Construcción de un modelo de reconocimiento de preferencias de géneros musicales basado en el aprendizaje profundo

Resumen

Este estudio construyó un modelo de aprendizaje profundo utilizando señales EEG y familiaridad musical para predecir la preferencia de géneros musicales. Los datos se recogieron con un dispositivo Muse S de bajo coste y se analizaron utilizando un modelo CNN+RNN y un EEGNet. La familiaridad mejoró significativamente la precisión, llegando hasta el 99%, lo que muestra su valor considerable en la predicción de preferencias.

Resumen

Con la creciente prevalencia de problemas de salud mental, la musicoterapia ha ganado atención como intervención no farmacológica, y las técnicas de aprendizaje profundo han demostrado ser prometedoras en el reconocimiento emocional musical y la predicción de preferencias. Este estudio construyó un modelo profundo de redes neuronales (CNN+RNN/EEGNet) para identificar de forma eficiente las preferencias de tipo musical y examinar la influencia de la familiaridad del usuario en la precisión de las predicciones. Las señales EEG se recogieron utilizando un dispositivo portátil Muse S de cuatro canales, y se utilizaron puntuaciones de familiaridad del usuario como características de entrada. El estudio siguió un flujo de trabajo en cuatro etapas: preparación, diseño experimental, construcción del modelo y análisis de resultados. En el diseño experimental, la música se categorizó en rock, balada y folk, y se recopilaron datos EEG y valoraciones de familiaridad para cada categoría. Los datos se entrenaron y probaron utilizando modelos CNN+RNN o EEGNet, y el rendimiento del modelo se evaluó mediante una validación cruzada a nivel de sujeto de 10 veces. Los resultados indicaron que predecir todos los tipos de música solo con datos EEG logró una precisión del 82,28 ± 3,42%. Para tipos musicales individuales, las precisiones fueron 91,13 ± 3,60% (rock), 91,83 ± 2,07% (baladas) y 87,87 ± 4,76% (folk). Al incorporar la familiaridad del usuario como característica y usar una puntuación multinivel, la precisión global de las predicciones aumentó a 94,94 ± 1,61%, mientras que la precisión individual de los tipos musicales alcanzó 99,15 ± 1,56% (rock), 98,51 ± 2,30% (balada) y 98,21 ± 2,60% (folk). Estos resultados demuestran que combinar características de familiaridad con un sistema de puntuación multinivel mejora significativamente la predicción de las preferencias musicales. Utilizando un dispositivo Muse S EEG asequible y portátil y aprovechando la familiaridad del usuario, este estudio desarrolló con éxito un modelo de red neuronal profunda altamente eficaz (CNN+RNN/EEGNet) para reconocer preferencias de tipo musical. Los hallazgos indican que tanto las predicciones generales como individuales de tipo musical se benefician de la inclusión de información de familiaridad, lo que pone de manifiesto el potencial de este enfoque para recomendaciones musicales personalizadas y aplicaciones de musicoterapia.

Introducción

La música desempeña un papel importante en la vida humana, y el uso generalizado de plataformas online ha convertido la escucha musical en una actividad diaria habitual. Más allá del entretenimiento, la música funciona como una herramienta terapéutica que promueve la relajación, reduce el dolor y apoya a personas con trastornos del desarrollo. La preferencia musical influye directamente tanto en los resultados terapéuticos como en las respuestas emocionales. Estudios previos muestran que la música preferida mejora el rendimiento físico, como la resistencia y la capacidad de^{sprintar 1}, y reduce el estrés y el dolor². También es una intervención importante para adultos mayores, en la que las preferencias individuales influyen en la eficacia del^{tratamiento 3,4}. También se ha demostrado que la música preferida reduce las frecuencias cardíacas y respiratorias, promoviendo la relajación. Además, la preferencia musical mejora la precisión de la predicción emocional⁵, fortalece las respuestas^{emocionales 6} y mejora el rendimiento de los modelos de aprendizaje automático, aumentando la precisión de predicción del 53,18% al 71,09%. La exposición repetida aumenta aún más la preferencia independientemente del sesgo^{inicial 7}.

A pesar de estos hallazgos, los estudios existentes sobre la predicción de preferencias musicales siguen limitados por tamaños de muestra pequeños, rangos de edad estrechos y una consideración insuficiente de la familiaridad del usuario. Estas limitaciones reducen la generalizabilidad del modelo y la aplicabilidad práctica. Incorporar factores específicos de usuario, como la familiaridad, sigue siendo un enfoque poco explorado para mejorar el rendimiento de las predicciones.

