基于经验模态分解的EEG音乐调式与旋律方向解码

arXiv:2610.37148v1 公告类型：cross 摘要：脑电图（EEG）已被证明是在真实生活场景中解码神经活动的强大工具，包括对音乐所引发情绪的感知与加工。在调节这些反应的各种音乐特征中，调式与旋律走向（或轮廓）起着核心作用。本工作提出了一种基于经验模态分解（EMD）的新型 EEG 特征提取框架，用于分解在主动钢琴演奏过程中记录的 EEG 信号，以检测这两种音乐特征。从通过 EMD 获得的前四个本征模态函数（IMF）中计算基于能量的描述符，并用于训练宽神经网络分类器。模型性能与 EEG 分类任务中常用的若干标准分类器进行了基准比较。探索了两种实验场景：被试内与被试间。在前一种情况下，所提出的框架达到了 84% 的平均准确率；而在被试间情况下，使用第一个 IMF 时准确率平均达到 81%，两种情况下 AUC-ROC 值平均均为 0.9。频域分析显示，除某些未被完全表征的特定频率成分外，IMF 与传统 EEG 子频带之间存在很强的对应关系。在额区、颞区和顶枕区观察到主要激活，这些区域一贯与音乐加工相关。此外，所提出的方法对利手表现出稳健性，能够成功地对不同参与者的 EEG 数据进行分类，而不论其优势手为何。这些发现凸显了基于 EMD 的特征提取在识别音乐相关神经模式方面的潜力，并有助于推进音乐信息检索（MIR）、情感神经科学以及更广泛地对音乐结构神经编码的理解方面的研究。

中文由 AI 翻译，仅供参考，以原文为准。