مقالة بحثية

بناء نموذج للتعرف على تفضيلات النوع الموسيقي بناء على التعلم العميق

DOI:

10.3791/70514

⸱

مايو 26, 2026

1College of Teacher Education, Quzhou University

في هذه المقالة

ملخص

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

بنت هذه الدراسة نموذجا للتعلم العميق باستخدام إشارات تخطيط الدماغ الكهربائي والألفة الموسيقية للتنبؤ بتفضيلات النوع الموسيقي. تم جمع البيانات باستخدام جهاز Muse S منخفض التكلفة وتحليلها باستخدام CNN+RNN ونموذج EEGNet. حسنت الألفة الدقة بشكل ملحوظ، حيث وصلت إلى 99٪، مما يدل على قيمتها الكبيرة في التنبؤ بالتفضيلات.

الملخص

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

مع تزايد انتشار مشاكل الصحة النفسية، حظي العلاج بالموسيقى باهتمام كتدخل غير دوائي، وأظهرت تقنيات التعلم العميق وعدا في التعرف على المشاعر الموسيقية والتنبؤ بالتفضيلات. أنشأت هذه الدراسة نموذجا عميقا للشبكة العصبية (CNN+RNN/EEGNet) لتحديد تفضيلات نوع الموسيقى بكفاءة وفحص تأثير معرفة المستخدم على دقة التنبؤ. تم جمع إشارات EEG باستخدام جهاز Muse S القابل للارتداء بأربع قنوات، واستخدمت درجات الألفة للمستخدم كميزات إدخال. اتبعت الدراسة سير عمل من أربع مراحل: التحضير، تصميم التجارب، بناء النماذج، وتحليل النتائج. في التصميم التجريبي، تم تصنيف الموسيقى إلى روك، بالاد، وفولك، وتم جمع بيانات تخطيط الدماغ وتقييمات الألفة لكل فئة. تم تدريب البيانات واختبارها باستخدام نماذج CNN+RNN أو EEGNet، وتم تقييم أداء النموذج من خلال التحقق المتقاطع على مستوى الموضوع بمقدار 10 أضعاف. أشارت النتائج إلى أن التنبؤ بجميع أنواع الموسيقى باستخدام بيانات تخطيط الدماغ وحدها حقق دقة تبلغ 82.28 ± 3.42٪. بالنسبة لأنواع الموسيقى الفردية، كانت الدقة 91.13 ± 3.60٪ (روك)، 91.83 ± 2.07٪ (بالاد)، و87.87 ± 4.76٪ (فولك). عند دمج معرفة المستخدم كميزة واستخدام مخرج تقييم متعدد المستويات، ارتفعت دقة التنبؤ الإجمالية إلى 94.94 ± 1.61٪، بينما وصلت دقة نوع الموسيقى الفردية إلى 99.15 ± 1.56٪ (روك)، 98.51 ± 2.30٪ (بالاد)، و98.21 ± 2.60٪ (فولك). تظهر هذه النتائج أن دمج ميزات الألفة مع نظام تسجيل متعدد المستويات يحسن بشكل كبير التنبؤ بتفضيلات الموسيقى. من خلال استخدام جهاز EEG ميوز S القابل للارتداء وبأسعار معقولة والاستفادة من معرفة المستخدم، نجحت هذه الدراسة في تطوير نموذج شبكة عصبية عميقة فعال للغاية (CNN+RNN/EEGNet) للتعرف على تفضيلات أنواع الموسيقى. تشير النتائج إلى أن كل من التنبؤات الموسيقية العامة والفردية تستفيد من تضمين معلومات الألفة، مما يبرز إمكانات هذا النهج في تقديم توصيات موسيقية مخصصة وتطبيقات العلاج بالموسيقى.