El reconocimiento de emociones musicales (EMR) se ha convertido en un área activa de investigación, y su precisión está influida por la preferencia y familiaridad musical 8,9,10,11. Los participantes proporcionan evaluaciones emocionales más consistentes cuando están expuestos a música familiar y preferida, y aumentar la familiaridad mejora la precisión del reconocimiento tanto en entornos experimentales como^educativos 12,13,14,15,16,17. Estos hallazgos destacan la familiaridad como un factor crítico tanto en el reconocimiento emocional como en la predicción de preferencias.

El aprendizaje profundo, basado en redes neuronales artificiales, permite la extracción automática de características de alta dimensión y demuestra un reconocimiento de patrones más fuerte que los modelos^{superficiales} 18,19,20. Las técnicas de aprendizaje profundo también se han aplicado ampliamente a tareas relacionadas con la música, incluyendo la clasificación de géneros, el reconocimiento de señales y sistemas de recomendación^{personalizados} 21,22,23,24,25,26. La electroencefalografía (EEG) se utiliza ampliamente para medir la actividad eléctrica cerebral a través de bandas de frecuencia (Tabla 1) para análisis cognitivo y emocional^27,28. La integración del EEG con el aprendizaje profundo proporciona un marco eficaz para capturar las respuestas neuronales a las preferencias musicales.

Los sistemas EEG tradicionales suelen requerir electrodos a base de gel y equipos de alto coste, lo que limita su aplicabilidad en entornos reales. Los dispositivos EEG portátiles con electrodos secos ofrecen una alternativa práctica, proporcionando costes reducidos, mejor usabilidad y mayor flexibilidad. El dispositivo Muse S registra señales de regiones clave del cerebro (TP9, TP10, AF7, AF8) a 256 Hz, permitiendo una adquisición de datos fiable y escalable tanto para experimentos controlados como para aplicaciones reales.

Este estudio aborda las limitaciones identificadas combinando señales EEG con características de familiaridad del usuario para predecir preferencias musicales utilizando modelos de aprendizaje profundo. Las arquitecturas CNN+RNN y EEGNet se utilizan para extraer tanto características tiempo-frecuencia como dependencias temporales, permitiendo una mejor representación de las señales EEG en comparación con los enfoques tradicionales. El estudio pone a prueba dos hipótesis: (1) la familiaridad con la música por parte del usuario mejora la precisión de la predicción de preferencias basadas en EEG; (2) los modelos específicos de género (rock, lírico y folk) superan a los modelos entrenados en categorías mixtas.

Se incluyó un grupo de 30 adultos sanos con una distribución equilibrada por género. Aunque el tamaño limitado de la muestra y el uso de EEG de cuatro canales restringen la generalizabilidad y la resolución de señales, integrar características de familiaridad con modelos de aprendizaje profundo permite un rendimiento predictivo robusto. Los objetivos son clasificar los géneros musicales y realizar predicciones individuales para cada categoría, e incorporar la familiaridad del usuario como una característica para mejorar la precisión de las predicciones.

Protocolo

Este estudio se llevó a cabo de acuerdo con las directrices del Comité de Ética de la Universidad de Quzhou. El protocolo de investigación fue aprobado por la Junta de Revisión Institucional (IRB) de la Universidad de Quzhou bajo el número de aprobación QZU-IRB-2026-037. Todos los participantes proporcionaron su consentimiento informado antes de su inclusión en el estudio.

Preparación experimental y reclutamiento de participantes
El experimento constó de cuatro etapas (Figura 1): preparación, diseño experimental, construcción del modelo y análisis de resultados. En la fase de preparación, los objetivos de investigación se definieron basándose en una revisión de la literatura sobre musicoterapia, adquisición de datos EEG y modelos de aprendizaje profundo. En la fase de diseño experimental, se reclutaron a 30 participantes sanos para realizar tareas de escucha musical. Se registraron señales EEG y calificaciones de familiaridad musical. Los datos EEG se estandarizaron y segmentaron en ventanas de 2048 muestras con 1024 muestras solapadas. Las características de familiaridad se combinaron con datos EEG como entradas de modelo. Se construyeron dos modelos, CNN+RNN y EEGNet. Las capas CNN extrajeron características tiempo-frecuencia, y el LSTM bidireccional capturó dependencias temporales. Se utilizó una capa totalmente conectada con una función de activación softmax para la clasificación. Los modelos se entrenaron con un tamaño de lote de 50 durante 30 épocas usando el optimizador Adam. Se aplicaron abandonos y paradas anticipadas. El rendimiento se evaluó principalmente utilizando la Precisión como métrica reportada, calculándose también las métricas de Precisión, Memoria y puntuación F1 para una evaluación adicional.

Entorno experimental y configuración del equipo
El experimento se llevó a cabo en una sala silenciosa y cerrada, libre de interferencias externas, manteniendo la temperatura de la sala en 27 ^ºC. Se utilizó el siguiente equipo: un dispositivo EEG (Muse S, InteraXon Inc.), un sistema EEG de cuatro canales (TP9, AF7, AF8, TP10) con una frecuencia de muestreo de 256 Hz; Auriculares intraauriculares Final E3000; y un ordenador de adquisición de datos que ejecuta el SDK Muse y la Capa de Streaming de Laboratorio (LSL).

