音乐BSI - 音乐类型对fMRI信号的响应分析与原型模型无意识的超级学习用于在数据稀缺的环境中识别大脑状态
Subhayu Dutta1, Saptiva Goswami1, Sonali Debnath1
1Department of Computer Science & Engineering, Dr. B.C. Roy Engineering College, Durgapur, 713206, West Bengal, India.
Computers in biology and medicine
|February 13, 2025
概括
这项研究引入了一种使用功能磁共振成像 (fMRI) 来自动识别音乐类型的新方法,通过分析大脑血流模式来自动识别音乐类型. 该模型实现了高精度,证明了它对大脑与计算机接口的潜力.
科学领域:
- 神经科学是一个神经科学.
- 机器学习 机器学习
- 音乐信息检索 音乐信息检索
背景情况:
- 功能性磁共振成像 (fMRI) 通过血流来非侵入性监测大脑活动.
- 大脑的血流表现出与音乐类型感知相关的独特模式.
- 由于数据稀缺,从fMRI数据中自动识别音乐类型是有限的.
研究的目的:
- 利用fMRI数据开发一种用于自动化音乐类型分类的新框架.
- 为了解决深度学习模型有限的开源fMRI数据的挑战.
- 研究基于血液流动动力学的音乐类别分类的可行性.
主要方法:
- 提出一个原型的模型不可知的元学习框架.
- 使用fMRI来测量响应音乐的血液流动动力学.
- 在一个由30个样本组成的小数据集上训练模型.
主要成果:
- 在分类音乐类型方面达到高达97.25 ± 1.38%的准确性.
- 与最先进的方法相比,证明了卓越的性能.
- 通过详细的性能评估验证了模型的可靠性.
结论:
- 拟议的元学习框架有效地使用fMRI数据对音乐类型进行分类.
- 这种方法对推进脑电脑接口和音乐信息检索有前途.
- 这项研究强调了分析血液流动动态的潜力,以识别认知状态.
