Введение

Музыка способна влиять на состояние человека: успокаивать или, наоборот, возбуждать, изменять дыхание и пульс. Однако, долгое время, это влияние оценивалось субъективно, через опросы слушателей. Современные технические средства позволяют подойти к этому вопросу более строго, используя объективные физиологические показатели. Одним из главных таких показателей является частота сердечных сокращений (ЧСС), которая реагирует на внешние раздражители — музыку.

Цель данной работы: описать методику, которая позволяет количественно оценить, насколько ритм сердца подстраивается под музыкальный ритм, а также классифицировать различные типы реакций организма на музыкальные произведения.

Методика исследования

Предлагаемая методика состоит из трёх последовательных этапов, каждый из которых решает свою задачу.

На первом этапе выполняется подготовка исходных данных. Физиологический сигнал (электрокардиограмма (ЭКГ) или фотоплетизмограмма (сигнал с пульсометра)) требует очистки от помех [1]. Для этого применяется полосовой фильтр, который пропускает только значимые частоты и убирает наводки от электрической сети и движения человека. После очистки на сигнале находятся характерные пики, соответствующие каждому удару сердца, так называемые R-зубцы. По ним строится временной ряд интервалов между ударами, который называется вариабельностью сердечного ритма. Параллельно обрабатывается аудиозапись музыкального фрагмента. Из неё необходимо выделить моменты, приходящиеся на сильные доли, удары, то есть ритмическую основу музыки. Для этого используются алгоритмы отслеживания темпа, которые определяют, сколько ритмических ударов приходится на минуту, а также более точные методы, позволяющие отделить ударные инструменты от мелодии.

Исследование Дерюгиной приводит конкретные значения вариабельности сердечного ритма при прослушивании спокойной музыки:

– ЧСС: 77,2±10,6 уд/мин. (Частоты сердечных сокращений)

– SDNN (общая вариабельность): 67±25,2 мсек. (Стандартное отклонение длительностей всех нормальных интервалов между ударами сердца).

– RMSSD: 52,1±26,2 мсек. (Данный показатель отражает активность парасимпатической нервной системы (блуждающего нерва), отвечающей за расслабление и восстановление).

– pNN50: 21±21,3 % (процент соседних интервалов между ударами, разница между которыми превышает 50 миллисекунд). [2]

Эти данные можно использовать как референсные значения для проверки качества измерений. Если показатели существенно отличаются, это может указывать на ошибки в фильтрации или артефакты.

Второй этап является ключевым для понимания взаимодействия двух параметров. Полученные два набора данных — последовательность ударов сердца и последовательность музыкальных битов — необходимо привести к единому временному масштабу и сопоставить. Поскольку сердце бьётся не идеально равномерно, а музыкальный темп может немного колебаться внутри композиции, простое сравнение здесь не подходит. Для решения этой задачи применяется метод динамического преобразования времени. Этот алгоритм позволяет наилучшим образом соединить две временные последовательности, даже если они идут с разной скоростью на отдельных участках времени [3]. После совмещения вводится количественная мера синхронизации. Она рассчитывается как доля ударов сердца, которые произошли практически одновременно с музыкальными битами. Дополнительно оценивается, как меняются стандартные показатели вариабельности ритма сердца в разные моменты звучания музыки, например, до и после кульминации.

Исследование в Nature Scientific Reports (2024) дает важные количественные ориентиры:

– Типичная межсубъектная корреляция (ISC) физиологических сигналов невысока — r ≈ 0,10.

– Внутрисубъектная корреляция (повторные прослушивания) значительно выше — r ≈ 0,60.

– Коэффициенты альфа Кронбаха для шкал оценки музыки: α = 0,83 (предложенная музыка), α = 0,80 (любимая музыка). [4]

Эти цифры — готовый критерий для вашего метода: если ваш коэффициент синхронизации (SyncRatio) дает значения в этих диапазонах, метод работает корректно.

Третий этап посвящён анализу данных с помощью методов машинного обучения. Здесь решаются три основные задачи.

