Что такое инфракрасный или радиочастотный триггер?
Одним из лучших аспектов создания нестандартной стереосистемы является полный контроль над выбором компонентов, а также радость от их соединения. Но типичным незначительным недостатком владения несколькими подключенными устройствами является небольшая коллекция пультов дистанционного управления. Множество беспроводных пультов не только может показаться пугающим для тех, кто не знаком с вашими настройками, но и пролистывание каждого из них для включения питания может убить магию величественной аудиосистемы. Если вы когда-нибудь хотели, чтобы ваша музыка играла одним касанием или двумя, триггер мог бы сработать.
Определение
Триггер – это устройство, которое облегчает одновременное включение/выключение нескольких компонентов в большей стереосистеме или системе домашнего кинотеатра. Например, триггер можно использовать для автоматического включения проектора, ресивера/усилителя, аудио-видео процессора, телевизионных колонок или других устройств, когда было активировано одно устройство. Триггерные соединения между компонентами могут быть проводными и/или беспроводными через ИК (инфракрасный) или РЧ (радиочастотный) сигналы, излучаемые пультами дистанционного управления.
Произношение: тригонометрические • эр
Пример . Если установлено триггерное соединение, можно включить или выключить телевизионную и кабельную телевизионную приставку при каждом включении или выключении ресивера.
Триггерные выходы можно найти в качестве встроенной функции на некоторых приемниках, предварительных усилителях и/или AV-процессорах. Триггерные входы обычно встроены в компоненты источника (например, CD/DVD/медиаплеер), видеодисплеи, усилители и некоторые другие типы продуктов в системе. Концепция заключается в том, что, когда устройство включено, либо вручную, либо через собственный пульт, оно посылает сигнал на каждый выход триггера. Устройства, подключенные к этим выходам, затем «просыпаются» из режима ожидания. Таким образом, все, что нужно, это один контроллер, чтобы включить всю систему, чтобы быть готовым к игре.
альтернативы
Если у ключевых компонентов отсутствует триггерный выход/ввод, есть несколько других способов достижения намеченной функциональности (особенно если в руководствах по продуктам производителя отсутствует документация для правильного выполнения одного из них). Комплекты триггеров могут соединять несколько компонентов и быть довольно простыми в настройке. Более простой вариант – использовать интеллектуальный удлинитель или сетевой фильтр с технологией автоматического переключения. Эти устройства имеют различные типы розеток: управление, всегда включено и автоматически включается. Когда оборудование, подключенное к разъему управления, включается/выключается, все подключенное к разъему переключателя также включается/выключается.
Последняя альтернатива использованию триггера IR или RF может быть немного более сложной в настройке, но гораздо более полной и полезной. Современные универсальные пульты дистанционного управления, такие как Logitech Harmony Elite и Harmony Pro, предназначены для обеспечения полного контроля практически над любым типом устройства с ИК-поддержкой. Это означает все, от смены станций, каналов, громкости, входов и многого другого. Пользователи могут не только создавать собственные команды, которые выполняются одним касанием, но и в этих системах часто имеется мобильное приложение, которое превращает смартфоны/планшеты в удобные универсальные пульты дистанционного управления.
Обнаружение триггерного слова
Одной из основных проблем в ASR (автоматическое распознавание речи) является шумоподавление и потребление энергии/ресурсов. Добавленный шум необходимо удалить при предварительной обработке аудиосигналов, шумоподавление применяется не только к голосу, но и к различным областям, например, в случае обработки изображений. Но, к сожалению, звуковые волны и системы ASR более восприимчивы к этим шумам, чем любая другая система. Следовательно, в первой части нашего проекта мы прошли часть шумоподавления. А в следующей половине нашего мини-проекта мы попытались решить вторую проблему потребления энергии / мощности, создав детектор звонка для пробуждения / триггерное слово. детектор. Здесь мы будем использовать наш движок ASR для работы только там, где на него есть спрос, то есть в качестве службы по запросу, например, в amazon alexa или Google Assistant. это приведет к экономии энергии и ресурсов, поскольку механизм ASR может находиться в спящем режиме до тех пор, пока он не потребуется.
