利用增长变换动力系统进行时空数据可听化
声音
2021-08-24 v1 人机交互
机器学习
摘要
可听化(sonification)，即在有意义的音频特征中编码信息，在增强或替代传统可视化方法以辅助人在环决策方面具有若干优势。文献中报道的标准可听化方法要么(i)仅使用部分变量，要么(ii)先对数据求解学习任务再将输出映射为音频波形，由终端用户据此决策。本文提出一种利用复杂增长变换动力系统模型对高维数据进行可听化的新框架，其中学习(或更一般地，优化)与可听化过程被集成在一起。我们的算法以学习和预测任务背后的数据与优化参数作为输入，并与用户定义的心理声学参数相结合。结果表明，所提框架输出的双耳音频特征不仅编码了高维数据的某些统计特性，还揭示了优化/学习过程的潜在复杂性。除使用合成数据集的广泛实验外，我们还在脑电图(EEG)数据的可听化上展示了该框架，并具有检测儿科患者癫痫发作的潜力。
引用
@article{arxiv.2108.09537,
title = {Using growth transform dynamical systems for spatio-temporal data sonification},
author = {Oindrila Chatterjee and Shantanu Chakrabartty},
journal= {arXiv preprint arXiv:2108.09537},
year = {2021}
}
备注
This article was submitted to PLoS One in March, 2021 and is currently under peer review