מאמר מחקר

בניית מודל זיהוי העדפות לז'אנר מוזיקלי המבוסס על למידה עמוקה

DOI:

10.3791/70514

⸱

26 במאי 2026

1College of Teacher Education, Quzhou University

במאמר זה

סיכום

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

מחקר זה בנה מודל למידה עמוקה המשתמש באותות EEG והיכרות מוזיקלית לחיזוי העדפות ז'אנר מוזיקלי. הנתונים נאספו באמצעות מכשיר Muse S זול ונותחו באמצעות CNN+RNN ומודל EEGNet. ההיכרות שיפרה משמעותית את הדיוק, והגיעה לעד 99%, המראה את ערכה המשמעותי בחיזוי העדפות.

תקציר

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

עם העלייה בשכיחות של בעיות נפשיות, טיפול במוזיקה זכה לתשומת לב כהתערבות לא-פרמקולוגית, וטכניקות למידה עמוקה הראו פוטנציאל בזיהוי רגשות במוזיקה ובחיזוי העדפות. מחקר זה בנה מודל רשת עצבית עמוקה (CNN+RNN/EEGNet) לזיהוי יעיל של העדפות סוגי מוזיקה ולבחון את השפעת ההיכרות עם המשתמש על דיוק התחזית. אותות EEG נאספו באמצעות מכשיר לביש Muse S בעל ארבעה ערוצים, וציוני היכרות של המשתמש שימשו כתכונות קלט. המחקר התנהל לפי תהליך עבודה בן ארבעה שלבים: הכנה, עיצוב ניסוי, בניית מודלים וניתוח תוצאות. בעיצוב הניסיוני, המוזיקה סווגה לרוק, בלדה ופולק, ונאספו נתוני EEG ודירוגי היכרות לכל קטגוריה. הנתונים אומנו ונבדקו באמצעות מודלים של CNN+RNN או EEGNet, וביצועי המודל הוערכו באמצעות אימות צולב של 10 פעמים ברמת הנבדק. התוצאות הראו כי חיזוי כל סוגי המוזיקה באמצעות נתוני EEG בלבד השיג דיוק של 82.28 ± 3.42%. לסוגי מוזיקה בודדים, הדיוקים היו 91.13 ± 3.60% (רוק), 91.83 ± 2.07% (בלדה), ו-87.87 ±-4.76% (פולק). כאשר משלבים את ההיכרות עם המשתמש כתכונה ומשתמשים בפלט דירוג רב-רמות, דיוק החיזוי הכולל עלה ל-94.94 ± 1.61%, בעוד דיוק סוגי המוזיקה הגיע ל-99.15 ± 1.56% (רוק), 98.51 ± 2.30% (בלדה), ו-98.21 ± 2.60% (פולק). תוצאות אלו מראות ששילוב תכונות היכרות עם מערכת ניקוד רב-רמתית משפר משמעותית את חיזוי העדפות המוזיקה. באמצעות מכשיר EEG Muse S לבישה וזול וניצול היכרות המשתמש, מחקר זה פיתח בהצלחה מודל רשת עצבית עמוקה יעיל מאוד (CNN+RNN/EEGNet) לזיהוי העדפות סוגי מוזיקה. הממצאים מצביעים על כך שגם תחזיות מוזיקליות כלליות וגם אישיות נהנות מהכללת מידע על היכרות, מה שמדגיש את הפוטנציאל של גישה זו להמלצות מוזיקה מותאמות אישית וליישומי טיפול במוזיקה.

מבוא

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

למוזיקה יש תפקיד משמעותי בחיי האדם, והשימוש הנרחב בפלטפורמות מקוונות הפך את ההאזנה למוזיקה לפעילות יומיומית שגרתית. מעבר לבידור, המוזיקה משמשת ככלי טיפולי שמקדם הרפיה, מפחית כאב ותומך באנשים עם מצבים התפתחותיים. העדפה מוזיקלית משפיעה ישירות הן על תוצאות טיפוליות והן על תגובות רגשיות. מחקרים קודמים מראים שמוזיקה מועדפת משפרת ביצועים פיזיים, כמו סיבולת ויכולת ריצה1, ומפחיתה לחץ וכאב2. זו גם התערבות חשובה למבוגרים, שבה ההעדפות האישיות משפיעות על יעילות הטיפול 3,4. הוכח גם שמוזיקה מועדפת מורידה את קצב הלב והנשימה, ומקדמת רגיעה. בנוסף, העדפה מוזיקלית משפרת את דיוק חיזוי הרגש5, מחזקת תגובות רגשיות6, ומשפרת את ביצועי מודל למידת המכונה, ומעלה את דיוק החיזוי מ-53.18% ל-71.09%. חשיפה חוזרת מגדילה עוד יותר את ההעדפה ללא קשר להטיה הראשונית7.