Вот то, что я работал над созданием алгоритма обнаружения горячих слов или триггерных слов, например, с которым можно было бы ознакомиться в случае помощника Google, amazon alexa или samsung bixby. Здесь для целей нашего проекта я попытался продемонстрировать их работу, опираясь на таковые. Я использовал слово «активировать» в качестве ключевого слова. Чтобы воплотить это в жизнь, мы использовали модель на основе нейронной сети, которая использует GRU.
Для дальнейших приложений мы можем использовать триггерные слова, чтобы активировать систему для выполнения различных задач позже, таких как преобразование речи в текст и т. д.
1.2 Обзор литературы
Чтобы понять концепцию обнаружения слова-триггера, нам нужно визуализировать цель ASR (автоматическое распознавание речи). Идея иметь возможность выполнять распознавание речи любого говорящего в любой среде. Тенденция систем ASR к созданию интеллектуальных систем, которые могут обрабатывать разговорную речь так же хорошо, как люди. Итак, в случае человеческого взаимодействия, например, по телефону, у нас есть триггерное слово «Привет». Подобным образом необходимо создать триггер обнаружения слова на стороне машины.
До появления триггерных алгоритмов обнаружения слов устройства использовали Push-to-Talk — распознаватели речи, развернутые в режиме непрерывного прослушивания, постоянно отслеживали акустический ввод и не обязательно требовали неречевой активации.
Согласно недавним выводам, нам еще предстоит найти лучший метод для обнаружения триггерных слов.
Согласно (Këpuska & Klein, 2009), обнаружение слова-триггера имеет следующее уникальное требование: обнаруживать отдельное слово или фразу, произносимую в контексте предупреждения, при этом отбрасывая все другие слова, фразы, звуки, шумы и другие акустические события с практически 100 % точность, включая то же слово или фразу, сказанную в непредупредительном (т. е. референциальном) контексте (Këpuska, Carstens, & Wallace, 2006)(Këpuska V., 2006).
1.3 Отчет о настоящем расследовании:
2 Обнаружение слова-триггера
Работа здесь заключается в создании набора речевых данных и реализации алгоритма обнаружения слова-триггера (иногда также называемого обнаружением ключевого слова или обнаружением пробуждающего слова). Обнаружение слова-триггера — это технология, которая позволяет таким устройствам, как Amazon Alexa, Google Home, Apple Siri и Baidu DuerOS просыпаться, услышав определенное слово.
2.1 — Синтез данных: создание набора речевых данных
Нам нужно собрать данные/голосовые записи определенного ключевого слова, например, мы взяли здесь слово «активировать» в качестве нашего ключевого слова для справки. Чтобы получить совершенный алгоритм обнаружения,
данные должны быть достаточно избыточными, т.е. также должны быть такие функции, как записи, которые должны быть сделаны по-разному.
окружающие условия (библиотека, дом, офисы, открытые пространства). Таким образом, нам необходимо создавать записи
со смесью положительных слов («активировать») и отрицательных слов (случайные слова, кроме «активировать»)
на разных фоновых звуках. Из-за нехватки времени, а также нехватки ресурсов в период блокировки мы на данный момент и для демонстрационных целей позаимствовали набор данных.
