文摘

为了构建一个智能平台,可以应用于唱歌和神经系统调整,本文优化定位和信息处理算法的无线传感器网络感知。此外,本文结合双目视觉意识到歌手的实时定位,结合了歌手的情感识别和智能传感器系统,并结合情感识别与神经系统的调节,这样的歌手就可以更好地控制智能平台。此外,为了解决多传感器信息融合的问题,本文改进了传感器融合算法,使其适合视觉传感器的信息融合和信息的传感器。最后,本文设计了系统的功能结构,通过无线传感器网络传输数据,模拟人类的情感模型,研究歌唱的过程和神经系统的调整。从实验研究的结果可以看出,本文提出的方法具有一定的效果。

1。介绍

唱歌的过程不仅是一个直言不讳的过程,也是一个情感传播过程,人们的情绪主要是由神经系统控制的。因此,为了提高歌唱的影响,有必要提高歌唱的调节和神经系统而歌唱,以提高唱歌和情感之间的有效的监管和控制1]。

在声乐学习和歌唱,只有通过正确的演奏乐器“声音”歌手可以正确的声音。然而,由于声音的特殊属性,歌手不能直观地操作仪器的“声音”。他们只能通过各种内部情感体验自己的歌唱运动状态和调整他们的歌唱行为活动时间,使一个好和高品质的声音2]。这使得唱复杂和难以控制。当一个歌手唱的,一方面,大脑和神经系统直接歌手的生理器官的协调运动;另一方面,他们也派遣内部心理活动做出正确的反应,以便与歌手的生理身体互动,共同协助的声音。行为活动的组合歌手唱歌的身体生理和心理学。这个过程不仅使各器官的歌唱生理学在积极的运动状态,而且正确地指导歌手的心理学,这使得杰克逊的身体生理机能的有效运动和配合歌唱心理学进行艺术实践。可以看出,在声乐学习和歌唱,只有有效地把握歌手的身体生理和心理的结合才能有效地开展声乐艺术活动。此外,我们还可以重现声乐作品的内涵和艺术情节和发出声音,观众让观众的内部心理与歌曲的情感表达一致,从而感染观众,让他们确认这位歌手的艺术行为3]。

歌手的身体生理的基础不仅唱歌,而且还唱的产生和发展的基础心理活动。在声乐的学习和演唱,歌手的生理功能的综合训练也是歌手的声乐实践的基础。歌手的生理技能的训练是歌唱的基础。在声乐学习的早期阶段,因为歌唱的生理器官身体没有系统和科学训练,唱歌会有一些问题,如破碎的声音,声音沙哑,喉部肌肉组织的张力,浅呼吸,无法合理开放和应用共振腔。这些问题是由于歌手的心理学不能合理调节身体的协调运动的生理器官和肌肉组织培训。

基于上述分析,本文将无线传感器网络应用于唱歌和神经系统的规定,通过无线传感器网络、数据传送和模拟人类的情感模型,研究歌唱和神经系统的调节过程。

2。相关工作

传感器网络的目的是感知、收集和传送相关数据信息监控对象的监控区域,处理信息,最后为用户提供加工数据(4]。典型的WSN网络系统由传感器节点、汇聚节点,交通网络和监控中心。大量的传感器节点随机部署在监测区域或附近,能够通过自组织形成一个网络。传感器节点监测的数据传输通过传输网络。信息在传输过程中,数据可能被多个节点处理和路由到水槽节点经过多次啤酒花(5]。

数据聚合是无线传感器网络的一个重要研究问题(6]。数据聚合研究,基于能量平衡考虑的算法或算法在多个基站或算法的单基站或实时算法在路由层,文献[7]证明减少延迟的数据聚合问题是NP困难的。他们还设计了一个数据聚合算法近似系数Δ1 (Δ度最大的节点)。文献[8]研究最优转发时刻问题作为政策决策过程模型的节点来确定传感器的最优决策。在[9),一个算法设计有延迟绑定 。相信每个节点可以了解最近的邻居,而且有一种特殊的碰撞检测功能,虽然这种情况不能总是保证网络是正常的。数据聚合模型研究文献[10)是基于树结构。文献[11)提出了一个调度算法基于最大独立集,延迟绑定的 。他们主要能量集中在一个特殊的场景。

