Aufbau eines Musikgenre-Präferenz-Erkennungsmodells basierend auf Deep Learning

Zusammenfassung

Diese Studie entwickelte ein Deep-Learning-Modell unter Verwendung von EEG-Signalen und Musikvertrautheit, um Musikgenrepräferenzen vorherzusagen. Die Daten wurden mit einem kostengünstigen Muse S-Gerät gesammelt und mit einem CNN+RNN und einem EEGNet-Modell analysiert. Die Vertrautheit verbesserte die Genauigkeit deutlich und erreichte bis zu 99 %, was ihren erheblichen Wert bei der Präferenzvorhersage zeigt.

Zusammenfassung

Mit der zunehmenden Häufigkeit psychischer Probleme hat Musiktherapie als nicht-pharmakologische Intervention an Bedeutung gewonnen, und Deep-Learning-Techniken haben vielversprechende Signale bei der Erkennung und Präferenzvorhersage gezeigt. Diese Studie entwickelte ein Deep Neural Network Model (CNN+RNN/EEGNet), um Musiktyppräferenzen effizient zu identifizieren und den Einfluss der Nutzervertrautheit auf die Vorhersagegenauigkeit zu untersuchen. EEG-Signale wurden mit einem vierkanaligen Muse S-Wearable-Gerät erfasst, und Benutzervertrautheitswerte wurden als Eingabefunktionen verwendet. Die Studie folgte einem vierstufigen Arbeitsablauf: Vorbereitung, Versuchsdesign, Modellbau und Ergebnisanalyse. Im experimentellen Design wurde Musik in Rock, Ballad und Folk kategorisiert, und EEG-Daten sowie Vertrautheitsbewertungen wurden für jede Kategorie erhoben. Die Daten wurden mit CNN+RNN- oder EEGNet-Modellen trainiert und getestet, und die Modellleistung wurde mittels 10-facher Kreuzvalidierung auf Subjektebene bewertet. Die Ergebnisse zeigten, dass die Vorhersage aller Musiktypen allein mit EEG-Daten eine Genauigkeit von 82,28 ± 3,42 % erreichte. Für einzelne Musiktypen betrugen die Genauigkeiten 91,13 ± 3,60 % (Rock), 91,83 ± 2,07 % (Ballade) und 87,87 ± 4,76 % (Folk). Unter Einbeziehung der Nutzervertrautheit als Feature und Verwendung eines mehrstufigen Bewertungsoutputs stieg die Gesamtvorhersagegenauigkeit auf 94,94 ± 1,61 %, während die Genauigkeit einzelner Musiktypen 99,15 ± 1,56 % (Rock), 98,51 ± 2,30 % (Ballade) und 98,21 ± 2,60 % (Folk) erreichte. Diese Ergebnisse zeigen, dass die Kombination von Vertrautheitsmerkmalen mit einem mehrstufigen Bewertungssystem die Vorhersage von Musikpräferenzen deutlich verbessert. Durch den Einsatz eines erschwinglichen, tragbaren Muse S EEG-Geräts und die Nutzung der Nutzervertrautheit entwickelte diese Studie erfolgreich ein hochwirksames Deep-Neural-Netzwerk-Modell (CNN+RNN/EEGNet) zur Erkennung von Musiktyppräferenzen. Die Ergebnisse zeigen, dass sowohl die Gesamt- als auch die individuellen Musiktyp-Vorhersagen von der Einbeziehung von Vertrautheitsinformationen profitieren, was das Potenzial dieses Ansatzes für personalisierte Musikempfehlungen und Anwendungen der Musiktherapie hervorhebt.

Einleitung

Musik spielt eine bedeutende Rolle im menschlichen Leben, und die weitverbreitete Nutzung von Online-Plattformen hat das Hören von Musik zu einer täglichen Routine gemacht. Über Unterhaltung hinaus fungiert Musik als therapeutisches Werkzeug, das Entspannung fördert, Schmerzen lindert und Menschen mit Entwicklungsstörungen unterstützt. Musikalische Präferenz beeinflusst sowohl therapeutische Ergebnisse als auch emotionale Reaktionen direkt. Frühere Studien zeigen, dass bevorzugte Musik die körperliche Leistungsfähigkeit wie Ausdauer und Sprintkapazität¹ verbessert und Stress sowie Schmerz reduziert². Sie ist auch eine wichtige Intervention für ältere Erwachsene, bei der individuelle Präferenzen die Wirksamkeit der Behandlung^{beeinflussen 3,4}. Bevorzugte Musik hat außerdem gezeigt, dass sie Herz- und Atemfrequenzen senkt und so Entspannung fördert. Darüber hinaus verbessert die musikalische Präferenz die Genauigkeit der Emotionsvorhersage⁵, verstärkt emotionale Reaktionen⁶ und verbessert die Leistung von maschinellen Lernmodellen, wodurch die Vorhersagegenauigkeit von 53,18 % auf 71,09 % steigt. Wiederholte Exposition erhöht die Präferenz weiter, unabhängig von der anfänglichen Verzerrung⁷.