2.2 — Визуализация аудиозаписей в спектрограммах
Первый вопрос, который возникает у нас в голове: что же такое аудиозапись? Итак, чтобы понять это, давайте сначала разберемся с работой микрофона. Как микрофон воспринимает звуковые волны. Как известно, звук создается возмущениями в воздухе, следовательно, это тип давления в воздухе/вибраций. Основная роль микрофона заключается в улавливании этих помех/вибраций с помощью
измерение перепада давления воздуха на барабанах микрофона. Здесь мы будем использовать аудио с частотой 44 100 Гц (или 44 100 Гц). Это означает, что микрофон выдает нам 44100 номеров в секунду. Таким образом, 10-секундный аудиоклип представлен 441 000 цифр (= 10 × 44 100). По этому «сырому» представлению звука довольно сложно понять, было ли сказано слово «активировать». Чтобы помочь вашей модели последовательности легче научиться обнаруживать триггерные слова, мы вычислим спектрограмму аудио. Спектрограмма говорит нам, сколько различных частот присутствует в аудиоклипе в определенный момент времени. Что такое спектрограмма? спектрограмма — это визуальное представление звуковой волны после применения преобразования Фурье. По сути, спектрограмма вычисляется путем скольжения окна по необработанному звуковому сигналу и вычисляет наиболее активные частоты в каждом окне с помощью преобразования Фурье.
На приведенном выше графике показано, насколько активна каждая частота (ось Y) в течение определенного количества временных шагов (ось X).
Рисунок 1: Спектрограмма аудиозаписи, где цвет показывает степень присутствия (громкости) различных частот в аудио в разные моменты времени. Зеленые квадраты означают, что определенная частота более активна или больше присутствует в аудиоклипе (громче); синие квадраты обозначают менее активные частоты. Размер выходной спектрограммы зависит от гиперпараметров программного обеспечения спектрограммы и длины входных данных. В этой записной книжке мы использовали 10-секундные аудиоклипы в качестве «стандартной длины» для наших обучающих примеров. Количество временных шагов спектрограммы было 5511. Позже мы увидим, что спектрограмма будет входом x в сеть, и поэтому Tx = 5511. Даже если длина нашего обучающего примера по умолчанию составляет 10 секунд, 10 секунд времени можно дискретизировать до разные числа значений. Для 10 секунд аудио ключевые значения, взятые здесь, следующие:
Каждое из этих представлений соответствует ровно 10 секундам времени. Просто они дискретизируют их в разной степени. Все это гиперпараметры, и их можно изменить (кроме 441000, который является функцией микрофона). Мы выбрали значения, которые находятся в пределах стандартных диапазонов, используемых для речевых систем. Рассмотрим число Ty = 1375 выше. Это означает, что для вывода модели мы дискретизируем 10 с на 1375 временных интервалов (каждый длиной 10/1375 ≈ 0,0072 с) и пытаемся предсказать для каждого из этих интервалов, закончил ли кто-то недавно говорить «активировать». Рассмотрим также число 10000 выше. Это соответствует дискретизации 10-секундного клипа на интервалы 10/10000 = 0,001 секунды. 0,001 секунды также называют 1 миллисекундой или 1 мс. Поэтому, когда мы говорим, что дискретизируем по интервалам в 1 мс, это означает, что мы используем 10 000 шагов.
2.3 — Генерация одного обучающего примера
Поскольку речевые данные трудно получить и пометить, здесь мы синтезировали обучающие данные, используя аудиоклипы активаций, негативов и фона. Довольно медленно записывать множество 10-секундных аудиоклипов со случайными «активациями» в них. Вместо этого проще записать много положительных и отрицательных слов и отдельно записать фоновый шум (или загрузить фоновый шум из бесплатных онлайн-источников).
Чтобы синтезировать один обучающий пример, мы имеем:
• Выбран случайный 10-секундный фоновый аудиоклип.
• Случайно вставьте 0–4 аудиоклипа «активировать» в этот 10-секундный клип.
• Случайным образом вставьте 0–2 аудиоклипа с негативными словами в этот 10-секундный клип.
Поскольку вы синтезировали слово «активировать» в фоновом клипе, вы точно знаете
когда в 10-секундном клипе появляется «активировать». чтобы нам было легче
генерировать метки y(t) .
Мы использовали пакет pydub для управления звуком. Pydub преобразует необработанные аудиофайлы в списки
структур данных Pydub. Pydub использует 1 мс в качестве интервала дискретизации (1 мс — это 1 миллисекунда =
1/1000 секунды), поэтому 10-секундный клип всегда представлен с использованием 10 000 шагов.
