44、触觉反馈表面上丰富音乐交互及声音感知评估新方法

触觉反馈表面上丰富音乐交互及声音感知评估新方法

1. 触觉反馈表面音乐交互实验

在研究触觉反馈对音乐交互的影响实验中,所有参与者都使用了主动降噪耳机(Panasonic RP - DJS200,日本),以防止触觉平板电脑产生的微小噪音对他们的演奏产生影响。

1.1 设计
  • 声音生成 :使用 Pure Data 进行基本的 FM 合成,仅用两个振荡器生成听觉信号。在 FM 合成中,简单波形的音色通过在音频范围内调制其频率而改变,形成更复杂的波形和不同的音调。这里有两个正弦波,即调制波和载波,调制波改变载波的频率。
  • 通信协议 :PC(生成 FM 合成)与触觉反馈平板电脑之间使用 OpenSoundControl 协议进行通信。
  • 信号关系 :在 E - ViTa 触觉反馈平板电脑中,生成的触觉反馈(具有特定的空间频率和幅度)始终与用户的手指速度成正比。存在一个线性传递函数,即声音信号频率(Hz)=触觉信号空间频率(µm)×手指速度(mm/s)。
  • 映射关系 :声音的音量映射到手势速度,即用户手指在表面上移动的速度;声音的音高映射到平板电脑的 Y 轴。定义了三种不同的听觉和触觉信号映射:
    | 映射类型 | 触觉信号关联 | 对应类别 | 说明 |
    | ---- | ---- | ---- | ---- |
    | 映射 1 | 与产生声音的共振相关,即声音消失所需的时间,共振越多,摩擦力越小,此参数在用户手势停止时才能听到,共振
【电能质量扰动】基于ML和DWT的电能质量扰动分类方法研究(Matlab实现)内容概要:本文研究了一种基于机器学习(ML)和离散小波变换(DWT)的电能质量扰动分类方法,并提供了Matlab实现方案。首先利用DWT对电能质量信号进行多尺度分解,提取信号的时频域特征,有效捕捉电压暂降、暂升、中断、谐波、闪变等常见扰动的关键信息;随后结合机器学习分类器(如SVM、BP神经网络等)对提取的特征进行训练与分类,实现对不同类型扰动的自动识别与准确区分。该方法充分发挥DWT在信号去噪与特征提取方面的优势,结合ML强大的模式识别能力,提升了分类精度与鲁棒性,具有较强的实用价值。; 适合人群:电气工程、自动化、电力系统及其自动化等相关专业的研究生、科研人员及从事电能质量监测与分析的工程技术人员;具备一定的信号处理基础和Matlab编程能力者更佳。; 使用场景及目标:①应用于智能电网中的电能质量在线监测系统,实现扰动类型的自动识别;②作为高校或科研机构在信号处理、模式识别、电力系统分析等课程的教学案例或科研实验平台;③目标是提高电能质量扰动分类的准确性与效率,为后续的电能治理与设备保护提供决策依据。; 阅读建议:建议读者结合Matlab代码深入理解DWT的实现过程与特征提取步骤,重点关注小波基选择、分解层数设定及特征向量构造对分类性能的影响,并尝试对比不同机器学习模型的分类效果,以全面掌握该方法的核心技术要点。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值