Trotz dieser Ergebnisse bleiben bestehende Studien zur Vorhersage von Musikpräferenzen durch kleine Stichprobengrößen, enge Altersspannen und unzureichende Berücksichtigung der Nutzervertrautheit begrenzt. Diese Einschränkungen verringern die Verallgemeinerbarkeit des Modells und die praktische Anwendbarkeit. Die Einbeziehung nutzerspezifischer Faktoren wie Vertrautheit bleibt ein wenig erforschter Ansatz zur Verbesserung der Vorhersageleistung.

Musikemotionserkennung (EMR) ist zu einem aktiven Forschungsgebiet geworden, und ihre Genauigkeit wird von musikalischen Vorlieben und Vertrautheit beeinflusst 8,9,10,11^. Die Teilnehmer liefern bei bekannter und bevorzugter Musik konsistentere emotionale Bewertungen, und eine höhere Vertrautheit verbessert die Erkennungsgenauigkeit sowohl in experimentellen als auch in pädagogischen Umgebungen 12,13,14,15,16,17. Diese Ergebnisse heben Vertrautheit als entscheidenden Faktor sowohl bei der Emotionserkennung als auch bei der Präferenzvorhersage hervor.

Deep Learning, basierend auf künstlichen neuronalen Netzen, ermöglicht die automatische Extraktion hochdimensionaler Merkmale und zeigt eine stärkere Mustererkennung als flache Modelle 18,19,20. Deep-Learning-Techniken wurden auch häufig auf musikbezogene Aufgaben angewandt, darunter Genreklassifikation, Signalerkennung und personalisierte Empfehlungssysteme 21,22,23,24,25,26. Elektroenzephalographie (EEG) wird weit verbreitet verwendet, um elektrische Gehirnaktivität über Frequenzbänder hinweg zu messen (Tabelle 1) für kognitive und emotionale Analysen^27,28. Die Integration von EEG mit Deep Learning bietet einen effektiven Rahmen zur Erfassung neuronaler Reaktionen auf Musikpräferenzen.

Traditionelle EEG-Systeme benötigen oft gelbasierte Elektroden und teure Geräte, was ihre Anwendbarkeit in realen Situationen einschränkt. Tragbare EEG-Geräte mit trockenen Elektroden bieten eine praktische Alternative, die Kosten senkt, die Benutzerfreundlichkeit verbessert und mehr Flexibilität bietet. Das Muse S-Gerät zeichnet Signale aus wichtigen Hirnregionen (TP9, TP10, AF7, AF8) bei 256 Hz auf und ermöglicht so eine zuverlässige, skalierbare Datenerfassung sowohl für kontrollierte Experimente als auch für reale Anwendungen.

Diese Studie adressiert die identifizierten Einschränkungen, indem EEG-Signale mit Nutzervertrautheitsmerkmalen kombiniert werden, um Musikpräferenzen mithilfe von Deep-Learning-Modellen vorherzusagen. CNN+RNN- und EEGNet-Architekturen werden verwendet, um sowohl Zeit-Frequenzmerkmale als auch zeitliche Abhängigkeiten zu extrahieren, was eine verbesserte Darstellung von EEG-Signalen im Vergleich zu traditionellen Ansätzen ermöglicht. Die Studie testet zwei Hypothesen: (1) Die Vertrautheit der Musik verbessert die EEG-basierte Präferenzprognosegenauigkeit; (2) Genre-spezifische Modelle (Rock, Lyrik und Folk) übertreffen Modelle, die auf gemischten Kategorien trainiert sind.

Eine Kohorte von 30 gesunden Erwachsenen mit ausgewogener Geschlechterverteilung wurde eingeschlossen. Obwohl die begrenzte Stichprobengröße und der Einsatz von Vierkanal-EEG die Generalisierbarkeit und Signalauflösung einschränken, ermöglicht die Integration von Vertrautheitsmerkmalen mit Deep-Learning-Modellen eine robuste Vorhersageleistung. Die Ziele sind es, Musikgenres zu klassifizieren und individuelle Vorhersagen für jede Kategorie durchzuführen sowie die Nutzervertrautheit als Funktion zu integrieren, um die Vorhersagegenauigkeit zu verbessern.