Наложение положительных/отрицательных слов на фон:
Учитывая 10-секундный фоновый клип и короткий аудиоклип (положительное или отрицательное слово), нам нужно «добавить» или «вставить» короткий аудиоклип слова на фон. Чтобы звуковые сегменты, вставленные на фон, не перекрывались, вы будете отслеживать время ранее вставленных аудиоклипов.
Для простоты это можно интерпретировать как фон класса 10 секунд, куда мы вставили положительное слово «активировать» 1 секунду, т.е. мы наложили на него. Следовательно, результирующий аудиоклип будет иметь размер только 10 секунд, а не 11 секунд.
Создание ярлыков одновременно с наложением:
Метки y(t) показывают, закончил ли кто-то только что говорить «активировать». Учитывая фоновый клип, мы можем инициализировать y(t) = 0 для всех t, так как клип не содержит никаких «активаций». Когда кто-то вставляет или накладывает «активный» клип, он/она также обновляет метки для y(t), так что 50 шагов вывода теперь имеют целевую метку 1. Мы обучили ГРУ обнаруживать, когда кто-то заканчивает говорить « активировать». Например, предположим, что синтезированный «активируемый» клип заканчивается на 5-секундной отметке в 10-секундном аудио — ровно на середине клипа. для которого Ty = 1375, поэтому временной шаг $ 687 = $ int (1375 * 0,5) соответствует моменту в 5 секунд в аудио. Таким образом, можно установить y(688) = 1. Кроме того, вы будете вполне удовлетворены, если ГРУ обнаружит «активацию» в любом месте в течение короткого времени — внутреннего после этого момента, поэтому мы фактически устанавливаем 50 последовательных значений метки y(t ) к 1. В частности, имеем y(688) = y(689) = · · · = y(737) = 1.
Это еще одна причина для синтеза обучающих данных: относительно просто сгенерировать эти метки y(t), как описано выше. Напротив, если у вас есть 10 секунд звука, записанного на микрофон, человеку потребуется довольно много времени, чтобы прослушать его и отметить вручную, когда «активация» завершена.
Вот рисунок, иллюстрирующий метки y(t) для клипа, в который мы вставили «активировать», «невинный», «активировать», «ребенок». Примечание: положительные метки «1» связаны только с положительными словами.
Для реализации процесса синтеза обучающей выборки мы использовали следующие вспомогательные функции. Все
из этих функций используется интервал дискретизации 1 мс, поэтому 10 секунд звука всегда дискретизируются в
Далее предположим, что вы вставили аудиоклипы в сегменты (1000, 1800) и (3400, 4500). То есть первый сегмент начинается с шага 1000 и заканчивается на шаге 1800. Теперь, если мы рассматриваем вставку нового аудиоклипа в (3000,3600), перекрывается ли он с одним из ранее вставленных сегментов? В этом случае (3000,3600) и (3400,4500) перекрываются, поэтому мы должны решить не вставлять сюда клип.
Для целей этой функции определите (100,200) и (200,250) как перекрывающиеся, поскольку они перекрываются на временном шаге 200. Однако (100,199) и (200,250) не перекрываются.
2.4- Набор для разработки
Это фрагмент от поставщика набора данных. как они собрали набор данных
Чтобы протестировать нашу модель, мы записали набор из 25 примеров для разработки. Пока наши обучающие данные синтезируются, мы хотим создать набор для разработки, используя то же распределение, что и реальные входные данные. Таким образом, мы записали 25 10-секундных аудиоклипов людей, говорящих «активируй» и другие случайные слова, и пометили их вручную. Это следует принципу, описанному в Курсе 3, согласно которому мы должны создать набор для разработки, максимально похожий на дистрибутив тестового набора; Вот почему в нашем наборе для разработчиков используется настоящий, а не синтезированный звук.