Antes de cada sesión experimental, se limpiaban con alcohol las superficies de contacto auditivo de los auriculares para garantizar la higiene y reducir el riesgo de contaminación cruzada. El casco Muse S se instaló en cada participante, asegurando un contacto estable entre los cuatro electrodos secos (TP9, AF7, AF8, TP10) y la piel. Si la calidad de la señal era mala, la posición de la diadema se ajustaba hasta obtener señales estables. Los participantes fueron sentados en una silla cómoda con soporte para la espalda y se les indicó que mantuvieran los ojos cerrados, evitaran hablar y minimizaran los movimientos corporales grandes durante el experimento.

Preparación de estímulos musicales
Se prepararon tres géneros musicales: rock, lírica (balada) y música folk. Cada género incluía tres canciones chinas, para un total de nueve canciones. Para controlar las diferencias en la familiaridad musical, las canciones de cada género se seleccionaron según los siguientes criterios: una canción antigua; una canción popular actual (de la lista Spotify Top Songs); y una canción nueva (de la lista de nuevos lanzamientos de Spotify).

Cada canción se editaba en un segmento de audio estandarizado, comenzando por la introducción, seguido por el verso y terminando en el primer estribillo, con una duración total de 90–130 s. Se asignaba un identificador único a cada canción (por ejemplo, R1–R3, B1–B3, F1–F3) para el posterior etiquetado de datos y la gestión de archivos.

Procedimiento experimental y registro de cuestionarios
Antes del experimento formal, se realizaba una prueba de volumen reproduciendo un clip de audio de prueba. Los participantes ajustaron el volumen a un nivel claro, cómodo y no excesivamente alto, y lo mantuvieron constante durante todo el experimento. El orden de reproducción de las nueve canciones fue aleatorizado (por ejemplo, usando una tabla de números aleatorios o aleatorización por software) para reducir los efectos de orden. Todos los participantes completaron las tareas de escucha de música de forma independiente. Cada segmento musical se presentaba desde la introducción hasta el primer estribillo, con una duración de 90–130 segundos. Se ofrecía un descanso de 30 segundos entre canciones. Durante este intervalo, los participantes completaron un cuestionario de familiaridad utilizando una plataforma online (Questionnaire Star). Los participantes valoraron su familiaridad con cada canción utilizando una escala Likert de cinco puntos (1 = completamente desconocido; 5 = muy familiar). La etiqueta de preferencia del participante para cada canción se registraba (0 = dislike; 1 = like) según el esquema de clasificación binaria predefinido. El procedimiento experimental completo se ilustra en la Figura 2.

Adquisición de EEG y registro de datos
Los datos EEG se adquirieron usando el SDK oficial de Muse y se transmitieron en streaming a través de la Capa de Streaming de Laboratorio (LSL). Los datos EEG correspondientes a cada canción se guardaban como archivos de Valores Separados por Comas (CSV), que contenían como mínimo los siguientes campos: marca de tiempo (milisegundos); señales EEG en bruto de cuatro canales (TP9, AF7, AF8, TP10); puntuación de familiaridad registrada manualmente (1–5); y etiqueta de preferencia (0/1). Se utilizó una convención consistente de nombres de archivos (por ejemplo, S01_R1.csv, que indica participante 01 y canción rock 1) para facilitar el procesamiento automatizado y la trazabilidad.

Preprocesado, normalización y ventanas de datos
Las señales EEG se grababan usando un dispositivo EEG Muse S de cuatro canales con una frecuencia de muestreo de 256 Hz, y se desarrollaban programas personalizados usando el kit oficial de desarrollo. Los datos en bruto del EEG se adquirían a través de la Capa de Streaming de Laboratorio (LSL) y se guardaban en formato CSV. Los archivos CSV incluían las siguientes columnas: marca de tiempo (milisegundos), valores EEG de cuatro canales (TP9, AF7, AF8, TP10), valoraciones de familiaridad musical del usuario (1–5) y valoraciones de preferencia musical del usuario.

El número total de entradas de datos corresponde a múltiples ventanas generadas para cada participante y cada pieza musical, resultando en un conjunto de datos a gran escala dependiendo del esquema de ventanas. En el experimento original, la preferencia musical se representaba como una etiqueta binaria (0 = dislike, 1 = like), lo que puede llevar a una precisión artificialmente alta y a una generalización limitada del modelo.

Para mejorar la importancia práctica de la tarea de predicción, las etiquetas de preferencia se convirtieron en una escala de valoración multinivel: 0 = Fuertemente en desacuerdo; 1 = No está de acuerdo; 2 = Neutral; 3 = De acuerdo; 4 = Totalmente de acuerdo.

