергравитационного воздействия с помощью аутентичного генератора Power Plate [2]. Анализ полученных результатов показал необходимость использования новых подходов к обработке биофизических параметров звука при разговоре и пении, в частности создания специализированного математического и программного обеспечения.

1. Использование тренажера Power Plate для обучения двигательной активности. При работе с тренажером Power Plate достаточно эффективным является использование аппарата электромиографии [3]. Применение беспроводных поверхностных миодатчиков позволяет осуществлять контроль напряжения необходимых мышц, не внося при этом изменений в саму механику тренировок. Однако в этом случае возникает достаточно сложная проблема обработки сигналов, поступающих с миодатчиков, для определения уровня напряжения целевых мышц.

Проблема удаления шумов и типичных артефактов из электромиограммы решается на аппаратном уровне. Важной задачей предварительной обработки является удаление тренда из сигнала.

На рис. 1 показаны миограммы мышцы digitorium brevis человека в статическом положении и при движении рукой. В целом форма сигнала сохраняется, при этом возникает

И, мкВ 1,0

0,5

0

-0,5 -1,0

0

6 Г, с

0

500

1000

1500

и, мкВ 1,0

0,5

0

-0,5 -1,0

0 1

Е, дБ

250 200 150 100 50

0

3 4

г

6 с

500

1000

1500 2000 Гц

2000 Гц

Рис. 2. Результаты исследования применимости алгоритма удаления тренда: а, в — сигнал и его спектр до внесения в него искажений; б, г — после удаления искажений

2

5

1

2

3

4

5

смещение его средней линии. Исходя из результатов проведенных исследований предложен следующий метод удаления тренда:

— сигнал разбивается на отрезки длительностью 0,4 с (при таком разбиении в каждом отрезке оказывается подходящее количество отсчетов);

— на каждом отрезке проводится осреднение по времени и амплитуде;

— полученное небольшое количество точек бикубическим сплайном интерполируется на всю временную сетку;

— построенная кривая принимается в качестве тренда.

Эксперименты показали, что форма сигнала и его спектральные характеристики сохраняются (рис. 2). Главным недостатком алгоритма является его апостериорность, что ограничивает его использование при решении задач в режиме реального времени.

Основная сложность анализа электромиограммы состоит в разложении суммарного ЭМГ-сигнала, получаемого с поверхностных электродов, на электромиограммы отдельных мышц и групп мышц. Для этого предлагается несколько подходов: построение графа факторизации для суммарной электромиограммы [4]; проведение спектрального анализа с учетом того факта, что сокращения различных мышц и групп мышц создают сигналы различных спектральных характеристик; создание библиотеки шаблонов, по которым составляющие миограмму сигналы могут вычленяться статистическими методами. Все эти методы предполагают наличие априорной информации о параметрах целевых мышц.

На последнем этапе ЭМГ-анализа оцениваются параметры выделенных составляющих суммарного сигнала. Классическим методом решения этой задачи является турн-амплитуд-

ный анализ. Турном называется наличие пересечения кривой электромиограммы с осью абсцисс при перепаде напряжения не менее 100 мкВ. Количество турнов в единицу времени (в данной терминологии называемое частотой) характеризует частоту сокращения исследуемой мышцы. Амплитуда соответствующей кривой характеризует усилие, создаваемое в мышце, отношение частоты к амплитуде — ее утомление. Другим распространенным методом анализа состояния мышцы является спектральный анализ электромиограммы — вычисление ряда числовых характеристик спектра и отслеживание их с течением времени [5]. Также для анализа применяется модель авторегрессии [6].

Для осуществления контроля тренировок наряду с отслеживанием уровня напряжения мышц необходимо отслеживать положение тела тренирующегося в пространстве. Технически задача может быть решена с использованием известных программных инструментов, например библиотеки расширенной реальности АКГооЖ^ и библиотеки машинного зрения ОрепСУ. Средства АИТооЖ^ позволяют сопоставлять фигуру, построенную по распознанной с помощью ОрепСУ фигуре человека, с фигурой-эталоном, а затем предоставлять результат пользователю [3].

2. Тренировка голосового аппарата при использовании импульсной гипергравитационной нагрузки. В настоящее время в Самарском государственном медицинском университете проводятся исследования динамики скорости экспираторного потока в дыхательных путях человека под влиянием импульсной гипергравитационной физической нагрузки. Результаты этих исследований свидетельствуют о положительном влиянии подобных тренировок на голос. Вибрация, возникающая во время тренировки, вызывает рефлекторную работу напряженных мышц тела, в частности голосовых связок во время пения. Учеными-физиологами разрабатываются упражнения, оказывающие наиболее существенное воздействие на органы речеобразования. Заметим, что данный подход может быть использован в логопедии.

