このノートは 4つの研究仮説 のH4を掘り下げたものです。
気づいたこと
騒音の研究を始めて最初に違和感を覚えたのは、すべてが「dB（デシベル）」で語られることだった。
70dBの工事音と、70dBの改造バイクの爆音は、数値上は同じだ。しかし後者が引き起こすストレスは桁違いに大きい。 なぜなら改造バイクの音は「誰かが意図的に出している」「予告なく突然来る」「夜中にも来る」という文脈を持つからだ。
dBは音の物理的エネルギーの指標であって、人間のストレスの指標ではない（Basner et al., 2014）。
現行指標の3つの限界
1. 時間平均の罠
環境基準で使われるLAeq（等価騒音レベル）は、一定時間の平均値だ。深夜2時の突発的な爆音も、24時間平均では薄まって消える。被害が最も深刻な瞬間が、指標上は存在しないことになる。
2. 音源の意味性が消える
dBには「何の音か」という情報がない。自然音80dB（滝の音）と人工音80dB（トラック）では、ストレス反応が全く異なることは多くの研究で示されている。しかし規制値は音源を区別しない。
3. 個人差の無視
同じ60dBでも、感覚過敏者にとっては「逃げたくなる音」であり、一般市民にとっては「気にならない音」かもしれない。現行指標は「平均的な人」を想定しており、感覚特性による差異を扱えない。
仮説
同一dBレベルの騒音であっても、音の種類（改造バイク・拡声器・工事音等）と発生文脈（時間帯・予期の有無・本人の状態）によってストレス反応は大きく異なる。現行のdB平均指標は感覚ストレスの代理指標として不十分である。
新しい指標の構想: dBストレス乖離指標
実測dBと主観ストレスの差分をモデル化する「dBストレス乖離指標」を開発したい。
- 実測dB = 60だが、主観ストレス = 90相当 → 乖離スコア +30（文脈ストレスが高い）
- 実測dB = 70だが、主観ストレス = 40相当 → 乖離スコア -30（慣れた音・予期された音）
この乖離スコアが高い音源・場所・時間帯を特定することで、dB規制では捉えられない「本当に困っている場面」を可視化できる。
既存の代替指標: 心理音響学のアプローチ
dBの限界は研究者にも認識されており、心理音響学（psychoacoustics）の分野ではいくつかの代替指標が開発されている。
ラウドネス（sone/phon）: 人間の聴覚特性を反映した「聞こえの大きさ」の指標。周波数による感度差を補正するが、音源の意味性は考慮しない。
シャープネス（acum）: 高周波成分の多さを反映する指標。「耳に刺さる」感覚を定量化できるが、突発性や文脈は扱えない。
ラフネス・変動強度: 音の時間的変動パターンを捉える指標。改造バイクのような不規則な音は高いラフネスを示すが、「誰が意図的に出しているか」という心理的文脈は射程外だ。
これらの指標はいずれもdBよりは人間の知覚に近いが、「文脈」（時間帯、音の発生原因、聞く人の状態）を取り込めていない。本プロジェクトが構想する「dBストレス乖離指標」は、これらの心理音響指標を基盤としつつ、主観評価との乖離を明示的にモデル化する点で一歩先を目指す。
技術的アプローチ: TinyMLによる音源自動分類
音源の「種類」を識別するために、TinyML技術による音源分類の自動化を検討している。
具体的にはRaspberry Pi上でGoogleのYAMNetモデル（AudioSet 521クラス分類）を動作させ、リアルタイムで音源を分類する。YAMNetは「エンジン音」「クラクション」「鳥の声」「人の会話」などを識別でき、これを「この時間帯のこの場所では、改造バイク音が主観ストレスの主因である」といった分析に接続する。
TinyML（マイクロコントローラ上の機械学習）の利点は、音声データをデバイス上で処理し、分類結果のみを送信できること。これはプライバシー保護の観点で決定的に重要だ。街頭での音声記録は会話内容の傍受につながりうるが、音源分類ラベルのみの記録であれば個人情報の取得に該当しない。
Edge Impulse等のプラットフォームを使えば、YAMNetのベースモデルを文京区の音環境に特化してファインチューニングすることも可能だ。たとえば「改造バイク」「拡声器広告」「工事音」「救急車」といった、日本の都市環境に固有のカテゴリを追加学習させる。
一般市民を対象とした文脈依存騒音研究は存在するが、感覚過敏者に特化した研究は空白だ。ここに静かなまちプロジェクトの独自性がある。
関連ガイド: 研究仮説の設計手法については ロジックモデル作成ガイド を、エビデンスに基づく政策立案の基礎は EBPM入門 を参照されたい。
参考文献
Environmental Noise Guidelines for the European Region — World Health Organization (WHO). WHO Regional Office for Europe
Auditory and non-auditory effects of noise on health — Basner, M. et al.. The Lancet, 383(9925), 1325-1332
YAMNet: Yet Another Audio Model for Sound Event Detection — Google Research. TensorFlow Hub
Psychoacoustics: Facts and Models (3rd ed.) — Fastl, H. & Zwicker, E.. Springer