Protokoll

Diese Studie wurde gemäß den Richtlinien des Ethikausschusses der Universität Quzhou durchgeführt. Das Forschungsprotokoll wurde vom Institutional Review Board (IRB) der Universität Quzhou unter der Genehmigungsnummer QZU-IRB-2026-037 genehmigt. Alle Teilnehmer gaben vor ihrer Aufnahme in die Studie eine informierte Einwilligung.

Experimentelle Vorbereitung und Teilnehmerrekrutierung
Das Experiment bestand aus vier Phasen (Abbildung 1): Vorbereitung, Versuchsdesign, Modellbau und Ergebnisanalyse. In der Vorbereitungsphase wurden Forschungsziele auf Basis einer Literaturübersicht zu Musiktherapie, EEG-Datenerfassung und Deep-Learning-Modellen definiert. In der experimentellen Designphase wurden 30 gesunde Teilnehmer rekrutiert, um Musikhöraufgaben durchzuführen. EEG-Signale und Musikbekanntheitsbewertungen wurden aufgezeichnet. EEG-Daten wurden standardisiert und in Fenster von 2048 Proben mit 1024 Überschneidungen segmentiert. Vertrautheitsmerkmale wurden mit EEG-Daten als Modelleingaben kombiniert. Zwei Modelle, CNN+RNN und EEGNet, wurden konstruiert. CNN-Schichten extrahierten Zeit-Frequenz-Merkmale, und bidirektionale LSTM erfasste zeitliche Abhängigkeiten. Für die Klassifikation wurde eine vollständig verbundene Schicht mit einer Softmax-Aktivierungsfunktion verwendet. Die Modelle wurden mit einer Chargengröße von 50 für 30 Epochen mit dem Adam-Optimierer trainiert. Abbruch und vorzeitiges Abbrechen wurden angewendet. Die Leistung wurde hauptsächlich unter Verwendung von Genauigkeit als gemeldeter Kennzahl bewertet, wobei Präzision, Abruf und F1-Score-Metriken ebenfalls für zusätzliche Bewertungen berechnet wurden.

Experimentelle Umgebung und Ausrüstungsaufbau
Das Experiment wurde in einem ruhigen, geschlossenen Raum durchgeführt, der frei von äußeren Einflüssen war, wobei die Raumtemperatur bei 27 ^°C gehalten wurde. Folgende Geräte wurden verwendet: ein EEG-Gerät (Muse S, InteraXon Inc.), ein vierkanaliges EEG-System (TP9, AF7, AF8, TP10) mit einer Abtastrate von 256 Hz; Endgültige E3000 In-Ear-Kopfhörer; und einen Datenerfassungscomputer, der das Muse SDK und die Lab Streaming Layer (LSL) ausführt.

Vor jeder experimentellen Sitzung wurden die Ohrkontaktflächen der Kopfhörer mit Alkohol gereinigt, um die Hygiene zu gewährleisten und das Risiko einer Kreuzkontamination zu verringern. Das Muse S-Headset wurde jedem Teilnehmer angebracht, um einen stabilen Kontakt zwischen allen vier trockenen Elektroden (TP9, AF7, AF8, TP10) und der Haut sicherzustellen. War die Signalqualität schlecht, wurde die Position des Kopfbands angepasst, bis stabile Signale vorlagen. Die Teilnehmer saßen in einem bequemen Stuhl mit Rückenstütze und wurden angewiesen, die Augen geschlossen zu halten, während des Experiments nicht zu sprechen und große Körperbewegungen zu minimieren.

Vorbereitung auf musikalische Reize
Drei Musikrichtungen wurden vorbereitet: Rock, lyrische (Ballade) und Volksmusik. Jedes Genre enthielt drei chinesische Lieder, insgesamt neun Lieder. Um Unterschiede in der musikalischen Vertrautheit zu kontrollieren, wurden Lieder in jedem Genre nach folgenden Kriterien ausgewählt: ein altes Lied; ein aktueller populärer Song (aus der Spotify Top Songs-Chart); und einen neuen Song (aus der Spotify New Releases Chart).

Jedes Lied wurde zu einem standardisierten Audiosegment bearbeitet, beginnend mit der Einleitung, gefolgt von der Strophe und endend beim ersten Refrain, mit einer Gesamtdauer von 90–130 Sekunden. Jedem Lied wurde eine eindeutige Kennung zugewiesen (z. B. R1–R3, B1–B3, F1–F3) für die anschließende Datenbeschriftung und Dateiverwaltung.