المقدمة

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

تلعب الموسيقى دورا مهما في حياة الإنسان، والاستخدام الواسع للمنصات الإلكترونية جعل الاستماع إلى الموسيقى نشاطا يوميا روتينيا. بعيدا عن الترفيه، تعمل الموسيقى كأداة علاجية تعزز الاسترخاء، وتقلل الألم، وتدعم الأفراد الذين يعانون من حالات نموية. يؤثر التفضيل الموسيقي بشكل مباشر على النتائج العلاجية والاستجابات العاطفية. الدراسات السابقة تظهر أن الموسيقى المفضلة تعزز الأداء البدني، مثل القدرة على التحمل والجريالسريع 1، وتقلل من التوتر والألم2. كما أنه تدخل مهم لكبار السن، حيث تؤثر التفضيلات الفردية على فعالية العلاج3،4. كما ثبت أن الموسيقى المفضلة تخفض معدل القلب والتنفس، مما يعزز الاسترخاء. بالإضافة إلى ذلك، يحسن التفضول الموسيقي دقة التنبؤ بالعواطف5، ويقوي الاستجابات العاطفية6، ويعزز أداء نموذج التعلم الآلي، مما يزيد دقة التنبؤ من 53.18٪ إلى 71.09٪. يزيد التعرض المتكرر من التفضيل بغض النظر عن التحيز الأولي7.

على الرغم من هذه النتائج، لا تزال الدراسات القائمة حول التنبؤ بتفضيلات الموسيقى محدودة بسبب صغر حجم العينات، وضيق النطاقات العمرية، وعدم الاعتبار الاكتفاء بمعرفة المستخدم. تقلل هذه القيود من قابلية التعميم والتطبيق العملي. لا يزال دمج عوامل خاصة بالمستخدم مثل الألفة نهجا غير مستكشف لتحسين أداء التنبؤ.

أصبح التعرف على المشاعر الموسيقية (EMR) مجالا نشطا في البحث، ودقته تتأثر بتفضيل الموسيقى والألفة 8,9,10,11. يقدم المشاركون تقييمات عاطفية أكثر اتساقا عند تعرضهم للموسيقى المألوفة والمفضلة، وزيادة الألفة تحسن دقة التعرف في البيئات التجريبية والتعليمية12،13،14،15،16،17. تسلط هذه النتائج الضوء على الألفة كعامل حاسم في كل من التعرف على المشاعر والتنبؤ بالتفضيلات.

التعلم العميق، القائم على الشبكات العصبية الاصطناعية، يمكن الاستخلاص التلقائي للميزات عالية الأبعاد ويظهر تعرف أقوى على الأنماط مقارنة بالنماذج الضحلة18، 19، 20. كما تم تطبيق تقنيات التعلم العميق على نطاق واسع في المهام المتعلقة بالموسيقى، بما في ذلك تصنيف الأنواع الموسيقية، والتعرف على الإشارات، وأنظمة التوصية الشخصية 21,22,23,24,25,26. يستخدم تخطيط كهربائي الدماغ (EEG) على نطاق واسع لقياس النشاط الكهربائي للدماغ عبر نطاقات التردد (الجدول 1) للتحليل المعرفي والعاطفي27,28. يوفر دمج تخطيط الدماغ الكهربائي مع التعلم العميق إطارا فعالا لالتقاط الاستجابات العصبية لتفضيلات الموسيقى.

غالبا ما تتطلب أنظمة تخطيط الدماغ التقليدية أقطاب كهربائية هلامية ومعدات عالية التكلفة، مما يحد من قابليتها للتطبيق في البيئات الواقعية. توفر أجهزة EEG القابلة للارتداء مع الأقطاب الجافة بديلا عمليا، حيث توفر تكلفة أقل، وسهولة استخدام، ومرونة أكبر. يسجل جهاز Muse S إشارات من مناطق رئيسية في الدماغ (TP9، TP10، AF7، AF8) على تردد 256 هرتز، مما يتيح جمع بيانات موثوق وقابل للتوسع لكل من التجارب المسيطرة والتطبيقات الواقعية.

تعالج هذه الدراسة القيود المحددة من خلال دمج إشارات EEG مع ميزات التعرف على المستخدم للتنبؤ بتفضيلات الموسيقى باستخدام نماذج التعلم العميق. تستخدم بنى CNN+RNN وEEGNet لاستخراج كل من ميزات الزمن والتردد والتبعيات الزمنية، مما يتيح تمثيلا أفضل لإشارات EEG مقارنة بالأساليب التقليدية. تختبر الدراسة فرضيتين: (1) إلفة المستخدم بالموسيقى تحسن دقة التنبؤ بالتفضيلات المعتمدة على تخطيط الدماغ الكهربائي؛ (2) النماذج الخاصة بأنواع موسيقية (الروك، الغنائية، والفولك) تتفوق على النماذج المدربة على فئات مختلطة.