Antes del aprendizaje automático, los datos se estandarizaban y segmentaban en ventanas de 2048 muestras cada una, con 1024 muestras solapándose entre ventanas adyacentes para preservar la continuidad temporal. Además, se aplicó aumento de datos para aumentar el número de muestras de entrenamiento y reducir el riesgo de sobreajuste.

Arquitectura del modelo
El modelo de investigación consistía en tres capas convolucionales, tres capas de agrupación y una capa completamente conectada. Se utilizaba el pool máximo para la selección de características, se aplicaba dropout para reducir el sobreajuste y la salida final se generaba usando una capa de clasificación softmax. Cada ventana de entrada incluía señales EEG de cuatro canales (2048 muestras por ventana) y una función de familiaridad. La producción representaba una clasificación de preferencia de cinco clases. La arquitectura se muestra en la Figura 3, y los parámetros del modelo se describen en la Tabla 2.

Entrenamiento de modelos y validación cruzada
El conjunto de datos se dividió aleatoriamente en un 80% para entrenamiento y un 20% para pruebas. Se aplicó una validación cruzada diez veces, con un subconjunto usado para validación y los nueve restantes para el entrenamiento en cada iteración. Este proceso se repitió diez veces y los resultados se agregaron. Los hiperparámetros de entrenamiento se establecieron de la siguiente manera: Épocas = 30; Tamaño del lote = 50; optimizador = Adam; Función de pérdida = cruz categórica; Métrica de evaluación = Precisión. El rendimiento del modelo se grabó bajo condiciones solo EEG y EEG + familiaridad, tanto para todos los géneros combinados como para géneros individuales.

Métodos de análisis estadístico
El análisis de datos se realizó usando Python 3.10 con TensorFlow 2.12, Keras 2.12 y MNE-Python 1.3. El procesamiento y análisis de datos se realizaron utilizando Pandas 2.1 y NumPy 1.26. Se agregaron las métricas de rendimiento de la validación cruzada de 10 veces, y se calcularon valores de media y desviación estándar. Las comparaciones estadísticas entre condiciones se realizaron utilizando pruebas t pareadas o pruebas de rango por signo de Wilcoxon, con un nivel de significación de P < 0,05.

Resultados

El rendimiento del modelo se evaluó bajo dos condiciones: (1) solo características de EEG y (2) características de EEG combinadas con familiaridad musical. Se realizó una clasificación tanto para categorías musicales combinadas como para categorías individuales (rock, lírica y folk).

La Tabla 3 presenta los resultados obtenidos usando únicamente características EEG, mientras que la Tabla 4 presenta resultados obtenidos usando características E...

Discusión

Estudios previos sobre la predicción de preferencias musicales basadas en EEG se han basado en gran medida en sistemas multicanal, limitando la aplicación práctica^en 21,22,23,24,25,26. En este estudio, un dispositivo EEG portátil de cuatro canales (Muse S) logró un rendimiento comparable comb...

Materiales

Lista de materiales utilizados en este artículo

Nombre	Empresa	Número de catálogo	Comentarios
Toallitas con alcohol	Cualquier proveedor estándar	N/A	Usado para limpiar auriculares entre participantes
Ordenador de adquisición de datos	Cualquier fabricante estándar	N/A	Ejecuta el SDK Muse y la Capa de Streaming de Laboratorio (LSL)
Casco EEG (Muse S)	InteraXon Inc.	https://choosemuse.com/muse-s/	Dispositivo EEG portátil de cuatro canales (TP9, AF7, AF8, TP10)
Auriculares intraintra-auriculares Final E3000	Diseño final de audio	https://snext-final.com/en/products/detail/E3000	Utilizado para reproducción de audio durante experimentos
Software de Capa de Streaming de Laboratorio (LSL)	Código abierto	https://github.com/sccn/labstreaminglayer	Utilizado para transmisión de datos EEG
Muse SDK	InteraXon Inc.	https://developer.choosemuse.com/	Utilizado para la adquisición de datos EEG
Questionnaire Star (plataforma online)	Changsha Ranxing Information Technology Co., Ltd.	https://www.wjx.cn/	Utilizado para la recopilación de datos de familiaridad
Python 3.10	Fundación de Software Python	https://www.python.org/downloads/	Utilizado para el procesamiento y análisis de datos
TensorFlow 2.12	Google	https://www.tensorflow.org/	Marco de aprendizaje profundo
Keras 2.12	Google	https://keras.io/	API de redes neuronales
MNE-Python 1.3	Código abierto	https://mne.tools/stable/index.html	Análisis de datos EEG
NumPy 1.26	Código abierto	https://numpy.org/	Cálculo numérico
Pandas 2.1	Código abierto	https://pandas.pydata.org/	Manipulación de datos