在不同的情感音乐刺激期间,对说话和安静状态的EEG分析

科学领域:

• 神经科学和人工智能 人工智能
• 认知科学 认知科学
• 音乐心理学 音乐心理学

背景情况:

• 音乐深深地影响着人类的情绪,在音乐治疗中也有应用.
• 越来越多地研究音乐,情绪和认知过程之间的相互作用.
• 将人工智能 (AI) 与神经科学相结合,为研究提供了新的途径.

研究的目的:

• 为了研究不同情感内容的音乐如何影响说话期间的大脑活动.
• 为了比较深度神经网络 (DNN) 与其他机器学习算法的有效性,用于分类脑电图 (EEG) 信号.
• 在情感音乐刺激下分析说话和休息状态之间的EEG信号差异.

主要方法:

• 120名学生参与者 (19-26岁) 听了6段1分钟的音乐段,表达了不同的情绪.
• 参与者在音乐播放期间在40秒钟的时间内发言.
• 用DNN和其他机器学习算法来分类,记录和分析了EEG信号.

主要成果:

• 电脑脑脑电图信号的差异在演讲中比在情绪音乐下安静状态更明显.
• DNN算法在将EEG信号分类为说话 (95.84%) 和安静 (96.55%) 状态时取得了很高的准确性.
• 在这种情况下,DNN与其他机器学习算法相比,表现出更高的分类性能.

结论:

• 情绪化的音乐刺激会在说话和静止状态之间的EEG模式中产生明显的差异.
• 深度神经网络在分类与情感音乐和语音相关的EEG信号方面明显优于传统的机器学习算法.
• 这项研究支持人工智能驱动的神经科学方法的潜力,以了解音乐对认知和情绪状态的影响.