3.1 Построение модели:
Вот архитектура, которую мы использовали.
На этапе свертки 1D (в нижней части рисунка 3). Он вводит спектрограмму из 5511 шагов и выводит выходные данные из 1375 шагов, которые затем обрабатываются несколькими слоями, чтобы получить окончательный вывод Ty = 1375 шагов. Этот слой играет роль, аналогичную 2D-сверткам, извлекая низкоуровневые признаки и затем, возможно, создавая выходные данные меньшего размера.
Затем ГРУ должно обработать только 1375 временных шагов, а не 5511 временных шагов. Два уровня GRU считывают последовательность входных данных слева направо, а затем, в конечном итоге, используют плотный + сигмовидный слой для прогнозирования y(t). Поскольку y имеет двоичное значение (0 или 1), мы используем сигмоидальный вывод на последнем уровне, чтобы оценить вероятность того, что вывод будет равен 1, что соответствует тому, что пользователь только что сказал «активировать».
Теперь можно спросить, почему мы использовали однонаправленную RNN, а не двунаправленную RNN? Это было необходимо для того, чтобы иметь возможность обнаруживать триггерное слово почти сразу после его произнесения. Если бы мы использовали двунаправленную RNN, нам пришлось бы ждать, пока будут записаны все 10 секунд звука, прежде чем мы могли бы сказать, было ли сказано «активировать» в первую секунду аудиоклипа.
шаги, предпринятые для реализации модели:
3.2 — Подгонка модели
Обнаружение слова-триггера требует много времени для обучения. Чтобы сэкономить время, мы уже обучали модель около 3 часов на графическом процессоре, используя построенную выше архитектуру и большой обучающий набор из примерно 4000 примеров. следовательно, мы только что позаимствовали модель.
После того, как вы оценили вероятность обнаружения слова «активировать» на каждом шаге вывода, вы можете активировать «звенящий» звук, который будет воспроизводиться, когда вероятность превышает определенный порог. Кроме того, y(t) может быть близок к 1 для многих значений в строке после того, как сказано «активировать», но мы хотим, чтобы звонок звучал только один раз. Таким образом, мы будем вставлять звуковой сигнал не более одного раза каждые 75 выходных шагов. Это поможет нам не вставлять два звонка для одного экземпляра «активировать».
Оценив вероятность обнаружения слова «активировать» на каждом шаге вывода. мы запустили «звон» для воспроизведения, когда вероятность выше определенного порога. Кроме того, y(t) может быть близко к 1 для многих значений подряд после того, как сказано «активировать», но мы хотим звонить только один раз. мы вставили звуковой сигнал максимум один раз каждые 75 выходных шагов. Это поможет нам не вставлять два звонка для одного экземпляра «активировать».
триггер (trigger) Объясните пожалуйста, что такое триггер в аудио-сигнале? как он функционирует и что он даёт?
А на что она срабатывать будет, и что выполнять — от замыслов разработчиков зависит.
Вообще триггеров ( в схемотехнике) бывает несколько видов.
Один из них — это делитель частоты на 2 ,
другой — переключает состояние по уровню сигнала ( триггер Шмитта)
Как слово «триггер» привязать к аудиосигналу — пока не знаю. В самом аудиосигнале нет никаких триггеров, аудиосигнал — это аналоговый сигнал, повторяющий колебания звуковой волны, и нет там никакого триггера.
Аудиотриггеры: как человеческая психика реагирует на разные звуки
Внешний мир постоянно бомбардирует нас информацией на самых разных уровнях: это образы и звуки, прикосновения и запахи. Аудиофон — один из самых настойчивых информационных потоков, с которым мы контактируем каждый день.
При этом мы почти не влияем на то, какие именно звуки мы слышим: нас окружает гул машин, грохот вагона метро, разговоры соседей в очереди, музыка из наушников коллеги, шум стройки. Часто мы пытаемся перекрыть этот фон собственным — музыкой или, например, аудиокнигами.