Experimentelles Verfahren und Fragebogenerfassung
Vor dem formellen Experiment wurde ein Lautstärketest durchgeführt, indem ein Test-Audioclip abgespielt wurde. Die Teilnehmer stellten die Lautstärke auf einen klaren, angenehmen und nicht übermäßig lauten Ton ein und hielten ihn während des gesamten Experiments konstant. Die Wiedergabereihenfolge der neun Lieder wurde randomisiert (z. B. unter Verwendung einer Zufallstabelle oder Software-Randomisierung), um die Reihenfolgeeffekte zu reduzieren. Alle Teilnehmer erledigten die Musikhöraufgaben eigenständig. Jeder Musikabschnitt wurde von der Einführung bis zum ersten Refrain präsentiert und dauerte 90–130 Sekunden. Zwischen den Songs gab es eine 30-sekündige Pause. Während dieses Intervalls füllten die Teilnehmer einen Vertrautheitsfragebogen über eine Online-Plattform (Questionnaire Star) aus. Die Teilnehmer bewerteten ihre Vertrautheit mit jedem Lied anhand einer Likert-Skala mit fünf Punkten (1 = völlig unbekannt; 5 = sehr vertraut). Das Präferenzlabel des Teilnehmers für jedes Lied wurde (0 = Abneigung; 1 = Gefällt) gemäß dem vordefinierten binären Klassifikationsschema erfasst. Das vollständige experimentelle Verfahren ist in Abbildung 2 dargestellt.

EEG-Erfassung und Datenerfassung
EEG-Daten wurden mit dem offiziellen Muse SDK erfasst und über die Lab Streaming Layer (LSL) gestreamt. Die EEG-Daten, die zu jedem Song gehörten, wurden als Comma-Separated Values (CSV)-Dateien gespeichert und enthielten mindestens folgende Felder: Zeitstempel (Millisekunden); rohe EEG-Signale von vier Kanälen (TP9, AF7, AF8, TP10); manuell aufgezeichnete Vertrautheitswerte (1–5); und Präferenzetikett (0/1). Eine einheitliche Dateibenennungskonvention wurde verwendet (z. B. S01_R1.csv, was Teilnehmer 01 und Rocksong 1 anzeigt), um automatisierte Verarbeitung und Rückverfolgbarkeit zu erleichtern.

Datenvorverarbeitung, Normalisierung und Fensterung
EEG-Signale wurden mit einem Muse S vierkanaligen EEG-Gerät mit einer Abtastrate von 256 Hz aufgezeichnet, und benutzerdefinierte Programme wurden mit dem offiziellen Entwicklungskit entwickelt. Roh-EEG-Daten wurden über die Lab Streaming Layer (LSL) erfasst und im CSV-Format gespeichert. Die CSV-Dateien enthielten folgende Spalten: Zeitstempel (Millisekunden), vierkanalige EEG-Werte (TP9, AF7, AF8, TP10), Musikbekanntheitsbewertungen (1–5) und Musikpräferenzbewertungen.

Die Gesamtzahl der Dateneinträge entspricht mehreren Fenstern, die für jeden Teilnehmer und jedes Musikstück generiert werden, was je nach Fensterschema zu einem groß angelegten Datensatz führt. Im ursprünglichen Experiment wurde die Musikpräferenz als binäres Label dargestellt (0 = Abneigung, 1 = Gefallen), was zu künstlich hoher Genauigkeit und begrenzter Modellverallgemeinerung führen kann.

Um die praktische Bedeutung der Vorhersage-Aufgabe zu verbessern, wurden die Präferenzbezeichnungen in eine mehrstufige Bewertungsskala umgewandelt: 0 = Stark uneinig; 1 = Widerspruch; 2 = Neutral; 3 = Einverstanden; 4 = Stimme voll und ganz zu.

Vor dem maschinellen Lernen wurden die Daten standardisiert und in Fenster von jeweils 2048 Stichproben segmentiert, wobei sich 1024 Proben zwischen benachbarten Fenstern überlappten, um die zeitliche Kontinuität zu wahren. Zusätzlich wurde eine Datenerweiterung angewendet, um die Anzahl der Trainingsproben zu erhöhen und das Risiko von Überanpassung zu verringern.

Modellarchitektur
Das Forschungsmodell bestand aus drei Faltungsschichten, drei Poolschichten und einer vollständig verbundenen Schicht. Max-Pooling wurde für die Merkmalsauswahl verwendet, Dropout wurde angewendet, um Überanpassung zu reduzieren, und die endgültige Ausgabe wurde mit einer Softmax-Klassifikationsschicht generiert. Jedes Eingangsfenster enthielt vierkanalige EEG-Signale (2048 Proben pro Fenster) und eine Vertrautheitsfunktion. Das Ergebnis entsprach einer Präferenzbewertung von fünf Klassen. Die Architektur ist in Abbildung 3 dargestellt, und die Modellparameter sind in Tabelle 2 dargestellt.