למרות ממצאים אלו, מחקרים קיימים על חיזוי העדפות מוזיקה נותרו מוגבלים בשל גודל מדגם קטן, טווחי גיל צרים וחוסר התחשבות מספקת בהיכרות המשתמשים. מגבלות אלו מפחיתות את הכללת המודל ואת היישום המעשי. שילוב גורמים ספציפיים למשתמש כמו היכרות נותר גישה לא נחקרה לשיפור ביצועי התחזיות.

זיהוי רגשות מוזיקלי (EMR) הפך לתחום מחקר פעיל, ודיוקו מושפע מהעדפה מוזיקלית והיכרות 8,9,10,11. המשתתפים מספקים הערכות רגשיות עקביות יותר כאשר הם נחשפים למוזיקה מוכרת ומועדפת, והגברת ההיכרות משפרת את דיוק הזיהוי הן בסביבות ניסיוניות והן בסביבות חינוכיות 12,13,14,15,16,17. ממצאים אלו מדגישים את ההיכרות כגורם קריטי הן בזיהוי רגשות והן בחיזוי העדפות.

למידה עמוקה, המבוססת על רשתות עצביות מלאכותיות, מאפשרת חילוץ אוטומטי של תכונות רב-ממדיות ומדגימה זיהוי דפוסים חזק יותר מאשר מודלים רדודים 18,19,20. טכניקות למידה עמוקה יושמו גם באופן נרחב במשימות הקשורות למוזיקה, כולל סיווג ז'אנרים, זיהוי אותות ומערכות המלצות מותאמות אישית 21,22,23,24,25,26. אלקטרואנצפלוגרפיה (EEG) משמשת באופן נרחב למדידת פעילות חשמלית מוחית בין תחומי תדרים (טבלה 1) לניתוח קוגניטיבי ורגשי27,28. השילוב של EEG עם למידה עמוקה מספק מסגרת יעילה ללכידת תגובות עצביות להעדפות מוזיקליות.

מערכות EEG מסורתיות דורשות לעיתים קרובות אלקטרודות מבוססות ג'ל וציוד יקר, מה שמגביל את יישומם בסביבות אמיתיות. מכשירי EEG לבישים עם אלקטרודות יבשות מציעים אלטרנטיבה מעשית, עם עלות מופחתת, שימושיות משופרת וגמישות רבה יותר. מכשיר Muse S מקליט אותות מאזורים מרכזיים במוח (TP9, TP10, AF7, AF8) בתדר 256 הרץ, ומאפשר רכישת נתונים אמינה וניתנת להרחבה הן לניסויים מבוקרים והן ליישומים אמיתיים.

מחקר זה מתמודד עם המגבלות שזוהו על ידי שילוב אותות EEG עם תכונות היכרות עם המשתמש כדי לחזות העדפות מוזיקה באמצעות מודלים של למידה עמוקה. ארכיטקטורות CNN+RNN ו-EEGNet משמשות להפקת תכונות זמן–תדר ותלותיות זמניות, ומאפשרות ייצוג משופר של אותות EEG בהשוואה לגישות המסורתיות. המחקר בוחן שתי השערות: (1) היכרות עם המוזיקה של המשתמש משפרת את דיוק חיזוי העדפות מבוססות EEG; (2) דוגמניות ייחודיות לז'אנר (רוק, לירי ופולק) עולות על מודלים מאומנים בקטגוריות מעורבות.

