基于EEG的跨主题被动音乐音调感知使用深度学习模型

科学领域:

• 神经科学是一个神经科学.
• 音乐感知 音乐感知
• 机器学习 机器学习

背景情况:

• 音调对于音乐的感知和旋律的解释至关重要.
• 需要客观的方法来解码大脑对音乐音调的反应.
• 电脑电图 (EEG) 提供了一种非侵入性的方法来测量神经活动.

研究的目的:

• 使用EEG客观地检测和解码大脑对音乐音调感知的反应.
• 开发和评估基于EEG的音调分类的机器学习模型.
• 为了确定大脑解码音调感知的最佳时间窗口.

主要方法:

• 收集了34名受试者在特定音调 (G3,B6) 听到小提琴声音的EEG数据,使用被动的Go/No-Go范式.
• 开发了一种轻量化修改的EEGNet模型,用于主体内音调分类.
• 采用分类器组合 (CE) 方法用于基于主题内部模型的跨主题音调分类.

主要成果:

• 修改后的EEGNet实现了77%的平均准确度,用于主体内音调分类.
• 在跨主题的音调分类中,CE方法的平均准确率达到74%,远高于偶然 (50%).
• 从EEG数据中解码音调感知的最佳时间窗口被确定为刺激开始后的0.4到0.9秒.

结论:

• 提出的基于EEG的方法有效客观地评估音乐音调感知.
• 这些模型表现出了概括能力,特别是跨主题分类器组合.
• 这些发现为客观评估音乐中的听觉感知开辟了道路.