Modelltraining und Kreuzvalidierung
Der Datensatz wurde zufällig in 80 % für das Training und 20 % für Tests aufgeteilt. Zehnfache Kreuzvalidierung wurde angewendet, wobei eine Teilmenge für die Validierung und die übrigen neun für das Training in jeder Iteration verwendet wurde. Dieser Prozess wurde zehnmal wiederholt, und die Ergebnisse wurden aggregiert. Die Trainingshyperparameter wurden wie folgt festgelegt: Epochen = 30; Chargengröße = 50; Optimierer = Adam; Verlustfunktion = kategorische Kreuzentropie; Bewertungsmetrik = Genauigkeit. Die Modellleistung wurde unter reinen EEG- und EEG+-Vertrautheitsbedingungen aufgezeichnet, sowohl für alle Genres kombiniert als auch für einzelne Genres.

Statistische Analysemethoden
Die Datenanalyse wurde mit Python 3.10 mit TensorFlow 2.12, Keras 2.12 und MNE-Python 1.3 durchgeführt. Die Datenverarbeitung und -analyse wurden mit Pandas 2.1 und NumPy 1.26 durchgeführt. Leistungskennzahlen aus der zehnfachen Kreuzvalidierung wurden aggregiert, und Mittelwert- sowie Standardabweichungswerte wurden berechnet. Statistische Vergleiche zwischen den Bedingungen wurden mit gepaarten t-Tests oder Wilcoxon-Signed-Rank-Tests durchgeführt, mit einem Signifikanzwert von P < 0,05.

Ergebnisse

Die Modellleistung wurde unter zwei Bedingungen bewertet: (1) Nur EEG-Merkmale und (2) EEG-Merkmale kombiniert mit musikalischer Vertrautheit. Die Klassifizierung erfolgte sowohl für kombinierte Musikkategorien als auch für einzelne Musikkategorien (Rock, Lyrik und Folk).

Tabelle 3 zeigt Ergebnisse, die ausschließlich mit EEG-Merkmalen erhalten wurden, während Tabelle 4 Ergebnisse mit EEG-Merkmalen in Kombination mit Vertrautheit darstellt. So...

Diskussion

Frühere Studien zur EEG-basierten Musikpräferenzvorhersage stützten sich weitgehend auf Mehrkanalsysteme, was die praktische Anwendung^auf 21,22,23,24,25,26 begrenzte. In dieser Studie erzielte ein vierkanaliges tragbares EEG-Gerät (Muse S) eine vergleichbare Leistung, wenn es mit Deep-Learnin...

Materialien

Liste der in diesem Artikel verwendeten Materialien

Name	Unternehmen	Katalognummer	Kommentare
Alkoholtücher	Jeder Standardlieferant	N/A	Verwendet zum Reinigen von Kopfhörern zwischen den Teilnehmern
Datenerfassungscomputer	Jeder Standardhersteller	N/A	Verwendet das Muse SDK und die Lab Streaming Layer (LSL)
EEG-Headset (Muse S)	InteraXon Inc.	https://choosemuse.com/muse-s/	Vierkanaliges tragbares EEG-Gerät (TP9, AF7, AF8, TP10)
Endgültige E3000 In-Ear-Kopfhörer	Endgültiges Audiodesign	https://snext-final.com/en/products/detail/E3000	Verwendet für die Audiowiedergabe während des Experiments
Lab Streaming Layer (LSL)-Software	Open Source	https://github.com/sccn/labstreaminglayer	Verwendung für EEG-Datenstreaming
Muse SDK	InteraXon Inc.	https://developer.choosemuse.com/	Verwendet zur EEG-Datenerfassung
Questionnaire Star (Online-Plattform)	Changsha Ranxing Information Technology Co., Ltd.	https://www.wjx.cn/	Verwendet zur Sammlung von Vertrautheitsdaten
Python 3.10	Python Software Foundation	https://www.python.org/downloads/	Verwendung für Datenverarbeitung und -analyse
TensorFlow 2.12	Google	https://www.tensorflow.org/	Deep-Learning-Framework
Keras 2.12	Google	https://keras.io/	Neurale Netzwerk-API
MNE-Python 1.3	Open Source	https://mne.tools/stable/index.html	EEG-Datenanalyse
NumPy 1.26	Open Source	https://numpy.org/	Numerische Berechnung
Pandas 2.1	Open Source	https://pandas.pydata.org/	Datenmanipulation