Вся эта какофония преследует нас целыми днями, и мы мало что можем с этим сделать.
При этом всё, что мы слышим (хотим мы того или нет) влияет на наше настроение, психику и даже мозговую активность. Разбираемся, какие звуки бывают триггерами и что они вызывают, почему от одних звуков хочется плясать, а от других — плакать и как можно контролировать влияние аудиофона на свою жизнь.
Фото Maxim Mogilevskiy / CC BY-ND
Nature vs Nurture
Люди слышат звуки одинаково (это физиологический процесс), но могут воспринимать их по-разному — это уже зависит от работы каждого конкретного мозга. Именно мозг решает, как отнестись к каждому конкретному звуку. Поэтому кто-то может находить пение одних и тех же птиц приятным, а кто-то — раздражающим. Наше отношение к звукам формируется нашим воспитанием, предыдущим опытом и персональными когнитивными особенностями.
Существует понятие «шумовое загрязнение»: это ситуация, когда шум, производимый человечеством и его «производными», становится настолько громким, нетипичным и неконтролируемым, что он начинает нарушать порядок жизнедеятельности человека и других живых существ. Например, исследования показывают, что длительное пребывание в «загрязненном шумом» пространстве повышает кровяное давление и увеличивает риск сердечного приступа. Это связано с тем, что человек не привыкает к уровню окружающего его шума, а тратит на его подавление энергию, которую организм мог бы направить в другое русло.
Само различие между шумом и звуком (noise vs sound) для человека не всегда врожденное и не естественное — оно зависит от нашего предыдущего опыта. Например, мы входим в кафе и слышим целую гамму звуков — кофе-машина перемалывает зерна, пищит микроволновка, люди общаются, официант зачитывает меню. Мы привыкли к ним, поэтому почти не обращаем на них внимания. А тот, кто никогда не был в кафе в большом городе, скорее всего найдет этот звуковой фон очень напрягающим. Собственно, даже мы, уставая, иногда теряем способность не раздражаться на эту привычную, но всё же какофонию.
При этом есть звуки, на которые реакция у человека выработана эволюцией: например, мы находим неприятным скрежет ногтей по стеклу или ножа по тарелке. Мы реагируем на них инстинктивно, на подсознательном уровне, потому что в наших генах заложена ассоциация — со звуком, издаваемым когтями хищников. Но не все громкие, раздражающие или нежелательные звуки необязательно воспринимаются нами негативно. Это может зависеть от социального контекста — например, громкие звуки на рок-фестивале не вызывают у посетителей отторжения.
Наша память тоже может трансформировать наше восприятие звука. Например, какой-то очень неприятный шум — газонокосилка, дробилка льда, что угодно — может вызывать теплые чувства и ностальгию, если в прошлом он ассоциировался с чем-то приятным. Для остальных этот звук так и останется жутким шумом.
Иными словами, то, как мы воспринимаем звук, зависит от очень многих факторов — психологических, социальных, биологических и других.
Обучение, настроение и продуктивность
Звуковой фон оказывает большое влияние на нашу жизнь — от него зависит даже наша способность к обучению, наше настроение и активность на работе.
В 1974 году было проведено исследование: два шестых класса учились в разных концах здания. В одном было тихо, до другого постоянно доносился шум проезжающих мимо поездов. В результате оказалось, что школьники, учившиеся в тишине, почти на год обогнали по уровню знаний своих одногодок с шумной стороны. Дети, которые росли в более шумной обстановке (под воем самолетов или грохотом поездов) хуже читают, говорят и демонстрируют более медленное когнитивное развитие чем те, кто рос в тишине.
Звуки влияют и на продуктивность. Исследования показывают, что гул опенспейсов часто ослабляет способность сотрудников к концентрации, запоминанию, решению сложных задач и вызывает настоящий стресс. Тот же постоянный шум в открытых офисных пространствах не просто постоянно отвлекает, но и мешает сконцентрироваться после исчезновения непосредственного раздражителя.
