基于EEG的音乐情绪预测,使用MIDI世代的监督特征提取

科学领域:

• 人工智能的人工智能
• 神经科学是一个神经科学.
• 音乐信息检索 音乐信息检索

背景情况:

• 算法组合正在推进人工智能驱动的音乐情绪预测.
• 弥合神经和听觉领域的人工智能音乐生成是具有挑战性的,因为语义差距.
• 将低级大脑特征与高级音乐概念对齐,需要计算密集的方法.

研究的目的:

• 提出一个深度学习框架,用于生成与情感预测一致的MIDI序列.
• 在AI音乐创作中解决神经和听觉数据之间的语义差距.
• 为了提高AI产生的音乐的质量和情感相关性.

主要方法:

• 使用EEGNet进行神经 (脑电图) 数据处理以及用于听觉数据的自动编码器.
• 集成的中心内核对齐,以管理模式异质性和改善情绪分离.
• 应用域回归来减少对象的变性,并为更好的MIDI重建集群隐藏的听觉表示.

主要成果:

• 提高了情绪分类的准确性,特别是在兴奋和价值方面.
• 生成的MIDI序列显示了增强的时间对齐,音调一致性和结构完整性.
• 对特定主体的分析表明,更强大的图像范式与更高质量的MIDI输出相关.

结论:

• 拟议的深度学习框架有效地弥合了神经和听觉领域,以产生情感一致的音乐.
• 该方法提高了情绪预测的准确性和人工智能生成的MIDI的音乐质量.
• 神经模式和图像能力的个体差异显著影响AI音乐作曲系统的性能.