人体部位词的妙用（精选3篇）
篇1：人体部位词的妙用
关于人体部位的成语
1、搓手顿足：是指焦急不安的样子。
2、心胆俱裂：俱：都。吓破了心和胆。是指受到极大的惊吓。
3、要害之地：要害：人体上能致命的部位，比喻军事上处于至关重要位置的地方。多比喻军事战略要地。亦作“要害之处”。
4、身无完肤：①指被打得遍体鳞伤。②比喻遭到攻击或破坏后难以自存的局面。
5、五脏六腑：五脏：脾、肺、肾、肝、心；六腑：胃、大肠、小肠、三焦、膀胱、胆。人体内脏器官的统称。也比喻事物的内部情况。
6、心慈面善：是指为人和善。
7、手舞足蹈：蹈：顿足踏地。两手舞动，两只脚也跳了起来。是指高兴到了极点。也指手乱舞、脚乱跳的狂态。
8、耳聪目明：聪：听觉灵敏；明：眼力敏锐。听得清楚，看得明白。是指头脑清楚，眼光敏锐。
9、身遥心迩：犹言身远心近。指身体相隔虽远，但是双方的心却贴得很近。
10、耸膊成山：肩膀耸起成了一个“山”字。是指人耸肩缩颈的相貌。也是指人体瘦削的`样子。
11、天人相应：指人体与大自然有相似的方面或相似的变化。
12、溢于言表：超出言语以外，指某种思想感情虽未说明却能使人体会出来。
13、心膂股肱：膂：脊骨。股：大腿。肱：胳膊上从肩到肘的部分。心、膂、股、肱都是人体的重要部分，比喻亲近得力之人。
14、心粗胆大：心地粗疏，胆子很大。是指野心勃勃，肆无忌惮。亦作“心粗胆壮”。
15、心慈手软：心怀恻隐而不忍下手。
16、心存目识：识：记。指对某种事物心中已有深刻的印象。
篇2：人体部位词的妙用
由于互联网内容的发布缺乏有效的监控机制,互联网上急剧增长的各种信息中包含了大量的色情、暴力等不良信息。敏感图像也即色情图像,作为不良信息的一种,在网络上的传播已呈泛滥之势,带给人们特别是青少年极大的负面影响。如何有效地过滤敏感图像遏制其传播,净化网络环境,推动互联网健康有序发展,已成为一项重要的研究课题。
基于内容的敏感图像过滤技术成为研究的热点。研究者们多数都是以肤色检测为基础,并结合纹理、形状等特征来对敏感图像进行过滤。文献[1]从颜色、纹理及形状等信息中提取多种特征,并提出一个能够高效地进行长期主动学习的SVM学习算法来训练敏感图像的分类器。文献[2]提出基于肤色区域形状信息的检测方法。文献[3]利用人脸检测在线训练肤色模型并进一步对敏感图像进行检测。虽然这些方法对敏感图像都有一定的过滤作用,但是若仅靠这些特征,脸部、手掌、背部的特写,裸露较多但未露出关键部位的图像以及类肤色像素较多的图像,这三种图像都将被误检为敏感图像。针对这些问题文献[4]提出了在较为准确的人体躯干检测基础上,进行人体关键部位检测的方法。此方法首先要确定人体的躯干区域,然后根据胸部中间区域亮度较暗的特点,提取中心区域周长、面积、形状等特征,并通过简单阈值法建立胸部识别模型。虽然这种模型具有一定的分类能力,但由于提取的特征过于简单,且利用的是简单阈值方法来分类,其鲁棒性较低,对胸部识别的漏检和误检率较高。
通过分析现有关键部位识别的方法,本文提出了不依赖于人体躯干检测的关键部位检测方法,提取了分类能力更强的胸部特征,并使用Adaboost学习算法代替简单阈值法训练得到人体关键部位分类器,利用这一分类器实现对敏感图像的检测和过滤。
1 基于人体关键部位检测的敏感图像过滤方法
本文所提出的基于人体关键部位检测的敏感图像过滤方法首先选择合适的特征描述,提取训练样本的特征。所提取的特征包括Haar-like特征、肤色特征、HOG特征、空间分布特征。其中Haar-like特征用于描述局部区域灰度特征,肤色特征用于描述肤色分布信息,HOG特征即梯度方向直方图特征用来描述局部对象的形状信息,空间分布特征用来描述各种特征在局部区域的空间分布信息。由于在40×40像素的训练窗口中满足本文Haar-like特征的所有矩形超过数万个经过特征约简,提供给Adaboost训练学习的总共有7000多个弱特征。
提取特征后,本文利用Adaboost学习算法,构建7000多个弱特征的弱分类器,从中训练选出具有较强分类能力的弱分类器,并按一定方法组合成为强分类器,进而训练得到级联分类器。最后利用训练得到的级联分类器用40×40像素的滑动窗口对测试样本进行检测,对检测到的含关键部位的图像进行过滤。