נכללה קבוצה של 30 מבוגרים בריאים עם התפלגות מגדרית מאוזנת. למרות שגודל המדגם המוגבל והשימוש ב-EEG בארבעה ערוצים מגבילים הכללה ורזולוציית אותות, שילוב תכונות היכרות עם מודלים של למידה עמוקה מאפשר ביצועי חיזוי חזקים. המטרות הן לסווג ז'אנרים מוזיקליים ולבצע תחזיות אישיות לכל קטגוריה, ולשלב את ההיכרות עם המשתמש כתכונה לשיפור דיוק התחזיות.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

פרוטוקול

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

מחקר זה נערך בהתאם להנחיות ועדת האתיקה של אוניברסיטת קוז'ואו. פרוטוקול המחקר אושר על ידי מועצת הביקורת המוסדית של אוניברסיטת צ'וז'ואו (IRB) תחת מספר אישור QZU-IRB-2026-037. כל המשתתפים נתנו הסכמה מדעת לפני הכללתם במחקר.

הכנה ניסיונית וגיוס משתתפים
הניסוי כלל ארבעה שלבים (איור 1): הכנה, תכנון ניסוי, בניית מודל וניתוח תוצאות. בשלב ההכנה, מטרות המחקר הוגדרו בהתבסס על סקירת ספרות על טיפול במוזיקה, רכישת נתוני EEG ומודלים של למידה עמוקה. בשלב עיצוב הניסוי, גויסו 30 משתתפים בריאים לביצוע משימות האזנה למוזיקה. נרשמו אותות EEG ודירוגי היכרות עם מוזיקה. נתוני EEG תוקנו וחולקו לחלונות של 2048 דגימות עם חפיפה של 1024 מדגמים. מאפייני היכרות שולבו עם נתוני EEG כקלטי מודל. נבנו שני מודלים, CNN+RNN ו-EEGNet. שכבות CNN חילצו תכונות זמן–תדר, ו-LSTM דו-כיווני תפס תלות זמנית. שכבה מחוברת לחלוטין עם פונקציית הפעלה של softmax שימשה לסיווג. המודלים אומנו עם גודל אצווה של 50 ל-30 אפוקים, באמצעות אופטימייזר אדם. הוטלו נשירה והפסקה מוקדמת. הביצועים הוערכו בעיקר באמצעות דיוק כמדד המדווח, כאשר מדדי דיוק, זיכרון וציון F1 חושבו גם הם להערכה נוספת.

סביבה ניסיונית והקמת ציוד
הניסוי נערך בחדר שקט וסגור וללא הפרעות חיצוניות, כאשר טמפרטורת החדר נשמרה על 27 מעלותצלזיוס. הציוד הבא שימש: מכשיר EEG (Muse S, InteraXon Inc.), מערכת EEG בעלת ארבעה ערוצים (TP9, AF7, AF8, TP10) עם קצב דגימה של 256 הרץ; אוזניות E3000 האחרונות באוזניים; ומחשב לרכישת נתונים שמריץ את Muse SDK ו-Lab Streaming Layer (LSL).

לפני כל מפגש ניסוי, משטחי מגע האוזניים באוזניות נוקו באלכוהול כדי להבטיח היגיינה ולהפחית את הסיכון לזיהום צולב. אוזניות Muse S הותקנו לכל משתתף, מה שהבטיח מגע יציב בין ארבע האלקטרודות היבשות (TP9, AF7, AF8, TP10) לבין העור. אם איכות האות הייתה ירודה, מיקום רצועת הראש הותאמה עד שהושגו אותות יציבים. המשתתפים ישבו על כיסא נוח עם תמיכה בגב והונחו לשמור על עיניים עצומות, להימנע מדיבור ולהפחית תנועות גוף גדולות במהלך הניסוי.

הכנת גירוי מוזיקלי
הוכנו שלושה ז'אנרים מוזיקליים: רוק, לירי (בלדה) ומוזיקת פולק. כל ז'אנר כלל שלושה שירים סיניים, בסך הכל תשעה שירים. כדי לשלוט בהבדלים בהיכרות מוזיקלית, נבחרו שירים בכל ז'אנר לפי הקריטריונים הבאים: שיר ישן אחד; שיר פופולרי אחד כיום (ממצעד השירים המובילים של ספוטיפיי); ושיר חדש אחד (ממצעד Spotify New Releases).

כל שיר נערך לקטע אודיו סטנדרטי, החל מהפתיחה, אחריו הבית, ומסתיים בפזמון הראשון, עם אורך כולל של 90–130 שניות. לכל שיר הוקצה מזהה ייחודי (למשל, R1–R3, B1–B3, F1–F3) לצורך תיוג נתונים וניהול קבצים נוספים.

