Displaying electronic noise. Visning af elektronisk støj.

Denne video viser status på mit projekt, som går ud på at indsamle data om elektronisk støj og forsøge at nærme mig en måling af, om elektronisk støj påvirkes af sjælen – eller sjæle i andre dimensioner. Det sker ved at undersøge, om der er en korrelation mellem mønstre i støjsignalerne og veldefinerede begivenheder i den menneskelige verden – med høj statistisk signifikans, gerne mange sigma, hvis det kan lade sig gøre.

Det virker vigtigt, at man både kan se og høre de data, der indsamles, så man undgår dumme fejl, som kan opstå, hvis man ikke har en fornemmelse af de data, man arbejder med.

Jeg bruger en Raspberry Pi 5 til at indlæse elektronisk støj fra et elektronisk kredsløb. Støjens spænding bliver forstærket 10.000 gange, og effekten 100 millioner gange, inden signalet bliver analog-til-digital-konverteret med en MCP3008-chip. Som man kan forestille sig, er det ikke helt ligetil at undertrykke netfrekvensen på 50 Hz og dens harmoniske, når hele systemet er drevet af 220 volt ved 50 Hz. Men det behøver måske ikke at have så stor betydning for projektets succes.

Næste skridt er muligvis at få produceret nogle printplader i Kina – én for hver kanal og en input-printplade til MCP3008 og spændingsreguleringschippen – så det bliver muligt at analysere flere kanaler på én gang.

Derudover skal der også programmeres neurale netværk til at analysere og gruppere de indsamlede data.

Jeg bruger også Python og ChatGPT, som virkelig kan øge produktiviteten sammenlignet med tidligere – især når man næsten ingen erfaring har med mange af de metoder, der kan anvendes i projektet.

- - -

This video presents the current status of my project, which involves collecting data on electronic noise with the aim of approaching a measurable indication of whether such noise may be influenced by the soul—or by entities existing in other dimensions. The core of the investigation is to identify potential correlations between patterns within noise signals and well-defined events in the human world, ideally achieving high statistical significance—preferably at a level of multiple sigma, if feasible.

It appears to be of critical importance that both the visual and auditory dimensions of the collected data are accessible during analysis, as this helps prevent avoidable errors that may arise from insufficient familiarity with the nature of the signals being processed.

The hardware implementation employs a Raspberry Pi 5 to acquire electronic noise from a custom-designed circuit. The voltage component of the noise is amplified by a factor of 10,000, and the corresponding power by approximately 100 million, prior to analog-to-digital conversion via an MCP3008 chip. As expected, effective suppression of the 50 Hz mains frequency and its harmonics poses a considerable challenge under such extreme amplification conditions, particularly given that the entire system operates on 220V AC at 50 Hz. Nevertheless, this limitation may not critically impact the overall success of the project.

A likely next step will be the fabrication of printed circuit boards (PCBs) in China—one dedicated to each signal channel, along with an input board for interfacing with the MCP3008 and the voltage regulation circuitry—enabling the simultaneous acquisition and analysis of multiple channels.

Additionally, neural networks will be developed and trained to perform advanced pattern recognition and clustering tasks on the collected datasets.

The project also incorporates the use of Python and ChatGPT, which have proven highly effective in enhancing productivity, particularly in the context of limited prior experience with the diverse methodologies applicable to this line of inquiry.