文献[12)提出了肯算法,它使用两个动态概率模型;一个水槽节点上运行(水槽节点),和其他网络中的每个节点上运行,通过这两个模型小损失精度的前提下,一个模型来尽可能减少传输的数据量。文献[13)提出了ALVQ算法,它使用历史数据构建一个密码来探索的内在特征数据,然后使用这个密码分段线性压缩其他数据以减少传输的数据量。文献[14)提出了一种分段线性逼近算法,它使用直线近似当前但未压缩的数据点的情况下给定的误差范围,直到一个新的数据点使这个极限被打破。同样,从这个新的数据点,使用一个新的直线近似随后到来的观点。文献[15提出EAQ算法,首先将原始时间序列转换成一个特殊的时间序列描述MVA(多版本数组)。MVA使用这个前缀,原始时间序列的近似版本有一定误差可以恢复。随着前缀的增加,误差逐渐减小。实现变量的时间序列近似误差。此外,研究人员还提出了数据压缩算法利用离散傅里叶变换(16),离散余弦变换(17)和离散小波变换(18),这些都是基于时间序列的时间相关算法。但其计算复杂度高,所以不适合传感器网络。

3所示。总体框架的多传感器融合定位基于图优化的歌声

图优化方法处理优化问题。变量之间的变量和约束方程具体解决的优化问题表示为节点和边在一个无向图,和变量优化迭代计算通过梯度下降法等方法。定位算法框架提出了在这一节中使用的概念图优化转换的运动和传感器观测量在某段的歌手的轨迹图中约束和变量优化和迭代计算最佳歌手的姿势。

歌手的运动模型和查看模型通常是建模为非线性方程,高斯噪声(19]:

是系统状态向量计算主要的时候,观察矢量传感器的时间吗 ,和是系统运动方程映射系统状态向量的时间吗时间 。 系统控制变量输入时间吗 ,和是系统观测方程映射系统的状态观测空间的时间吗 。 和是运动系统的噪声和观测噪声,高斯白噪声的方差吗和 ,分别为,和是信号矩阵的运动噪声和观测噪声的信息矩阵,分别。这个状态向量可以计算通过求解最小二乘优化问题如下:

和剩余的表情运动方程和观测方程,分别,这通常可以用高斯牛顿法近似。因为它是一个非线性方程,需要通过泰勒展开线性化,每个迭代的更新量的表达

其中,误差协方差矩阵的状态。是李代数运算符。通过扩大上述公式的表达获得(20.]。

通过叠加这个数量的变化对状态量在前一刻,更新状态下一刻可以获得。

定位问题,上述优化问题的状态方程可能包括姿势、岩石圈点,和参数。姿势通常是由SE3歧管,地图是由其欧氏坐标。运动模型与歌手的运动传感器,和观测模型与歌手的感觉传感器。运动模型约束的两个歌手在不同的时间,并观察模型约束美国歌手和地图上的点。因此,上述优化模型可以表示为一个无向图如图1。

一般的定位框架是用于描述特定的定位问题,这将极大地有助于后续系统可观测性分析和系统矩阵分解。原因是这里的无向图通常是类似于系统的稀疏矩阵的空间结构,便于系统的分析。同时,也有助于实现图形表示算法,因为很多算法在计算机领域的实现是基于图形表示。

针对双目相机和IMU,结合了基于视觉定位算法,基于binocular-IMU融合视觉定位系统的设计和实现。视觉里程估计是由从双目图像中提取特征点,结合IMU preintegration。进行紧密耦合优化实现高精度和高稳定性的视觉定位。这种方法使用的高频率和高动态乌兹别克斯坦伊斯兰运动改善了基于视觉定位算法的准确性和鲁棒性,保证计算效率。实验表明,即使在高速运动和undertextured场景,该方法仍然可以估计歌手的运动稳定和准确。