تم تضمين مجموعة من 30 بالغا أصحاء بتوزيع متوازن بين الجنسين. على الرغم من أن حجم العينة المحدود واستخدام EEG رباعي القنوات يحد من التعميم ودقة الإشارة، فإن دمج ميزات الألفة مع نماذج التعلم العميق يتيح أداء تنبؤي قوي. الأهداف هي تصنيف أنواع الموسيقى وأداء توقعات فردية لكل فئة، ودمج معرفة المستخدمين كميزة لتعزيز دقة التنبؤ.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

البروتوكول

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

أجريت هذه الدراسة وفقا لإرشادات لجنة الأخلاقيات في جامعة تشوتشو. تمت الموافقة على بروتوكول البحث من قبل مجلس مراجعة المؤسسات بجامعة تشوتشو (IRB) بموجب رقم الموافقة QZU-IRB-2026-037. قدم جميع المشاركين موافقتهم الواعية قبل إدراجهم في الدراسة.

التحضير التجريبي وتوظيف المشاركين
تكونت التجربة من أربع مراحل (الشكل 1): التحضير، تصميم التجارب، بناء النموذج، وتحليل النتائج. في مرحلة التحضير، تم تحديد أهداف البحث بناء على مراجعة الأدبيات المتعلقة بالعلاج بالموسيقى، وجمع بيانات تخطيط الدماغ الكهربائي، ونماذج التعلم العميق. في مرحلة التصميم التجريبي، تم تجنيد 30 مشاركا صحيا لأداء مهام الاستماع إلى الموسيقى. تم تسجيل إشارات EEG وتقييمات الألفة الموسيقية. تم توحيد بيانات تخطيط الدماغ الكهربائي وتقسيمها إلى نوافذ من 2048 عينة مع تداخل 1024 عينات. تم دمج ميزات الألفة مع بيانات تخطيط الدماغ كنماذج مدخلات. تم بناء نموذجين، CNN+RNN وEEGNet. استخرجت طبقات CNN ميزات الزمن-التردد، والتقطت LSTM ثنائية الاتجاه التبعيات الزمنية. تم استخدام طبقة متصلة بالكامل مع دالة تفعيل سوفتماكس للتصنيف. تم تدريب النماذج بحجم دفعة 50 لكل 30 حقبة باستخدام أداة تحسين آدم. تم تطبيق الانسحاب والتوقف المبكر. تم تقييم الأداء بشكل أساسي باستخدام الدقة كمقياس المبلغ عنه، مع حساب مقاييس الدقة والاستدعاء ودرجة F1 أيضا للتقييم الإضافي.

البيئة التجريبية وإعداد المعدات
أجري التجربة في غرفة هادئة ومغلقة خالية من التداخل الخارجي، مع الحفاظ على درجة حرارة الغرفة عند 27 درجةمئوية. تم استخدام المعدات التالية: جهاز EEG (Muse S، InteraXon Inc.)، نظام EEG رباعي القنوات (TP9، AF7، AF8، TP10) بمعدل أخذ عينات 256 هرتز؛ سماعات الرأس النهائية E3000 داخل الأذن؛ وجهاز كمبيوتر لجمع البيانات يعمل ب Muse SDK وطبقة البث المختبرية (LSL).

قبل كل جلسة تجريبية، كانت أسطح السماعات تلامس الأذن بالكحول تنظف النظافة وتقليل خطر التلوث المتبادل. تم تركيب سماعة Muse S لكل مشارك، مما يضمن استقرارا مستمرا بين جميع الأقطاب الجافة الأربعة (TP9، AF7، AF8، TP10) والجلد. إذا كانت جودة الإشارة سيئة، يتم تعديل موضع عصابة الرأس حتى يتم الحصول على إشارات مستقرة. جلس المشاركون على كرسي مريح مع دعم للظهر وطلب منهم إبقاء أعينهم مغلقة، وتجنب الكلام، وتقليل الحركات الكبيرة للجسم أثناء التجربة.

