基于音乐的EEG信号分析的最佳多式联络功能组合和分类器选择
Nilotpal Das1, Monisha Chakraborty2
1Biomedical Instrumentation Laboratory, School of Bioscience & Engineering, Jadavpur University, Kolkata, India.
Computers in biology and medicine
|July 7, 2025
概括
这项研究表明,将各种神经动态特征与k-最近邻居 (KNN) 分类器相结合,可以在听音乐时从脑电图 (EEG) 信号中准确地解码心理状态.
科学领域:
- 神经科学是一个神经科学.
- 认知科学 认知科学
- 信号处理 信号处理
背景情况:
- 音乐感知对于认知和情绪处理至关重要.
- 了解音乐感知神经动力学有助于神经科学研究.
研究的目的:
- 检查音乐感知中的神经动力学.
- 确定使用电脑电图 (EEG) 信号进行精神状态分类的最佳方法.
主要方法:
- 利用印度古典音乐 (ICM) 来唤起不同的认知状态.
- 提取了各种EEG特征 (统计,共变量,波量,分数,).
- 使用的机器学习分类器 (SVM,KNN,perceptron,基于树的) 通过贝叶斯优化进行优化.
主要成果:
- 分类性能因特征和分类器选择而有显著差异.
- 与KNN的协差特征产生了高精度.
- 结合特征和KNN的准确性达到了98.65%,表明了共享和独特的神经模式.
结论:
- 音乐感知涉及复杂的神经协调跨大脑区域.
- 多模式特征组合提高了心理状态的分类性能.