Первая задача — классификация. По набору признаков, полученных на предыдущих этапах, модель должна определить, какой тип реакции вызывает у слушателя данный музыкальный фрагмент. Это может быть реакция возбуждения, успокоения или нейтральный отклик. Для решения таких задач хорошо подходят метод опорных векторов и случайный лес. Эти алгоритмы обучаются на примерах, где уже известно, какая музыка вызывала какую реакцию, и затем могут классифицировать новые, незнакомые произведения.

Вторая задача — прогнозирование. Используя рекуррентные нейронные сети, которые учитывают последовательный характер данных, можно попытаться предсказать, как изменится пульс человека в ближайшие несколько секунд, зная, как меняется музыка прямо сейчас. Это особенно важно для создания систем биоуправления, где музыка может подстраиваться под состояние человека.

Третья задача — поиск скрытых закономерностей. Методы кластеризации позволяют сгруппировать все проанализированные эпизоды в несколько типовых сценариев взаимодействия, например, сценарий устойчивой синхронизации или, наоборот, сценарий полного рассогласования ритмов. А градиентный бустинг, такой как XGBoost, помогает понять, какие именно характеристики музыки — темп, громкость, ритмический рисунок — сильнее всего влияют на сердце, а какие практически не имеют значения.

Предложенная трёхуровневая архитектура позволяет перейти от простой регистрации факта, к детальному количественному анализу этого влияния. Главное преимущество подхода заключается в его комплексности. Вместо использования одного метода, будь то только статистика или только нейросети, здесь они объединены в единую цепочку. Обработка сигналов даёт чистые входные данные, алгоритмы синхронизации создают содержательные признаки, а машинное обучение позволяет строить на их основе прогнозы и находить неочевидные взаимосвязи.

Точность работы всей системы напрямую зависит от качества первого этапа. Если сигнал пульса плохо очищен от помех или если алгоритм ошибся в определении музыкальных битов, то дальнейший анализ, сколь бы сложные модели ни применялись, не даст достоверного результата.

Практическая значимость работы состоит в том, что подобные методики могут найти применение в различных областях. В музыкотерапии они позволят подбирать композиции не просто по жанру, а по их доказанному физиологическому эффекту для конкретного пациента. В спорте такие системы могут помогать контролировать уровень нагрузки, синхронизируя темп движений с музыкальным сопровождением. В индустрии развлечений возможно создание приложений, которые формируют плейлисты, ориентируясь на реальное состояние слушателя.

Заключение

В результате исследования была описана гибридная методика анализа связи между сердечным ритмом человека и музыкой. Методика включает очистку и подготовку сигналов, их временное и фазовое согласование с помощью алгоритмов динамического преобразования, а также последующий интеллектуальный анализ данных с применением методов классификации, прогнозирования и кластеризации. Такой подход открывает возможности для более глубокого понимания того, как музыка воздействует на человека на физиологическом уровне, и для создания персонализированных систем взаимодействия человека и музыки в реальном времени.

Литература:

1. Easthope E. Coupling the Heart to Musical Machines [Электронный ресурс] // arXiv. — 2025. — URL: https://arxiv.org/pdf/2505.03073 (дата обращения: 24.02.2026).
2. Корреляционные зависимости вариабельности сердечного ритма (вср) с психо-физиологическим состоянием студентов под воздействием музыки [Электронный ресурс] // — URL: https://cyberleninka.ru/article/n/korrelyatsionnye-zavisimosti-variabelnosti-serdechnogo-ritma-vsr-s-psiho-fiziologicheskim-sostoyaniem-studentov-pod-vozdeystviem (дата обращения: 24.02.2026)
3. Scoring Synchronization Between Music and Motion: Local vs Global Approaches [Электронный ресурс] // — 2024. — URL: https://www.researchgate.net/publication/384562312_Scoring_synchronization_between_music_and_motion_local_Vs_global_approaches (дата обращения: 24.02.2026).
4. Reliability for music-induced heart rate synchronization | Scientific Reports [Электронный ресурс] // — 2024. — URL: https://preview-www.nature.com/articles/s41598–024–62994–0 (дата обращения: 24.02.2026).