تحضير محفزات الموسيقى
تم إعداد ثلاثة أنواع موسيقية: الروك، والغنائية (بالاد)، والموسيقى الشعبية. تضمن كل نوع ثلاث أغاني صينية، ليصبح المجموع تسع أغاني. للتحكم في الفروق في الألفة الموسيقية، تم اختيار الأغاني في كل نوع وفقا للمعايير التالية: أغنية قديمة واحدة؛ أغنية شهيرة حالية واحدة (من قائمة أفضل الأغاني في سبوتيفاي)؛ وأغنية جديدة واحدة (من قائمة الإصدارات الجديدة على سبوتيفاي).

تم تحرير كل أغنية إلى مقطع صوتي موحد، يبدأ من المقدمة، يليه المقطع، وينتهي عند الكورس الأول، بمدة إجمالية تتراوح بين 90–130 ثانية. تم تخصيص معرف فريد لكل أغنية (مثل R1–R3، B1–B3، F1–F3) لتسمية البيانات وإدارة الملفات لاحقا.

إجراء تجريبي وتسجيل الاستبيان
قبل التجربة الرسمية، كان يتم إجراء اختبار للصوت من خلال تشغيل مقطع صوتي اختباري. قام المشاركون بضبط الصوت ليكون واضحا ومريحا وغير مرتفع بشكل مفرط، وحافظوا عليه ثابتا طوال التجربة. تم عشوائية ترتيب تشغيل الأغاني التسع (مثل استخدام جدول أرقام عشوائي أو عشوائية برمجية) لتقليل تأثيرات الترتيب. أكمل جميع المشاركين مهام الاستماع إلى الموسيقى بشكل مستقل. تم تقديم كل جزء موسيقي من المقدمة حتى الكورس الأول، واستمر من 90 إلى 130 ثانية. تم توفير فترة راحة مدتها 30 ثانية بين الأغاني. خلال هذه الفترة، أكمل المشاركون استبيان ألفة باستخدام منصة إلكترونية (Questionnaire Star). قيم المشاركون مدى ألفتهم مع كل أغنية باستخدام مقياس ليكرت مكون من خمس نقاط (1 = غير مألوف تماما؛ 5 = مألوف جدا). تم تسجيل تسمية تفضيل المشارك لكل أغنية (0 = عدم الإعجاب؛ 1 = إعجاب) وفقا لنظام التصنيف الثنائي المحدد. يتم توضيح الإجراء التجريبي الكامل في الشكل 2.

اكتساب تخطيط الدماغ وتسجيل البيانات
تم جمع بيانات EEG باستخدام مجموعة تطوير البرمجيات الرسمية لموز وبثها عبر طبقة البث المختبرية (LSL). تم حفظ بيانات EEG المقابلة لكل أغنية كملفات قيم مفصولة بالفواصل (CSV)، تحتوي على الحقول التالية على الأقل: الطابع الزمني (ميلي ثانية); إشارات EEG خام من أربع قنوات (TP9، AF7، AF8، TP10)؛ درجة الألفة المسجلة يدويا (1–5)؛ وتسمية التفضيل (0/1). تم استخدام نظام تسمية ملفات متسق (مثلا، S01_R1.csv، يشير إلى المشارك 01 وأغنية الروك 1) لتسهيل المعالجة الآلية والتتبع.

معالجة البيانات مسبقا، التطبيع، والنوافذ
تم تسجيل إشارات EEG باستخدام جهاز EEG رباعي القنوات Muse S بمعدل أخذ عينات 256 هرتز، وتم تطوير برامج مخصصة باستخدام مجموعة التطوير الرسمية. تم جمع بيانات تخطيط الدماغ الخام من خلال طبقة البث المختبرية (LSL) وحفظها بصيغة CSV. تضمنت ملفات CSV الأعمدة التالية: الطابع الزمني (ميلي ثانية)، قيم EEG الأربع قنوات (TP9، AF7، AF8، TP10)، تقييمات الألفة على الموسيقى للمستخدم (1–5)، وتقييمات تفضيلات الموسيقى للمستخدم.