На основе методов цифровой обработки звуковых сигналов предложено построить систему обратной связи, предназначенную для тренировки голосового тракта человека. Эффективная обратная связь достигается за счет визуализации результатов анализа сигнала, поступающего в систему через микрофонный вход звуковой карты.

Анализ включает контроль точности воспроизведения мелодической и речевой составляющих голосового сигнала, а также его ритмических характеристик. Под мелодической составляющей понимается сигнал, обладающий следующими свойствами: 1) сигнал является периодическим; 2) величина, обратная периоду сигнала, находится в диапазоне звуковых частот.

При фонетическом анализе вокальной речи большое значение имеет определение участков произнесения гласных звуков, несущих информацию о высоте, используемую для мелодического анализа. Для распознавания гласных в речи часто используется формантный анализ [7, 8].

Формантами называются пики Г [г], г=1,...,3 в спектре сигнала, возникающие вследствие особенностей строения голосового аппарата:

г [г] < г [г +1],

150 < Г[1] < 900, 700 < Г [2] < 2700, 1800 < Г[3] < 4000.

Е, дБ

120

100

80

20

60

40

^ Г

0

200 400 600 800 1000 1200 1400 1600 1800

Рис. 3. Пример спектра вокальной речи

Рассмотрим пример вокального исполнения. Девушка пропевает звук "а" на высоте ноты до первой октавы (261,6 Гц). На рис. 3 приведен спектр отрывка этого произнесения.

Высота первых двух пиков в спектре кратна частоте основного тона, что соответствует определению мелодического сигнала. При этом известно, что на высоте около 500 Гц должна находиться первая форманта звука "а" женского голоса. Однако на рис. 3 виден размытый лепесток второго мелодического пика, а форманту выделить не удается. Для второй форманты на частоте около 1100 Гц ситуация аналогична. Данный пример показывает, что возможности формантного анализа вокальной речи имеют ограничения.

Для проведения ритмического анализа в каждое упражнение включается информация о времени начала воспроизведения той или иной ноты. Система определяет момент фактического начала исполнения ноты, сравнивает эти значения и сохраняет результат для предоставления в дальнейшем пользователю. Кроме того, контролируется продолжительность исполнения ноты. Соответствующая информация также сохраняется и предоставляется пользователю.

3. Метод акустических ядер. При анализе мелодической составляющей сигнала предлагается использовать метод акустических ядер. В спектре сигнала выделяется структура, названная акустическим ядром, — последовательность значений энергий гармоник, лепестки которых содержат значение частоты, кратное некоторому фиксированному ее значению — базовой частоте.

Введем следующие обозначения: 2п — длина входного вектора, ^ — частота дискретизации. Исследуется мгновенный дискретный спектр сигнала, поэтому п выбирается в соответствии с частотой дискретизации, при этом должны выполняться следующие условия:

— промежуток времени должен быть малым, чтобы внутренние свойства источника сигнала (главным образом, определяющие частоту) на этом промежутке изменялись незначительно;

— для того чтобы спектральная картина была содержательной, отрезок сигнала должен включать достаточное количество отсчетов.

С учетом наличия зеркального эффекта число значащих гармоник равно п + 1.

Обозначим через X = {XI^Д-1 результат дискретного преобразования Фурье (ДПФ) выбранного отрезка исходного сигнала. В дальнейшем будут рассматриваться только первые п + 1 коэффициентов спектра, поскольку ДПФ обладает известным свойством: при к = 1,... ,п — 1 коэффициент Xк комплексно сопряжен с коэффициентом Х2и-к [9].

Пусть ¡г = гА/, где г = 0,1, ... ,п; Af = Р3/(2п). Через 1гипе(а) обозначим целую часть числа а, через &ае(а) — дробную часть. Тогда акустическим ядром частоты / Е [¡\, ¡п] в мгновенном спектре X является множество

А/ (X) = {^ипс^)/а)}^ ,

где

Kf = max {k е N : trunc ((kf)/Af) < n} .

Последовательность Mf = {trunc ((jf )/Af )}K£i назовем набором частоты f е [fi,fn], величину Kf — размером набора.

Будем полагать, что Mf > Mg, если для всех m = 1, ...,Kg верно неравенство trunc ((mf)/Af) > trunc ((mg)/Af).