1.1 Adaboost学习算法
1.1.1 基本算法
Adaboost算法的基本思想是通过训练得到若干个具有低错误率的弱分类器,然后通过一定的方法叠加成强分类器。设训练集中共有L个样本:(x1,y1),…,(xi,yi),…,(xL,yL),其中有M个真样本和N个假样本且有M+N=L。yi={0,1}(i=0,1,…,L)分别表示假样本和真样本。每个弱分类器对应一个弱特征,定义fj(x)为第j个弱特征,则弱分类器可表示为:
其中,Thj表示第j个特征的阈值,pj表示偏置取值为±1。弱特征的分类错误率不得超过50%,即好于随机选择。最终的强分类器由T个弱分类器ht(x)及其对应的αt构成,表示为:
Adaboost训练过程中每找到一个错误率最低的ht(x)后就要更新样本权重,对于分类正确的样本减小其权重,而分类错误的样本增加其权重,从而保证下一个弱分类器更加重视这些样本。具体算法流程如下:
Step1初始化样本权重为:
Step2进行t=1,2,…,T次训练得到T个弱分类器ht(x)
(2.1)所有样本的权重归一化为:
(2.2)对于每个特征j,确定阈值Thj和偏置pj,使得错误率最小,然后在所有的hj(x)中找出错误率最小的弱分类器ht(x)。
(2.3)更新样本权重,当样本分类正确时则1-|ht(xi)-yi|=1,否则为0,分类错误的样本相对增加了权重,下一个弱分类器能够更加重视这些样本。
Step3T次训练后得到最后的强分类器为:
式中
1.1.2 级联结构
在基于Adaboost的人脸检测方法中,人们常用Viola等人提出的级联结构[5]。如图1所示,这种结构能够在前几层用较少的弱分类器过滤掉非人脸子窗口,人脸样本及似人脸的样本将被一层层往后送,直到最终确定为人脸样本。鉴于级联结构实现简单,检测速度快的优点,本文也采用这种结构。
1.2 关键部位的特征提取
1.2.1 Haar-like特征
Haar-like特征描述的是局部区域灰度特征,如图2中(1)所示此特征表示白色区域和黑色区域的灰度差值,可以较为准确地描述区域内的形状特征,经常被用于人脸检测,具有检测速度快,准确率高的优点。由于胸部特征形状上比较单一,本文定义了如图2所示的四种类型的Haar-like特征。其中(1)、(2)为中心特征,用于描述大多数正常的胸部特征(如(a)、(b)所示)。由于姿势的不同等原因,会造成关键部位的形状变形,其中很多类似椭圆状(如(c)、(d)所示),由于椭圆状的Haar-like特征计算复杂度较高,本文定义了如(3)、(4)所示的Haar-like特征来进行描述。
本文训练样本中的图像分辨率为40×40像素,在40×40的窗口中满足四种类型Haar-like特征的所有矩形将超过数万个。如此多的特征数量,严重影响训练的速度和精度,本文通过对胸部特征的仔细分析,根据Haar-like特征的大小、位置等信息对满足条件的所有矩形特征进行了特征约简,从中取出大约6000多个具备分类能力的矩形特征,作为Adaboost的待选弱特征。
1.2.2 肤色特征
肤色特征作为敏感图像的基础特征,在敏感图像的识别和检测中具有重要作用。文献[2,3]都是以肤色检测为基础,进一步利用肤色区域、位置、形状等信息实现对敏感图像的检测。人体关键部位的检测同样离不开肤色特征,本文将肤色特征作为人体关键部位检测的重要弱特征之一,利用单高斯模型在YCb Cr空间下对肤色进行了肤色建模,像素点为肤色点的概率P(X)为:
其中,X表示颜色向量在YCbCr空间下X=(Cb,Cr)T;μ为均值向量;Cov为协方差矩阵;n为肤色样本总数。
在样本40×40像素的训练窗口中,将基于此肤色模型求得的肤色点总数作为弱特征之一进行训练。
1.2.3 HOG特征
梯度方向直方图HOG表示的是图像某个矩形区域中,具有相同梯度方向像素点的梯度幅值之和。该特征统计了某一局部区域梯度强度和方向的分布信息,由于此信息能较好地表征局部区域的形状特征,HOG特征经常被应用于行人或人体检测[6,7],并且已成为目前主流的方法。本文将其用来描述人体关键部位胸部的特征。对于梯度幅值的求取,本文利用具有抑制噪声作用的Sobel算子获得水平、垂直方向的梯度幅值分别为Dx(x,y)和Dy(x,y),像素点(x,y)处的梯度幅值可定义为:
本文所用的四个梯度方向如图3所示,像素点(x,y)处的梯度方向定义为
设R为图像大小N×M的某矩形区域,则有:
由式(10)可以看出,直方图的各统计量与图像的对比度密切相关,背景相同的条件下,相同形状的物体如若对比度不同,则直方图有很大差异,削弱了直方图所包含的形状信息。为解决上述问题,本文对各方向上的梯度幅值之和进行归一化,来强化所含的形状信息,得到下式:
在一定的区域内,若单一方向的边缘较突出,四个方向的统计量差异较大。而对于多数呈圆状或椭圆状的关键部位来说,四个统计量分布较为均匀。因此可以利用四个统计量的方差来表示这一特征,得到下式:
其中,
1.2.4 空间分布特征
Haar-like特征可描述基于灰度的局部区域特征,肤色特征和HOG特征可以分别描述某空间区域内的颜色特征和梯度方向特征,因此可将训练样本划分为如图4所示的九个子区域,然后分别提取各个子区域的肤色特征和HOG特征,并将其作为弱特征进行训练。
中心区域的四周都是肤色区域,相对中间子区域来说比较平滑,几乎没有明显的边缘或者纹理特征,利用边缘信息简单地描述纹理,具有一定的分类能力,因此可将各个子区域上的Canny边缘点数作为弱特征进行训练。
中心区域周围除去四个角区域剩下的四个矩形区域,不仅仅具有非常相似纹理特征,只通过上述Canny边缘点数来描述纹理信息,则丢掉了四个子区域颜色相似的特征。因此本文通过计算四个子区域的灰度方差来描述这一弱特征,用Variance表示四个子区域的灰度方差,如下式所示:
其中,grayi表示子区域所有像素的灰度平均值,而m表示四个子区域灰度平均值的平均值。
2 实验结果及分析
2.1 样本集
本文中的关键部位是指以乳头为中心的胸部,训练样本共分为精简集和扩大集两种,样本大小均为40×40像素。训练样本精简集包括关键部位图像2000张,非关键部位图像5000张,非关键部位图像含从风景、建筑物、动植物、人物等图像中截取出来的4000张以及从敏感图像中截取出来的含肤色特征的非关键部位1000张,所有截图都归一化到40×40像素。训练样本扩大集采用同样的方法获得1万余张非关键部位图像,通过对2000张精简集关键部位图像进行旋转等几何变换处理,获得4000余张关键部位图像。样本信息如表1所示。
测试样本集共收集含关键部位的敏感图像550张及非敏感图像6000张,其中包括4500张正常图像和1500张裸露较多但并不敏感的图像。其中正常图像包括自然风景1500张、动植物500张、日常生活图像1500张和含肤色或类似肤色特征的图像1000张。
2.2 特征提取的效果分析
2.2.1 Haar-like特征提取
图5中的(b)为精简集上训练得到的级联分类器的第一个Haar-like特征,该特征位置在40×40窗口的点(8,6)处,中间黑色区域大小为20×20像素,白色为26×26像素的矩形环状区域。(c)为扩大样本集上训练得到的级联分类器的第一个Haar-like特征,该特征位置在40×40窗口的点(9,7)处,中间黑色区域大小也为20×20像素,但中间白色矩形环状区域为26×26像素。可见,扩大样本集上训练选取的特征对左图来说更为精确一些。
2.2.2 肤色特征提取
本文的肤色提取效果如图6所示。(b)显示了普通图像(a)的肤色检测结果,可以看出图像中的主要肤色区域都已检测出来,也有一小部分的非肤色区域被误检为肤色区域,(d)显示了训练样本(c)的肤色检测结果。本文对训练样本和多幅含肤色的普通图像进行了实验,总体来说所建立的肤色模型能够较为准确的检测出绝大部分肤色区域。
本文是将40×40训练窗口的所有肤色像素点数作为弱特征进行训练的,在得到的两个级联分类器中,此特征都是第一层的第一个弱特征,其弱分类器的高低阈值分别为1600个和1300个。可见肤色特征在所有特征中是最主要的特征之一。
2.2.3 HOG特征提取
根据HOG特征能够描述局部对象形状特性,以及与图像对比度密切相关的特点,如图7列出了四种图像来说明HOG的分类特征。其中(a)和(b)为不同对比度的同一图像,(c)为局部含有直线形状的图像,(d)为中心区域含矩形形状的图像,灰度图像各点的像素值为各点的梯度幅值。
