在音乐创作中通过EEG和稳态激活地图网络探索大脑动态

科学领域:

• 神经科学和人工智能 人工智能
• 大脑与计算机接口 (BCI)
• 计算音乐学 计算音乐学

背景情况:

• 现有的脑电脑接口 (BCI) 音乐生成研究主要集中在情绪状态.
• 这项研究扩大了调查参与音乐创作的认知过程的大脑区域的范围.
• 了解音乐创作的神经相关性对于推进个性化音乐生成技术至关重要.

研究的目的:

• 开发一种基于电脑电图 (EEG) 信号生成音乐的新型神经网络模型.
• 识别与音乐状态相关的特定大脑区域和电极,如"回忆和创作".
• 探索音乐训练在与音乐相关的认知任务期间对功能性大脑连接的影响.

主要方法:

• 提出了一个新的神经网络模型,集成了注意力机制和稳定状态激活映射 (SSAM).
• 整合了自我注意力,扩展注意力,卷积神经网络 (CNN) 层,以及用于全面特征提取的ECA模块.
• 分析来自定制数据集的EEG数据,以评估模型性能并确定关键的神经相关性.

主要成果:

• 与现有的情绪识别模型相比,拟议的模型实现了优越的性能,对不同音乐状态的识别率有1.47%和3.83%的改进.
• 注意矩阵分析发现左额叶和叶 (特别是电极FP1,FPZ,O1,OZ,O2) 对于区分"回忆和创建"状态至关重要.
• 有音乐训练的个体在多个大脑区域中表现出显著更大的功能连接.

结论:

• 开发的神经网络模型有效地从EEG信号中解码音乐状态,为基于BCI的先进音乐生成铺平了道路.
• 确定了关键的大脑区域和电极对于音乐作曲状态至关重要,为未来的BCI系统设计提供了指导.
• 音乐训练增强神经协调,为创建更个性化和响应性更强的音乐生成技术提供了宝贵的见解.