系统的结构框图如图所示2。首先,视觉惯性注册算法介绍,然后,IMU preintegration和双目视觉信息是紧密耦合和优化使用融合算法框架基于图的优化。最后,通过实验验证了此算法的性能。

IMU preintegration,姿势之间的相对约束可以获得一段时间了。然而,IMU preintegration IMU局部坐标系中计算,需要融合的结果计算视觉坐标系统。视觉定位算法,世界坐标系统通常选择第一帧相机坐标系统,和重力加速度测量的IMU在乌兹别克斯坦伊斯兰运动坐标系。多传感器融合算法,只有一个可以选择坐标系为导航坐标系。本文选择相机坐标系为导航坐标系和世界坐标系是第一帧的摄像机坐标系统。在这种假设下,在一段时间内从一开始的双目视觉和IMU融合定位算法提出了本文需要初始化视觉定位算法获取相机轨迹和构建环境地图在此期间,和相应的。乌兹别克斯坦伊斯兰运动preintegration计算相邻关键帧调整重力IMU视觉坐标系坐标系统。这个过程称为视觉惯性登记。

与单眼相机,双目相机可以获得下左边和右边的图像同时每次样品和可以直接恢复特征点深度通过双目匹配算法。双目的第一帧图像后,最初的视觉特性映射可以通过双目匹配的构造,并通过这张地图和随后的双目图像、PnP型算法计算姿态跟踪执行结果。具体步骤如图所示3。

3.1。特征提取

对双目图像,ORB特征点提取,以确保1000 - 1500可以从图像中提取特征点。为了使提取的特征点均匀分布在图像,本文将图像划分为网格的大小相同。特征点提取的数量在每个网格是大致相同的,以确保足够的可以在每幅图像中提取特征点区域。

3.2。三维重建

双目视觉方法可以重建视觉特性图从左和右摄像机图像在同一时间。最常用的是模块匹配算法,称为BM算法。需要对双目图像预处理的双目定位算法。这一步后,相同的像素块左右图像中相同的高度。然后,当执行BM算法,寻找一个像素在左图像中的相应像素块正确的图像可以简单地搜索一个像素相同的高度,从而大大提高了搜索效率。然而,由于双目对齐算法不能完全左右对齐图像,搜索时,我们不仅可以搜索某个像素的图像,但还应该寻找某些像素及其周边地区来提高搜索的准确性。正确的匹配点对后获得的BM算法,特征点的深度恢复可以通过双目立体视觉进行。双眼深度恢复的原理图如图4。计算深度 - - - - - -方向的坐标点 ,可以解决通过求解三角形构造图。

3.3。提出解决方案

通过双眼深度恢复,可以重建一个特征点地图。一些点在这张地图上可以观察到通过当前图像和相关特征匹配。计算当前图像的姿势的方法通过之间的关联映射点在三维空间和图像上的像素被称为PnP型算法(角度n点)。如图5地图点获得的双眼恢复时间是一个小的蓝色的圆图中。这些时间点观察到的图像地图 ,也就是说,地图连接到图像的时间点紫色的线。这些地图点预计回到图像在时间和相关的特征点在图像特征匹配。为了计算 ,我们在时间设置投影矩阵来(21]。

是相机的内部参数矩阵。一定的地图的坐标点的空间相机坐标系表示为 ;然后,像素坐标的在相机的时间可以通过计算如下:

相应的可以通过解决解决上述投影方程。总共有6个自由度 ,和每个投影点可以提供两个线性方程,也就是说,从理论上讲,有三个投影点对来计算相对运动 。然而,由于不匹配等因素在地图上点和特征点的匹配过程,我们不能正确地计算出准确的相对运动通过选择只有三个投影点对在实践中,但需要大量的抽样。因此,本文使用一个优化的方法来计算结果最接近真实价值。