由图8(方向0、1、2、3对应于图3中的方向划分)可以看出不同形状的直方图分布差异很大,如左三和左四分别描述了具有直线特征和矩形特征的梯度方向。由图8和图9可以看出光照等因素引起的对比度不同,同样形状的物体梯度方向直方图差异较大,通过归一化的方法来消除了这种影响。
2.2.4 空间分布特征提取
图10中的(b)是利用Canny边缘检测方法在大小阈值分别为50、100的情况下得出的边缘图,通过1200张胸部关键部位样本图像的实验,得出大部分胸部边缘点集中在40×40训练窗口的中心20×20的区域内如(c)所示。通过训练选出的此特征中心区域的边缘点数占总数的0.42～1.0。其他如肤色、HOG等特征的空间分布特征提取结果不再详述。
2.3 检测结果及分析
本文通过Adaboost学习算法对精简和扩大两个训练样本集分别训练,得到C1和C2两个级联分类器,并对测试样本集的550张敏感图像和6000张非敏感图像进行了测试,测试结果如表2所示。
由表2可以看出通过不同训练样本集得到的分类器的分类性能是不一样的,训练样本越丰富得到的分类器性能越佳。对表2中的分类器C1和C2的分类性能来说,通过扩大样本集得到的分类器C2性能明显优于C1。对敏感图像进行关键部位检测最高可以检测出85.3%的敏感图像,而造成漏检多数是由于关键部位部分被遮挡、形状畸变、色彩失真等因素。对正常图像的检测可有最高93.7%的图像被检测为正常,对应的误检率仅为6.3%。由于此样本中含肤色信息的样本占22%,可见通过肤色特征可排除很多正常图像。而对皮肤裸露较多的样本最高可有73%的图像检测为正常,此样本集上的误检率较高,其中误检的多数都是含肤色或类似肤色区域较多,并且有类似关键部位特征的图像。
文献[4]利用胸部的椭圆特性、区域内边缘特性以及周围的肤色环境,提取区域内周长、面积、形状,边缘点数作为特征,并分别设定各特征的阈值,利用阈值来判断检测窗口是否是胸部。本文所提取的特征除了文献[4]中的特征,还包括Haarlike特征、空间分布特征、HOG特征等,并通过Adaboost学习算法(而非简单的阈值方法)训练得到了分类器。利用相同的测试样本集本文对扩大训练样本集得到的级联分类器C2和文献[4]的方法做了对比实验,实验结果如表3所示。
通过表3可以看出,本文所提出的敏感图像过滤方法有效地降低了误检率,大大提高了正检率。通过对比实验说明本文所提取的特征具有较强的分类能力,利用Adaboost训练得到的分类器具有很好的分类性能。对当前的多数敏感图像过滤方法来说,仅依靠肤色特征对裸露较多的非敏感图像进行检测误检率较高,而利用关键部位的检测来进一步判断图像是否敏感是可行的、有效的。
3 结束语
本文对人体关键部位的检测进行了研究,提取了肤色特征、Haar-like特征、HOG特征以及空间分布等特征,利用Adaboost学习算法训练得到了关键部位分类器,并最终实现了基于人体关键部位检测的敏感图像过滤方法。通过实验验证,此方法能够在较为准确地检测关键部位的同时,有效地降低裸露较多的非敏感图像的误检率。对于此方法所出现的漏检及误检的情况,我们将尝试提取其它具有分类能力的特征,并融合其它机器学习算法和模式分类算法,进一步降低漏检率和误检率,使敏感图像过滤方法的过滤能力更加准确高效。
摘要：目前多数敏感图像过滤方法对皮肤裸露较多或类肤色区域较多的图像容易产生误检。为降低对这类图像的误检率,提出一种基于人体关键部位检测的敏感图像过滤方法。该方法提取肤色特征、表征局部对象外观和形状的HOG(Histograms of Orien-ted Gradient)特征、空间分布特征及描述区域灰度分布的Haar-like等特征,利用Adaboost学习算法,训练得到人体关键部位的分类器,通过此分类器实现敏感图像的过滤。实验表明,该方法能够准确地检测关键部位,可以有效地降低敏感图像的误检率。
关键词：敏感图像过滤,Adaboost学习算法,肤色特征,HOG特征
参考文献
[1]江志伟.基于内容的WEB图像过滤技术研究[D].浙江:浙江大学,2004.
