Материалом послужили университетские соревнования по баскетболу среди мужчин и женщин, а позже результаты были проверены на футбольных и волейбольных матчах. Игра была разбита на интервалы длиной полсекунды, и в каждом интервале был проанализирован частотный спектр фонового шума, его интенсивность и изменение на протяжении интервала. Из этих данных исследователи выделили 512 акустических параметров. Таким образом, каждый полусекундный эпизод игры можно было охарактеризовать точкой в 512-мерном пространстве — а также сторонней информацией о том, что на самом деле происходило в этот момент игры.
Согласно объяснениям руководителя проекта профессора Кента Джи, если у вас есть набор точек на плоскости, вы можете проанализировать их расположение и увидеть, к примеру, что они образуют три отдельных скопления. Для подобного анализа в 512-мерном пространстве необходим компьютер, однако суть задачи такая же: проанализировать расположение точек (то есть событий игры и соответствующего им шума трибун) в этом пространстве и выявить его особенности.
На первом этапе работы исследователи выявили несколько ясно различимых кластеров. Они соответствовали следующим состояниям толпы: болельщики выражают энтузиазм во время атаки; поют; радуются; выражают недовольство; затихают в отсутствие важных событий на площадке; прислушиваются к объявлениям из динамиков. Однако внутри каждого кластера можно провести более детальный анализ, идентифицировав настроение трибун гораздо точнее.
Каков практический смысл подобного исследования? Разумеется, задача восстановления событий матча по шуму трибун, — хотя она и может время от времени возникнуть перед болельщиком, отлучившимся от телевизора, чтобы заварить чаю, — широкого научно-практического интереса не представляет. Значительно заманчивее научиться анализировать и предсказывать настроение самой толпы болельщиков. В частности, по словам исследователей, алгоритм позволяет отслеживать нарастание негативных эмоций и предсказывать начало массовых беспорядков на стадионе или оценивать вероятность хулиганских инцидентов. Внедрение подобной техники способно сильно облегчить работу полиции во время спортивных соревнований и в конечном счете способствовать обеспечению безопасности людей. Однако область применения «акустического» метода анализа настроений толпы не ограничивается спортом: разработанный метод машинного обучения можно применять для анализа шумов, производимых любыми большими сборищами людей, от массовых политических манифестаций до толпы покупателей в шопинг-молле. Алгоритм исследователей из Юты позволяет заблаговременно прогнозировать опасные ситуации, вроде наступления паники при звуках пожарной тревоги, и принимать соответствующие меры.