يتوافق العدد الإجمالي للبيانات مع عدة نوافذ يتم إنشاؤها لكل مشارك ولكل قطعة موسيقية، مما ينتج عنه مجموعة بيانات واسعة النطاق تعتمد على نظام النوافذ. في التجربة الأصلية، تم تمثيل تفضيل الموسيقى كتسمة ثنائية (0 = عدم الإعجاب، 1 = الإعجاب)، مما قد يؤدي إلى دقة عالية مصطنعة وتعميم محدود للنموذج.

لتحسين الأهمية العملية لمهمة التنبؤ، تم تحويل تسميات التفضيلات إلى مقياس تقييم متعدد المستويات: 0 = معارض بشدة؛ 1 = غير موافق; 2 = محايد؛ 3 = موافق; 4 = أتفق بشدة.

قبل التعلم الآلي، كانت البيانات موحدة ومقسمة إلى نوافذ تحتوي على 2048 عينة لكل منها، مع تداخل 1024 عينة بين النوافذ المتجاورة للحفاظ على الاستمرارية الزمنية. بالإضافة إلى ذلك، تم تطبيق تعزيز البيانات لزيادة عدد عينات التدريب وتقليل خطر الإفراط في التركيب.

بنية النماذج
تكون نموذج البحث من ثلاث طبقات التفافية، وثلاث طبقات تجميع، وطبقة متصلة بالكامل. تم استخدام التجميع الأقصى لاختيار الميزات، وتطبيق الانقطاع لتقليل الإفراط في التركيب، وتم توليد المخرج النهائي باستخدام طبقة تصنيف softmax. كل نافذة إدخال تضمنت إشارات EEG رباعية القنوات (2048 عينة لكل نافذة) وميزة الألفة. كان الناتج يمثل تصنيف تفضيل خمس فئات. يتم عرض البنية في الشكل 3، ومعلمات النموذج موضحة في الجدول 2.

تدريب النماذج والتحقق المتقاطع
تم تقسيم مجموعة البيانات عشوائيا إلى 80٪ للتدريب و20٪ للاختبار. تم تطبيق التحقق المتقاطع عشر أضعاف، حيث تم استخدام مجموعة فرعية واحدة للتحقق والتسع المتبقية للتدريب في كل تكرار. تم تكرار هذه العملية عشر مرات، وتم تجميع النتائج. تم تعيين معايير التدريب الفائقة كما يلي: فترات = 30؛ حجم الدفعة = 50؛ المحسن = آدم؛ دالة الخسارة = الانحراف التصنيفي؛ مقياس التقييم = الدقة. تم تسجيل أداء النماذج تحت شروط EEG فقط وEEG + الألفة، سواء لجميع الأنواع مجتمعة أو لكل نوع منفرد.

طرق التحليل الإحصائي
تم إجراء تحليل البيانات باستخدام بايثون 3.10 مع TensorFlow 2.12، Keras 2.12، وMNE-Python 1.3. تم إجراء معالجة البيانات وتحليلها باستخدام Pandas 2.1 و NumPy 1.26. تم تجميع مقاييس الأداء من التحقق المتقاطع العشر أضعاف، وتم حساب قيم المتوسط والانحراف المعياري. أجريت المقارنات الإحصائية بين الحالات باستخدام اختبارات t مزدوجة أو اختبارات تصنيف موقع ويلكوكسون، مع مستوى دلالة P < 0.05.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

النتائج

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

تم تقييم أداء النموذج تحت شرطين: (1) ميزات تخطيط الدماغ الكهربائي فقط و(2) ميزات تخطيط الدماغ المدمجة مع الألفة الموسيقية. تم إجراء تصنيف لكل من فئات الموسيقى المدمجة وفئات الموسيقى الفردية (الروك، الغنائي، والفولك).

يعرض الجدول 3 النتائج التي تم الحصول عليها باستخدام ميزات تخطيط الدماغ فقط، بينما يعرض الجدول 4 النتائج التي تم الحصول عليها باستخدام ميزات تخطيط الدماغ المدمجة مع الألفة. تم تقييم كل من نموذجي CNN+RNN وEEGNet تحت هذه الظروف، وتم ...