[2]Fang Z Q,Wei Z,Gao W.Shape-based adult images detection[C]//Proceedings of the Third International Conference on Image and Graph-ics.Oakland:IEEE Computer Press,2004:150-153.
[3]Shu L J,Ming K Y,Choo C P.The Adult Image Identification Based onOnline Sampling[C]//International Joint Conference on Neural Net-works.Vancouver,BC.2006:2566-2571.
[4]魏巍.基于人体关键部位的敏感图像过滤技术研究[D].吉林:吉林大学,2008.
[5]Viola P,Jones M.Rapid object detection using a boosted cascade ofsimple features[C]//Proc of IEEE Conference on Computer Visionand Pattern Recognition.Kauai,Hawaii,2001:511-518.
[6]Dalal N,Bill T.Histograms of Oriented Gradients for Human Detection[C]//Proceedings of the 2005 IEEE Computer Society Conference onComputer Vision and Pattern Recognition.San Diego.2005:886-893.
篇3：人体部位的音乐奥秘
音乐是声调与节奏的奇妙结合。人体除了生理运动效能外，还有行为效能、意识效能和生物电磁效能等等，一些身怀绝技的艺术大师和民间艺人甚至能独创演奏一曲曲新奇的拍脐音乐、掴脸音乐、磕指音乐、母亲心乐、眼睛音乐和骨骼音乐等。
神奇的母亲心乐
心脏是每个人的要害部位。用手捂住胸口，就会感到心脏有节奏地跳动。有人就是利用心脏的跳动奏出悦耳的音乐，让每个人听到自己的“心声”。
那么，心脏是怎样演奏出动听的心乐的呢？原来，心脏本身能发出一种低频电振波和生物磁脉冲，一些专家利用计算机记录下这种振动波和脉冲信号，再把这些信号输入计算机，便写出了心脏奏鸣曲。他们没想到的是，心乐很受听众们的关注，在音乐会上大获成功。
多少年来，包括医生在内的人们都有这样的想法，如果能让烦躁不安的婴幼儿听听妈妈心脏的声音，他们会不会因此而安静下来呢7最近，美国有人就录制成一种名为《Transitions》的心脏抚儿音乐，它是源自母体胎盘内的血流声，再配合母亲心脏的搏动声和大自然的水流声，运用电子合成技术录制完成的一种心乐。
根据临床实验，一些处于躁动状态的早产儿在播放母亲心乐的最初二十分钟内，出现了氧气饱和度上升、心跳和血压下降至正常指数等种种奇妙的现象，而婴儿躺在摇篮里听着妈妈的心乐，便会很快进入梦乡。
有趣的眼睛音乐
眼睛是心灵的窗口，却也能“吹奏”出浑厚优美的乐曲，这是日本爵士队队员杰土加的特异技艺，他可以用眼睛“吹奏”喇叭进行奏乐表演，因此成为乐队的活招牌，吸引了不少乐迷。
杰士加六岁学喇叭直至二十七岁，有一次，他想看看喇叭内是否因摔在地上而损坏，于是把喇叭放到自己的左眼上观察，刚一接触，左眼竟然立即跳动，令喇叭发出了声响。杰土加在惊异之余，才发现自己的左眼有吹奏喇叭的功能，于是灵机一动，开始训练左眼吹奏喇叭。现在，他已练到能用眼睛吹奏几支曲子，表演很受欢迎。
目前，杰土加在一般表演中不仅能用左眼吹喇叭，还能同时用嘴讲笑话或吹号角、角笛等。“当音乐声一起，我的眼睛就出现彩虹色彩，一接触到喇叭口，便可不停地跳动吹奏。”杰土加说。