הליך ניסויי והקלטת שאלונים
לפני הניסוי הרשמי, נערך מבחן עוצמת קול על ידי השמעת קטע אודיו מבחן. המשתתפים כיוונו את הווליום לרמה שהייתה ברורה, נוחה ולא רועשת מדי, ושמרו על יציבות לאורך כל הניסוי. סדר ההשמעה של תשעת השירים היה אקראי (למשל, באמצעות טבלת מספרים אקראית או אקראיות תוכנה) כדי להפחית אפקטים של הסדר. כל המשתתפים השלימו את משימות ההאזנה למוזיקה באופן עצמאי. כל קטע מוזיקלי הוצג מהפתיחה ועד הפזמון הראשון, שנמשך 90–130 שניות. סופק מנוחה של 30 שניות בין השירים. במהלך תקופה זו, המשתתפים מילאו שאלון היכרות באמצעות פלטפורמה מקוונת (Questionnaire Star). המשתתפים דירגו את ההיכרות שלהם עם כל שיר באמצעות סולם ליקרט בן חמש נקודות (1 = זר לחלוטין; 5 = מאוד מוכר). תווית ההעדפה של המשתתף לכל שיר נרשמה (0 = אי-אהבה; 1 = אהבה) בהתאם לשיטת הסיווג הבינארית המוגדרת מראש. ההליך הניסויי המלא מוצג באיור 2.

רכישת EEG ורישום נתונים
נתוני EEG נאספו באמצעות ערכת הפיתוח הרשמית של Muse והועברו דרך Lab Streaming Layer (LSL). נתוני ה-EEG המתאימים לכל שיר נשמרו כקבצי ערכים מופרדים בפסיקים (CSV), שכללו לפחות את השדות הבאים: חותמת זמן (מילישניות); אותות EEG גולמיים מארבעה ערוצים (TP9, AF7, AF8, TP10); ציון היכרות מוקלט ידנית (1–5); ותווית העדפה (0/1). נעשה שימוש בקונבנציה עקבית של מתן שמות קבצים (למשל, S01_R1.csv לציין משתתף 01 ושיר רוק 1) כדי להקל על עיבוד אוטומטי ומעקב.

עיבוד נתונים מוקדם, נרמול וחלון
אותות EEG הוקלטו באמצעות מכשיר EEG ארבעה ערוצי Muse S עם קצב דגימה של 256 הרץ, ותוכניות מותאמות אישית פותחו באמצעות ערכת הפיתוח הרשמית. נתוני EEG גולמיים נאספו דרך שכבת הזרמת המעבדה (LSL) ונשמרו בפורמט CSV. קבצי ה-CSV כללו את העמודות הבאות: חותמת זמן (מילישניות), ערכי EEG בארבעה ערוצים (TP9, AF7, AF8, TP10), דירוגי היכרות עם מוזיקה למשתמש (1–5), ודירוגי העדפת מוזיקה למשתמשים.

מספר הנתונים הכולל תואם למספר חלונות שנוצרים לכל משתתף ולכל יצירה מוזיקלית, מה שמוביל למערך נתונים בקנה מידה גדול בהתאם לסכמת החלון. בניסוי המקורי, העדפת המוזיקה יוצגה כתווית בינארית (0 = אי-אהבה, 1 = לייק), מה שעשוי להוביל לדיוק מלאכותי גבוה ולהכללה מוגבלת של המודל.

כדי לשפר את המשמעות המעשית של משימת החיזוי, תוויות ההעדפה הוסבו לסולם דירוג רב-רמות: 0 = לא מסכים בתוקף; 1 = לא מסכים; 2 = נייטרלי; 3 = מסכים; 4 = מסכים מאוד.

לפני למידת המכונה, הנתונים היו סטנדרטיים וחולקו לחלונות של 2048 דגימות כל אחד, כאשר 1024 דגימות חופפות בין חלונות סמוכים כדי לשמור על המשכיות זמנית. בנוסף, הוחל הגדלת נתונים להגדלת מספר דגימות ההכשרה ולהפחתת הסיכון להתאמה יתר.