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

المناقشة

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

اعتمدت الدراسات السابقة حول التنبؤ بتفضيلات الموسيقى المعتمدة على تخطيط الدماغ الكهربائي إلى حد كبير على أنظمة متعددة القنوات، مما حد من التطبيق العملي 21,22,23,24,25,26. في هذه الدراسة، حقق جهاز تخطيط الدماغ القابل للارتداء بأربع قنوات (Muse S) أداء مماثلا عند دمجه مع نماذج التعلم العميق ومي...

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

الإفصاحات

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

المؤلف لا يملك تضارب مصالح ليكشف عنه.

شكر وتقدير

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يشكر المؤلف بكل امتنان الدعم والمرافق التي قدمتها المؤسسة البحثية خلال فترة هذه الدراسة. نشكر بشكل خاص لموظفي المختبر على مساعدتهم في الإجراءات التقنية.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

المواد

قائمة المواد المستخدمة في هذه المقالة
الاسمالشركةرقم فهرسيالتعليقات
مناديل الكحولأي مورد قياسيلا يوجديستخدم لتنظيف سماعات الرأس بين المشاركين
كمبيوتر جمع البياناتأي مصنع قياسيلا يوجديشغل Muse SDK وطبقة البث المختبري (LSL)
سماعة EEG (Muse S)شركة إنتراكسونhttps://choosemuse.com/muse-s/جهاز تخطيط كهربائي قابل للارتداء بأربع قنوات (TP9، AF7، AF8، TP10)
سماعات الرأس النهائية E3000 داخل الأذنالتصميم الصوتي النهائيhttps://snext-final.com/en/products/detail/E3000يستخدم لتشغيل الصوت أثناء التجربة
برمجيات طبقة البث المختبرية (LSL)مفتوح المصدرhttps://github.com/sccn/labstreaminglayerيستخدم لتدفق بيانات EEG
مجموعة تطوير Museشركة إنتراكسونhttps://developer.choosemuse.com/يستخدم لجمع بيانات تخطيط الدماغ الكهربائي
استبيان ستار (منصة إلكترونية)شركة تشانغشا رانشينغ لتكنولوجيا المعلومات المحدودة.https://www.wjx.cn/يستخدم لجمع بيانات الألفة
بايثون 3.10مؤسسة بايثون للبرمجياتhttps://www.python.org/downloads/يستخدم لمعالجة البيانات وتحليلها
TensorFlow 2.12جوجلhttps://www.tensorflow.org/إطار التعلم العميق
كيراس 2.12جوجلhttps://keras.io/واجهة برمجة تطبيقات الشبكة العصبية
MNE-Python 1.3مفتوح المصدرhttps://mne.tools/stable/index.htmlتحليل بيانات تخطيط الدماغ
نومباي 1.26مفتوح المصدرhttps://numpy.org/الحوسبة العددية
الباندا 2.1مفتوح المصدرhttps://pandas.pydata.org/معالجة البيانات