另外，美国有一项人体音乐研究课题也能使眼睛“吹奏”出清脆的笛声。专家说，用带电极的导线连接在眼皮上，当体验者节奏和谐地眨眼时，将眼神经生物电脉冲和眼皮动作信号输入计算机后，便会合成译奏出奇妙的乐曲，通过艺术地控制眨眼时变换的速率和频率，就能演奏出一首优美动听的音乐。
优美的骨骼音乐
当你一个人在草原上散步，听到自己膝骨内传出来微妙的响声，心情肯定更加舒畅。受此启发，英国肯特大学电子工程系的柯利亚教授研制出一种既是娱乐工具又是保健用品的骨骼音乐设备，不但能播放优美的旋律，还能探测、诊断腿骨，可谓是电子工程学在人类智能艺术方面的新尝试。
寺院里的大钟经撞击后会以一定频率发出悠扬的钟声，但当钟有裂缝时，钟声的频率就会失常。这种现象引起了柯利亚教授的注意，他认为当人的骨骼有裂缝时也会产生同样现象。实验表明，胫骨内侧的细骨最低共鸣频率为一百二十赫左右，有裂缝后，这部分就变成脆软声，频率更低一些。他利用这种原理，研制出一种新型的电子振动测试仪器，贴在腿部，再通过电极传导到电脑演奏器。当人体运动时，计算机内就能演奏出振奋人心的摇滚乐，令人精神更加兴奋，促使你有信心继续下一步的运动；如果听到呜咽呻吟、低婉哀伤的悲伤歌曲，就是在提醒你的骨骼出现不正常，需要立即休息；如果休息一段时间后，悲曲还在播放，表明你的骨骼失常比较严重，应迅速到医院检查。
这种人体骨骼音乐适用于人体的一些轻微运动和健身，例如散步、跳舞、爬山等健身活动。另外，刚进入体校的运动员也很适合演奏这种音乐，这样可以定时检测骨骼，防患于未然，为自己以后的体育事业奠定坚实的基础。
特异的肌肉音乐
人体就好比一支电声交响乐队，任何部位的肌肉都能演奏出别具一格的曲调。例如，单人乐队可以在舞台上表演模拟自然音响，通过人体的不同部位演奏不同的乐曲：一会儿是海浪拍岸声，晚风细诉；一会儿是树叶沙沙声，鸟儿啁啾；一会儿是溪流潺潺声，瀑布咆哮，而且音量可大可小，节奏可快可慢，远近距离也可调节。肌肉音乐实际上是人体生物电流通过生物音乐演奏器演奏的一种声乐。这种演奏器主要由计算机、音乐模拟器（电子键盘）和带电极的导线组成，演奏时把导线的电极连接在人体各个部位的皮肤上就行了，接下来，人体通过心理、意识和直觉控制的神经细胞发出生物电流，通过导线输入计算机，编译程序后输送给能够模拟各种乐器的计算机，便可演奏出美妙动听的音乐了。
在肌肉音乐演奏中，计算机起着举足轻重的关键作用，人们可以根据需要编制各种演奏程序。例如，编制一个程序让演奏器在人体肌肉活动缓慢时奏出低音，而在活动频繁时奏出高音，同时二头肌的屈伸变化动作，可使演奏器奏出一连串由低到高或由高到低的音阶。这样，舞蹈演员还可以通过自己的各种舞蹈动作，来控制生物音乐演奏器为自己伴奏。
另外，那些接在人体不同部位的电极也能分别演奏不同乐器的声音。只要一个人在自己身体的各个部位接上电极，并使相关部位的肌肉同时活动起来，就可以组成一支出色的单人乐队。
奇妙的大脑音乐
大脑会唱歌，这绝不是异想天开而是确有其事，把人的脑电图记录下来研制成原始的音乐卡，具体说就是可以用一种方法把大脑的生物电活动情况记录下来编成音乐，且不是杂乱无章的乐声，而是某种类似巴赫赋格曲那样的音乐。
这是几年前由医学教授列文提出来的，这种方法就是首先把人的脑电图记录下来，然后按照特定的程序使其变成音乐，最后再把音乐播放出来。
此外，这种音乐还可以用来治病，主要用于治疗神经系统的疾病。具体做法是把人在正常状态下的大脑音乐记录下来，当他患病时再播放给他听。结果表明，这种方法效果颇佳，在二百名患者中只对极少数人无效。
为了适应市场需要和筹措开发用的资金，列文教授还研制出一种名为“大脑音乐”的电脑游戏机，这种游戏机既可用于娱乐，也可用于教育。
如果能把大音乐家的大脑音乐记录下来加以比较，定会令音乐发烧友大感兴趣。列文教授计划建立一个“伟人大脑乐谱库”，因为这种大脑音乐可能就是一些大音乐家灵感的源泉。