电脑图声学与基于深度网络的混合智能系统设计

科学领域:

• 神经科学是一个神经科学.
• 音乐 技术 音乐 技术
• 人工智能的人工智能

背景情况:

• 电脑电图 (EEG) 声化将大脑活动转化为听觉信号.
• 这种听觉描绘有助于理解大脑事件,并可以改善疾病的诊断和治疗.

研究的目的:

• 提出一种新的EEG声化方法.
• 评估深度学习分类器,从EEG信号中提取音乐参数.
• 开发一种算法,从EEG数据中创建可播放的音乐曲目.

主要方法:

• 基于从主导频率比率和变化中提取音乐参数和音符序列的EEG声化.
• 培训深度学习结构 (CNN,LSTM) 使用音乐数据库来识别音乐音标和音符序列.
• 开发一种新的算法,将音乐生成的深度结构输出结合起来.

主要成果:

• 卷积神经网络 (CNN) 在分类音乐音标尺度方面实现了93.2%的准确性,在不对称的作品中达到92.8%.
• 长期短期记忆 (LSTM) 在确定音符序列方面实现了89.6%的准确性.
• 在各种数据类型中证明了EEG段与音乐音标的融合.

结论:

• 拟议的CNN有效地识别了与EEG信号片段相对应的音乐音标.
• LSTM网络在将EEG频率变化转换为音符序列方面表现有前途.
• 脑电图声化方法在将大脑活动转化为音乐方面表现良好.