Введение 4
1. Постановка задачи 5
2. Входные данные 6
3. Существующие решения и подходы 7
4. Описание методики проведения экспериментов 8
4.1. Предварительная подготовка данных 8
4.2. Выделение особенностей 10
5. Результаты эксперимента 15
6. Анализ полученных данных 16
6.1. Анализ средних значений 16
6.2. Анализ изменений по мере прослушивания 17
Заключение 19
Список литературы 20
Приложения 22
Музыка имеет особое психологическое влияние на нас. Она в силах изменять настроение, помогать сконцентрироваться, в ней даже можно найти облегчение в периоды стресса. Религиозные обряды всех времен также использовали свою музыку. Музыка способна поменять наш образ жизни, наши привычки, взгляд на мир. С помощью своих произведений, музыканты выражают себя, передавая свои идеи и чувства слушателям так, как не смогли бы передать словами. Учитывая сказанное, ее психологическое влияние нельзя недооценивать. Но тогда возникает вопрос о существовании физиологического влияния и меняется ли оно в зависимости от музыки. Можем ли мы рассчитывать на помощь музыки не только на психологическом уровне, но и на физическом? Поиск ответа на данный вопрос будет производиться в данной работе.
Был написан скрипт на Matlab, получающий на вход данные ЭКГ. Используя подход, описанный в разделе 4, скрипт обрабатывает полученные данные, трансформирует их, и находит значения величин, указанных на Рис. 2, среди которых присутствуют величины, поиск которых не производился в предыдущих работах. На выходе, для каждой из величин, скрипт создает текстовый файл с массивом ее значений в каждом из сердечных циклов, обнаруженных в исходных данных. Также предоставляется возможность представить полученные данные в графическом виде. Далее, полученные данные были проанализированы на зависимость от прослушиваемой музыки. Получена зависимость средних значений этих особенностей от самого факта прослушивания. Наибольшие изменения произошли с шириной Т, шириной Р и c QT Interval. Максимальная устойчивость влияния/не влияния у классики - высота Р, у марша - ЧСС, у Металлики - ST Segment.
[1] Behrad Alireza, Faez Karim. New method for QRS-wave recognition in ECG using MART neural network // Intelligent Information Systems Conference, The Seventh Australian and New Zealand 2001 / IEEE. — 2001. —P. 291-296.
[2] George H. Zimny Edward W. Weidenfeller. Effects of Music upon GSR and Heart-Rate // The American Journal of Psychology.— 1963.— Vol. 76, no. 2. — P. 311-314. — URL: http://www.jstor.org/stable/1419170.
[3] Gupta Ankit, Bhandari Sulata. ECG Noise Reduction by Different Filters: A Comparative Analysis // IJRCCT. — 2015. — Vol. 4, no. 7. — P. 424-431.
[4] Islam Md Saiful, Alajlan Naif. Augmented-Hilbert transform for detecting peaks of a Finger-ECG signal // Biomedical Engineering and Sciences (IECBES), 2014 IEEE Conference on / IEEE. — 2014. — P. 864-867.
[5] Iwanaga Makoto, Moroki Youko. Subjective and physiological responses to music stimuli controlled over activity and preference // Journal of Music Therapy. — 1999. — Vol. 36, no. 1. — P. 26-38.
[6] Jagtap Sonal K, Uplane MD. The impact of digital filtering to ECG analysis: Butterworth filter application // Communication, Information & Computing Technology (ICCICT), 2012 International Conference on / IEEE. — 2012. — P. 1-6.
[7] Krumhansl Carol L. An exploratory study of musical emotions and psychophysiology. // Canadian Journal of Experimental Psychology/Revue canadienne de psychologie experimentale.—
1997. — Vol. 51, no. 4. — P. 336.
[8] Mukhopadhyay SK, Mitra M, Mitra S. Time plane ECG feature extraction using Hilbert transform, variable threshold and slope reversal approach // Communication and Industrial Application (ICCIA), 2011 International Conference on / IEEE.— 2011. — P. 1-4.
[9] Tarmizi Izzah Amani, Hassan Syed Sahal Nazli Alhady Syed, Ibrahim Wan Pauzi Wan. A journal of real peak recognition of electrocardiogram (ECG) signals using neural network // Digital Information and Communication Technology and it’s Applications (DICTAP), 2012 Second International Conference on / IEEE.—
2012. — P. 504-509.
[10] Trahanias Panagiotis, Skordalakis Emmanuel. Syntactic pattern recognition of the ECG // Pattern Analysis and Machine Intelligence, IEEE Transactions on. — 1990. — Vol. 12, no. 7. — P. 648-657.
[11] An approach to cardiac arrhythmia analysis using hidden Markov models / Douglas A Coast, Richard M Stern, Gerald G Cano, Stanley A Briller // Biomedical Engineering, IEEE Transactions on. — 1990. - Vol. 37, no. 9. - P. 826-836.
[12] A derivative-based approach for QT-segment feature extraction in digitized ECG record / R Gupta, M Mitra, K Mondal, S Bhowmick // Emerging Applications of Information Technology (EAIT), 2011 Second International Conference on / IEEE. — 2011. — P. 63-66.
[13] A study on the effects of EEG and ECG signals while listening to Qur’an recitation / Taha Al-Shaikhli, Imad Fakhri, Sabaa Ahmed Yahya et al. // Information and Communication Technology for The Muslim World (ICT4M), 2014 The 5th International Conference on / IEEE. — 2014. — P. 1-6.