深度学习二元/多元分类为音乐的大脑波带动节拍
Rowayda A Sadek1, Alaa A Khalifa1, Marwa M A Elfattah2
1Department of Information Technology, Faculty of computers and Artificial Intelligence, Helwan University, Cairo, Egypt.
PeerJ. Computer science
|December 11, 2023
概括
这项研究引入了一种新的,无EEG的方法来检测和分类数字大脑刺激性音乐节奏. 深度学习模型准确地识别了音乐节奏及其对大脑波的影响,有助于研究音乐.
科学领域:
- 神经科学是一个神经科学.
- 音乐心理学 音乐心理学
- 人工智能的人工智能
背景情况:
- 数字大脑兴奋剂音乐,带有引人入胜的节奏,影响大脑波类似于药物.
- 之前的研究依赖于电脑电图 (EEG) 信号,电脑电图是复杂的,容易产生噪音.
- 需要一种新的,无EEG的方法来准确分析音乐的大脑波效应.
研究的目的:
- 开发一种简单,准确和可靠的方法来根据信号元素对数字脑刺激音乐进行分类.
- 创建深度学习模型,实时检测和分类音乐节奏及其大脑波影响.
- 为培训和测试这些模型建立新的数据集.
主要方法:
- 利用VGGish和YAMNET传输深度学习模型进行音乐节拍的二进制分类.
- 开发了经过修改的BW-VGGish和BW-YAMNET模型,用于对音乐节拍影响的多重分类.
- 产生了脑波训练节奏 (BWEB) 和脑波音乐操纵 (BWMM) 数据集.
主要成果:
- 在检测音乐节拍时,VGGish和YAMNET模型实现了高精度 (98.5%和98.4%).
- 经过修改的BW-VGGish和BW-YAMNET模型在分类音乐节奏影响方面显示了94.5%的平均准确性.
- 由于电力消耗和延迟较低,YAMNET 推用于移动应用程序.
结论:
- 拟议的无EEG深度学习模型为分析数字脑刺激音乐提供了可靠的替代方案.
- 开发的数据集和模型有助于进一步研究音乐的心理和生理影响.
- 这项工作克服了以前依赖于EEG的方法的局限性,使其能够得到更广泛的应用.