المراجع

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Ballmann, C. G., McCullum, M. J., Rogers, R. R., Marshall, M. R., Williams, T. D. Effects of preferred vs. nonpreferred music on resistance exercise performance. J. Strength Cond. Res. 35 (6), 1650-1655 (2021).
  2. Banks, D. Neurotechnology: microelectronics. Handbook of Neuroprosthetic Methods. Finn, W. E., LoPresti, P. G. , CRC Press. Boca Raton, FL. 361-400 (2002).
  3. Aldridge, D. An overview of music therapy research. Complement. Ther. Med. 2, 204-216 (1994).
  4. Hillecke, T., Nickel, A., Bolay, H. V. Scientific perspectives on music therapy. Ann. N. Y. Acad. Sci. 1060, 271-282 (2005).
  5. Lai, H. L. Music preference and relaxation in Taiwanese elderly people. Geriatr. Nurs. 25 (5), 286-291 (2004).
  6. Kreutz, G., Lotze, M. Neuroscience of music and emotion. Neurosciences in Music Pedagogy. Rauscher, F., Gruhn, W. , Nova Science Publishers. New York. 143-167 (2007).
  7. Madison, G., Schiölde, G. Repeated listening increases the liking for music regardless of its complexity: implications for the appreciation and aesthetics of music. Front. Neurosci. 11, 147(2017).
  8. Pereira, C. S., et al. Music and emotions in the brain: familiarity matters. PLoS One. 6 (11), e27241(2011).
  9. Hamlen, K. R., Shuell, T. J. The effects of familiarity and audiovisual stimuli on preference for classical music. Bull. Counc. Res. Music Educ. 168, 21-34 (2006).
  10. Liu, W. J. Unit learning in junior high school music class based on deep understanding. Prim. Second. Sch. Music Educ. 3, 5(2022).
  11. A vocal range balancing method, device, and system based on deep learning. China Patent. , CN109147807B (2024).
  12. Yin, D. H. Constructing a music classroom teaching paradigm from the perspective of deep learning (Part 2). Prim. Second. Sch. Music Educ. 6, 4(2022).
  13. Zhang, C., Shi, T., Ai, J., Tian, W. Construction of GUI elements recognition model for AI testing based on deep learning. Proceedings of the 2021 8th International Conference on Dependable Systems and Their Applications (DSA), , 508-515 (2021).
  14. Shi, Y., Ko, Y. C. Construction of English pronunciation judgment and detection model based on deep learning neural networks data stream fusion. Int. J. Pattern Recognit. Artif. Intell. 36 (6), 2252011(2022).
  15. Li, X. H., et al. Survey of remote sensing image registration based on deep learning. Natl. Remote Sens. Bull. 27 (2), 267-284 (2023).
  16. Bishop, C. M., Nasrabadi, N. M. Pattern recognition and machine learning. , Springer. New York. (2006).
  17. Goodfellow, I., Bengio, Y., Courville, A. Deep learning. , MIT Press. Cambridge, MA. (2016).
  18. LeCun, Y., Bengio, Y., Hinton, G. Deep learning. Nature. 521, 436-444 (2015).
  19. Janiesch, C., Zschech, P., Heinrich, K. Machine learning and deep learning. Electron. Mark. 31 (3), 685-695 (2021).
  20. A deep learning-based system and method for Gongche notation character recognition. China Patent. , CN202210650096.0 (2024).
  21. Sun, L. Y. Research on music genre classification and generation technology based on deep learning. , Nanjing Audit University. Nanjing, China. Master's thesis (2022).
  22. Gan, Q. Deep learning-based electronic music signal recognition method. Inf. Comput. 35, 54-56 (2023).
  23. Zhang, H. Building a music teaching and research community using deep learning. Music World. 1, 16-19 (2022).
  24. Liu, L., Kong, M., Cao, C., Shu, Z., Liu, K., et al. Personalized music recommendation algorithm based on machine learning. Multimed. Syst. 31, 166(2025).
  25. Naser, D. S., Saha, G. Influence of music liking on EEG-based emotion recognition. Biomed. Signal Process. Control. 64, 102251(2021).
  26. Cannard, C., Brandmeyer, T., Wahbeh, H., Delorme, A. Self-health monitoring and wearable neurotechnologies. Handbook of Clinical Neurology. Ramsey, N. F., Millán, J. delR. 168, 207-232 (2020).
  27. Kumari, P., Vaish, A. Brainwave-based user identification system: a pilot study in robotics environment. Robot. Auton. Syst. 65, 15-23 (2015).
  28. Asif, A., Majid, M., Anwar, S. M. Human stress classification using EEG signals in response to music tracks. Comput. Biol. Med. 107, 182-196 (2019).

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

إعادة الطباعة والأذونات

طلب إذن لإعادة استخدام النص أو الأشكال في مقالة JoVE هذه

طلب إذن

الوسوم

Music Genre RecognitionDeep Learning ModelEEG Signal AnalysisMusic Preference PredictionCNN RNN ModelEEGNet ArchitectureUser Familiarity FeatureMuse S DeviceMusic Therapy ApplicationPersonalized Music Recommendation

مقالات ذات صلة