Приведем описание алгоритма выделения акустических ядер в некотором частотном диапазоне. Алгоритм включает два этапа: подготовительный и основной. На подготовительном этапе частотный диапазон разбивается на области неразличимости — полуинтервалы [Vk,Vk+i), в которых для любых f,g Mf = Mg. Утверждается, что такое разбиение существует. Соответственно общее количество акустических ядер не будет превышать количество областей неразличимости. На основном этапе алгоритма происходит перебор всех акустических ядер и вычисление функции релевантности каждого из них. Решение задачи является достаточно трудоемким, однако современные вычислительные машины позволяют применять такой подход для получения результата за адекватное время даже при решении задач в режиме реального времени.

Функцией релевантности может быть произвольная функция r : [<р,ф] х R++1 ^ R. На основном этапе алгоритма проводится сравнение значений функций релевантности различных акустических ядер с некоторыми критериальными значениями. Например, функция

га (f, Ao,..., An ) = -K- p(if) ^ AtTanc(if/s)(^ 1 - frac ^ f ^ + AtrUnc(i//¿)+ifrac ^ iff

Kf

rp (f,A0,...,An) = Y: P (if) Atrunc(if/Af), P

i=l

— '

Af,— j, 2

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

^ R+

является взвешенной функцией релевантности, позволяющей выделять в композитном сигнале отдельные источники, свойства которых определяются изменяемой параметрической функцией р. Заметим, что функцию р следует выбирать монотонно возрастающей, так как гармоники больших частот, как правило, имеют меньшую энергию в спектре, но при определении тембральных характеристик звукового сигнала оказывают значительное влияние.

Данный алгоритм может быть использован при решении задач выделения из шума сигнала с заданными свойствами, например, при создании минус-треков. Проведен ряд экспериментов, показавших эффективность такого подхода (см. таблицу).

Результаты экспериментов с использованием метода акустических ядер для выделения звука в композитном сигнале

Автор или Композиция Фрагмент, с Размер Диапазон Результат

исполнитель буфера частот, Гц

Б. Греб Grebfruit 0:15- 0:45 1024 100- 400 Удаление одного голоса вокала, возможно восстановление

Б. Макферрин Don't worry, be happy 0:00- -0:28 1024 100- 400 Частичное удаление свиста

Дж. Петруччи Wishful thinking 0:02- -0:27 2048 300- 1200 Полное удаление верхнего голоса гитары

Дж. Сатриани Professor Satchafunkilus 0:55- -1:36 2048 200- 1500 Частичное удаление основного голоса гитары, полное удаление верхних голосов (в остатке — ритм-секция)

В. Хоффман Solveig's song 0:54- 1:10 2048 100- 600 Фрагментное удаление соло гитары с возможностью восстановления, полная передача тембра

Л.-В. Бетховен Für Elise 0:00 0:58 2048 400- 1000 Частичное удаление верхнего голоса, полное сохранение нижнего

Еще одним свойством акустических ядер является сохранение соотношений между энергиями гармоник в спектре речевого сигнала. В результате проведенных экспериментов (производились записи произнесений гласных и сонорных звуков различными дикторами) установлено, что при произнесении одним диктором одних и тех же фонем соотношения между энергиями гармоник в акустическом ядре сохраняются независимо от высоты произносимого звука [10].

Тестирование алгоритма было проведено с участием четырех дикторов: трех девушек и одного мужчины. Каждый диктор произносил все исследуемые звуки (А, О, У, Ы, Э, И, Л, М, Н) по 7-10 раз, каждый раз с разной высотой. Длительность каждого произнесения составляла 5-7 с. Для каждого произнесения вычислялись акустическое ядро и соотношения между энергиями гармоник в нем. Сравнение полученных значений с записанными заранее для данного диктора величинами позволяло определить произносимый звук с вероятностью 55-80 % (для каждой фонемы и каждого диктора вероятность считалась отдельно).