除了以上三个模块,关键帧也选择在视觉前端。本文提出了以下两个标准选择关键帧。首先是计算当前帧与前一帧之间的平均差异。如果平均差距超过某个阈值时,认为当前帧应该选为一个关键帧。差距是通过计算坐标像素匹配特征点之间的差异当前帧与前一帧。值得注意的是,不仅翻译会产生视差,而且旋转。然而,很难重建视觉特性在纯旋转。为了避免这种情况,本文将陀螺仪信号在很短的时间内,分离的计算视差,从而忽略旋转视觉重建的影响。第二个是考虑造成的质量跟踪。如果获得的点的数量匹配当前帧与前一帧小于某个阈值,选择当前帧作为关键帧。 This criterion can greatly reduce the probability of pose tracking failure.

关键帧之间的相对姿态是通过IMU preintegration,和相对姿态的关键帧是通过视觉获得的前端。因为坐标系统是不同的,注册需要一种松耦合的方式来进行,这主要是IMU的重力坐标系统转换为视觉坐标系统。图6是一个原理图的视觉惯性登记。

通过视觉前端和IMU preintegration,可以独立计算摄像机的运动轨迹和乌兹别克斯坦伊斯兰运动的运动坐标系统在一段时间内。自旋转得到的preintegration陀螺仪与重力无关,我们可以先preintegrate陀螺仪获取测量偏移和比较它与旋转得到的摄像机运动估计来估计陀螺仪抵消。两个相邻关键帧估计的旋转视觉和 ,和乌兹别克斯坦伊斯兰运动坐标系的旋转可以通过摄像机的外部参数和IMU和 。与IMU preintegration的结果相比,有一个关系(22]:

陀螺仪偏见包含在 ,所以优化目标方程可以获得。

通过迭代优化目标方程,陀螺仪的偏见在注册阶段能够解决。

重力加速度是乌兹别克斯坦伊斯兰运动的加速度测量耦合。为了注册重力加速度与视觉坐标系统,它是将翻译组件相关联视觉运动估计的速度和位置测量的IMU preintegration。视觉坐标系的位置之间的关系和乌兹别克斯坦伊斯兰运动坐标系的位置如下:

为了将重力加速度转换成视觉坐标系统 ,乌兹别克斯坦伊斯兰运动preintegration来 修改如下:

视觉运动估计和IMU preintegration集成得到线性观测方程:

其中, 是要优化的变量,包括 , ,和 ,和 如下:

通过求解线性方程组, 可以计算得到。

在多传感器融合问题,通常有两种融合方法,即松散耦合和紧密耦合。松散耦合意味着每个传感器在多传感器系统中使用自己的信息来执行计算,然后融合结果计算了每个传感器。紧耦合意味着算法直接集成各个传感器获得的信息没有预处理的信息进行处理。可以看出,在松散耦合优化方法,每个传感器都是相互独立的,相互不能限制。紧密耦合是直接统一每个传感器的原始数据进行处理,传感器信息是相互耦合的获得一个更好的估计效果。在大多数应用程序的多传感器融合算法,采用紧耦合优化方法。

所谓的紧密耦合优化实际上是添加IMU preintegration和视觉观察和镜头对被优化为部分窗口优化。在这部分窗口中,变量优化如下:

其中,系统状态的吗 - - - - - -th捕捉镜头,包括位置乌兹别克斯坦伊斯兰运动的坐标系相对于世界坐标系统,速度和旋转相对于世界坐标系,偏移量 在乌兹别克斯坦伊斯兰运动测量。选择这里,乌兹别克斯坦伊斯兰运动坐标系为导航坐标系,计算构成是通过外部参数更新为相机坐标系之间的IMU和相机。