Фото Stinging Eyes / CC BY-ND
Звуки-триггеры
Мы писали о том, как использование бинаурального аудио позволило создать игру, которая довольно точно могла передать игроку ощущения, испытываемые человеком с психотическими расстройствами.
Звук зачастую может вызывать реакцию, которую мы слабо можем себе объяснить, или которую и вовсе воспринимаем несознательно.
Например, есть теория, что так называемый эффект «дома с привидениями» может быть вызван именно звуком, причем «специальным» — инфразвуком, звуковыми волнами, чья частота ниже воспринимаемой человеческим ухом. В некоторых ситуациях мы можем испытать чувство тревоги, страха и «мурашек» — не понимая, почему.
А для больных OCD (обсессивно-компульсивным расстройством) часто вообще весь звуковой мир — источник всевозможных триггеров, которые могут вызвать тревожность и даже повлиять на общую способность к функционированию. Зачастую это какие-то совершенно бытовые звуки — кашель, чавканье, щелчки ручки, хлопок двери.
В психологии есть специальный термин — гиперчувствительность к шуму. Она работает на нескольких уровнях. Самый очевидный — неприятные ассоциации (часто бессознательные), которые связаны с определенными звуками, и именно они вызывают у человека тревожность.
Кстати, речь необязательно идет о каких-то отдельных звуках. Неприятные ассоциации могут вызывать песни, даже когда-то горячо любимые — например, если вы долго репетировали выступление, а оно в итоге провалилось. Или если с красивой мелодией в вашей памяти оказался связан драматичный жизненный эпизод. Тогда, услышав песню снова, вы вряд ли захотите ей подпевать.
Следующий уровень реакции — бегство (некоторые звуки могут вызывать страх, и включается первобытный инстинкт, желание спрятаться от опасности), раздражение и стресс (вспомните про звук, с которым в почтовом ящике появляется новое электронное письмо в особенно напряженный рабочий день).
Что касается расстройств, связанных с повышенной чувствительностью к шуму, у них довольно широкий спектр. Например, у людей с сенсорными нарушениями (sensory processing disorder) самые обычные звуки могут вызывать совершенно неожиданную реакцию — это связано с тем, что человеческий мозг обрабатывает внешние раздражители, но реагирует на них несоразмерно. Поэтому звук лопнувшей жвачки, на который здоровый человек может даже не обратить внимания, у человека с расстройством может вызвать желание немедленно заткнуть уши.
Терапия в данном случае почти не связана с тем, как мы слышим звуки, но с тем, как их воспринимает наш мозг. Человек с повышенной восприимчивостью может слышать звуки точно так же, как и все остальные, но воспринимать их как более громкие, назойливые или раздражающие. Возможные причины могут быть различными — от мигрени или неприятных воспоминаний, до психических расстройств.
Один из методов борьбы с повышенной восприимчивостью — создать вокруг себя максимально комфортную обстановку, поставить в наушниках звуки, которые вызывают тревогу, и выключать их, когда ощущение станет совсем дискомфортным. Повторение может снизить тревожность — психика привыкает к тому, что со звуком не связано никакого реального дискомфорта.
Потом процесс можно повторить и в менее комфортной обстановке. Но если речь идет о психических расстройствах, а не просто о неприятных ассоциациях, такие эксперименты, разумеется, стоит проводить только под наблюдением врача.
В остатке
Индустриализация, рост городов, техническая революция, ускорение жизни — это десятки факторов, которые сформировали наше звуковое окружение. Его перегруженность влияет на психику человека, его когнитивные способности, внимание и здоровье.
На наше восприятие звуков влияет окружение, воспитание, настроение, предыдущий опыт, а также гены, биологические предрасположенности и даже возраст.
Поэтому бывает полезно послушать тишину, добавить в ежедневную рутину белый шум и более осознанно подходить к тому, как именно «озвучена» ваша жизнь.