Проведен анализ голоса человека в состоянии покоя и при воздействии гипергравитационной нагрузки (рис. 4). При вибрационной стимуляции и в состоянии покоя одни и те же дикторы произносили одни и те же фразы с одной и той же высотой звука. Установлено, что спектры сигналов, записанных при воздействии нагрузки, отличаются от спектров сигналов, записанных в состоянии покоя, большей энергией гармоник и наличием дополнительных пиков на частоте стимуляции, при этом форма спектра в целом сохраняется. Таким образом, анализ сигнала в спектральной области при заранее известной частоте стимуляции можно проводить с помощью тех же алгоритмов, что и в состоянии покоя.

a

50

E, дБ

E, дБ 50

40

30

20

10

0 200 400 600 800 1000 1200 1400 1600 1800 F, Гц 0 200 400 600 800 1000 1200 1400 1600 1800 К Гц

Рис. 4. Спектр сигнала (слог "ней", женский голос): а — в состоянии покоя; б — при гипергравитационной стимуляции

Заключение. При использовании гипергравитационных тренажеров в таких областях, как спорт и вокальное искусство, возникает ряд интересных задач, связанных с разработкой эффективных алгоритмов для обработки сигналов и построением автоматизированных обучающих систем. С одной стороны, использование разрабатываемых алгоритмов для обработки сигналов имеет большие перспективы в указанных областях, что во многом вызвано недостатком высококвалифицированных специалистов — тренеров соответствующего профиля. С другой стороны, влияние таких тренировок на человеческий организм изучено недостаточно. Указанные факторы обусловливают необходимость разработки специализированного программного инструментария для проведения наряду с теоретическим анализом экспериментальных исследований. Это позволит решать задачи, возникающие на стыке физиологии, цифровой обработки сигналов и ряда других дисциплин. Специфика таких задач выдвигает серьезные требования к программному обеспечению, работающему в режиме реального времени.

Список литературы

1. ROELANTS C. M., Verschüeren S. Strength increase after whole-body vibration compared with resistance training // Med. Sci. Sports Exerc. 2003. V. 35, N 6. P. 1033-1041.

2. Пятин В. Ф., Широллпов И. В. Однократная вибрационная нагрузка значительно увеличивает скорость экспираторного воздушного потока у человека // Вестн. ТГУ. Сер. Биология и экология. 2009. № 1. С. 38-42.

3. Алябушев А. А., Куликов А. И., Филоненко А. Б. Программно-аппаратный комплекс "Виртуальный тренер" // Материалы рабочего семинара "Наукоемкое программное обеспечение", Новосибирск, 15-19 июня 2009 г. Новосибирск: Сиб. науч. изд-во, 2009. С. 10-15.

4. Koch V. M. A factor graph approach to model-based signal separation. Konstanz: Hartung-Gorre Verlag, 2007. 305 p.

5. Жаринов О. О., Кулин А. Н., КулыгинА Л. А., Орлов А. П. Съем и обработка биоэлектрических сигналов: Учеб. пособие / Под ред. К. В. Зайченко. СПб.: СПбГУ АП, 2001. 140 c.

6. Сахаров В. Л. Методы математической обработки электроэнцефалограмм: Учеб. пособие / В. Л. Сахаров, А. С. Андреенко. Таганрог: Антон, 2000. 44 с.

7. Аграновский А. В., Леднов Д. А., Репалов С. А. Метод текстонезависимой идентификации дикторов на основе индивидуальности произношения гласных звуков // Акустика речи и прикладная лингвистика: Ежегодник Рос. акуст. о-ва. 2002. Вып. 3. С. 103-115.

8. Сорокин В. Н., Цыплихин А. И. Сегментация и распознавание гласных // Информ. процессы. 2004. Т. 4, № 2. С. 202-220.

9. Оппенгейм А. Цифровая обработка сигналов / А. Оппенгейм, Р. Шафер. М.: Техносфера, 2006. 856 с.

10. Алявушев А. А., Карпушин М. А., Кузьмин А. В. и др. Сравнительный анализ голосовых данных человека при импульсном гипергравитационном воздействии и в покое // 8-я Между-нар. Ершовская конф. по информатике: Тр. НПО 2011, Рабочий семинар "Наукоемкое программное обеспечение", Новосибирск, 27 июня — 1 июля 2011 г. Новосибирск: Ин-т систем информатики, 2011. С. 19-24.

Алябушев Александр Александрович — инженер Института вычислительной математики и математической геофизики СО РАН; тел. (383)330-60-46; e-mail: al_der@ngs.ru;

Карпушин Максим Анатольевич — магистрант Новосибирского государственного

университета; e-mail: homeplaner@yandex.ru;

Куликов Александр Иванович — зав. лабораторией Высшего колледжа информатики Новосибирского государственного университета;

тел.: (383) 330-60-46; e-mail: kulikov@nmsf.sscc.ru;

Левин Сергей Григорьевич — ст. инженер-электроник ООО "Сигнатек";

тел. (383) 363-03-83; e-mail: levin@signatec.ru, regool2@yandex.ru

Дата поступления — 16.09.11 г.

i Надоели баннеры? Вы всегда можете отключить рекламу.