图7是部分的原理图窗口优化在一段时间。蓝色蓝色矩形和梯形的组合是相机,蓝色矩形是乌兹别克斯坦伊斯兰运动,黑线连接外部参数。红色的五角星是可视映射点,和相机之间的虚线可视映射点表明相机观察地图点。图7原理图的地图优化部分对应窗口如图8和地图点都总结了蓝色的椭圆。黄色的圆圈代表国家数量是估计的,乌兹别克斯坦伊斯兰运动的姿势,乌兹别克斯坦伊斯兰运动的速度,由乌兹别克斯坦伊斯兰运动部分的质量测量。方块代表约束和蓝色方块reprojection误差的约束视觉特征之间的映射点和相机。绿色广场是IMU preintegration约束,和之间的关系状态估计和约束条件是由一层薄薄的黑色线表示。例如,蓝色方块连接和地图。

上述优化问题由图优化如下:

图中的绿色广场的preintegration约束 ,蓝色方块是reprojection误差约束 。当 - - - - - -地图点 - - - - - -th相机,投影误差 它们之间定义如下:

其中,代表了特征点匹配的像素坐标 - - - - - -th点映射到图像代表了投影变换,哪些项目在视觉坐标系到形象。是一个函数的错误模式检测。内部错误超过一定的阈值时,这个错误的重量的优化是降低减少影响最终的评估结果。reprojection错误的信息矩阵,与投影的误差模型。误差越大,越小的信息价值。转换带来的乌兹别克斯坦伊斯兰运动坐标系和摄像机IMU外部参数 。对IMU preintegration约束 ,有

其中,信息矩阵preintegration,部分质量的信息矩阵。上面的图优化结构,构造一个优化解算器,如高斯牛顿解决或LM的能手。因此,设计提出了在局部窗口的数量在这一节中是有限的,这考虑了算法的计算效率和精度。

4所示。唱歌和神经系统监管基于感知的无线传感器网络

本文构造了一个精神情感识别系统时唱歌,情感识别的神经系统直接相关。数据收集和传输系统的摘要是通过无线传感器网络感知系统实现的。摘要系统构造图所示9。

在构建系统平台,如图9评估该系统的性能,通过实验研究,研究该系统的可靠性。本文从大学声乐专业选择50名志愿者与听力正常和健康作为实验对象。之前的实验中,受试者没有采取任何药物都可能影响脑电图,不喝酒。同时,为了确保良好的导电性与头皮之间的电极帽和提高信噪比,所有受试者被要求洗头发和干燥的头发在实验开始之前。此外,本文同时使用一个传感器网络来识别和定位50实验对象同时计算这个平台的有效性。实验结果如表所示1和图10。

从上面的研究结果,可以看出唱歌和神经系统监管平台基于本文构建的无线传感器网络感知有一定的影响,以及系统构建本文可以继续实验研究在后续实践探索它的实际效果。

5。结论

唱歌是表现人类的感知外部世界或自己的情绪。歌唱的内容和情感通过声音和肢体语言表达。这是离不开歌手的情感动员和协调身体的生理机能。此外,歌手的物理运动的身体是否正确与否直接影响质量的歌手的声音和歌唱心理学的表达。因此,正确的歌唱的生理运动离不开正确的歌唱心理活动的指导和监管。歌唱生理学主要由生理结构的声音,呼吸系统,共振系统,语言系统,和其他元素。他们影响和限制了学习声乐的教学和实践活动。只有各种歌唱生理器官的协调运动和部分可以产生美丽的歌声。然而,声音是分不开的的生产调度和控制的歌手的心理活动,和正确的指导的歌唱心理活动可能导致正确的人体的生理活动。本文使用无线传感器网络应用程序规范唱歌和神经系统,使用无线传感器网络进行数据传输,模拟了人类情感模型来研究歌唱和神经系统的调节。 Through experimental research, it can be known that the singing and nervous system regulation platform based on wireless sensor network perception built in this paper has certain effects.

数据可用性

标签数据集用于支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

这项研究是由贵州师范大学。