ארכיטקטורת מודלים
מודל המחקר כלל שלוש שכבות קונבולוציונליות, שלוש שכבות איגוד, ושכבה מחוברת לחלוטין. שימש Maximum Pooling לבחירת תכונות, הוחל dropout להפחתת התאמת יתר, והפלט הסופי נוצר באמצעות שכבת סיווג softmax. כל חלון קלט כלל אותות EEG בארבעה ערוצים (2048 דגימות בחלון) ואפשרות היכרות. הפלט ייצג דירוג העדפה של חמש מחלקות. הארכיטקטורה מוצגת באיור 3, ופרמטרי המודל מפורטים בטבלה 2.

אימון מודלים ואימות הדדי
מערך הנתונים חולק באקראי ל-80% להכשרה ו-20% לבדיקות. בוצעה אימות הדדי פי עשרה, כאשר תת-קבוצה אחת שימשה לאימות ותשעת הנותרים לאימון בכל איטרציה. תהליך זה חזר על עצמו עשר פעמים, והתוצאות אוחדו. היפרפרמטרים של האימון הוגדרו כך: Epochs = 30; גודל אצווה = 50; אופטימייזר = אדם; פונקציית אובדן = קרוסאנטרופיה קטגורית; מדד הערכה = דיוק. ביצועי הדגם הוקלטו בתנאי EEG בלבד ו-EEG + היכרות, הן לכל הז'אנרים יחד והן לז'אנרים בודדים.

שיטות ניתוח סטטיסטי
ניתוח הנתונים בוצע באמצעות פייתון 3.10 עם TensorFlow 2.12, Keras 2.12 ו-MNE-Python 1.3. עיבוד וניתוח נתונים בוצעו באמצעות Pandas 2.1 ו-NumPy 1.26. מדדי ביצועים מתוך האימות הצולב של 10 פעמים נאספו, וחושבו ערכי ממוצע וסטיית תקן. השוואות סטטיסטיות בין מצבים בוצעו באמצעות מבחני t זוגיים או מבחני דירוג חתום של וילקוקסון, עם רמת מובהקות של P < 0.05.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

תוצאות

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

ביצועי המודל הוערכו תחת שני תנאים: (1) תכונות EEG בלבד ו-(2) תכונות EEG בשילוב עם היכרות מוזיקלית. הסיווג נערך הן לקטגוריות מוזיקה משולבות והן לקטגוריות מוזיקה בודדות (רוק, לירי ופולק).

טבלה 3 מציגה תוצאות שהושגו באמצעות תכונות EEG בלבד, בעוד שטבלה 4 מציגה תוצאות שהושגו באמצעות תכונות EEG בשילוב עם היכרות. גם מודלי CNN+RNN וגם EEGNet הוערכו בתנאים אלו, ו-EEGNet נבחר כמודל הסופי בשל ביצועיו המעולים הכוללים.

באמצעות ת...

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

דיון

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

מחקרים קודמים על חיזוי העדפות מוזיקה מבוססות EEG הסתמכו בעיקר על מערכות רב-ערוציות, מה שהגביל את היישום המעשי 21,22,23,24,25,26. במחקר זה, מכשיר EEG לביש בעל ארבעה ערוצים (Muse S) השיג ביצועים דומים בשילוב עם מודלים של למידה עמוקה ותכונות היכרות, מה שהדגים גישה מעשית וניתנת להרחבה יותר.

<...

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

גילויים

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

למחבר אין ניגודי עניינים לחשוף.

תודות

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

המחבר מודה בהכרת תודה על התמיכה והמתקנים שסיפק מוסד המחקר במהלך מחקר זה. תודה מיוחדת לצוות המעבדה על עזרתם בהליכים טכניים.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

חומרים

רשימת החומרים שנעשה בהם שימוש במאמר זה
שםחברהמספר קטלוגהערות
מגבוני אלכוהולכל ספק סטנדרטילא זמיןמשמש לניקוי אוזניות בין המשתתפים
מחשב לאיסוף נתוניםכל יצרן סטנדרטילא זמיןמריץ את Muse SDK ושכבת הזרמת המעבדה (LSL)
קסדת EEG (Muse S)אינטראקסון בע"מ.https://choosemuse.com/muse-s/מכשיר EEG לביש בעל ארבעה ערוצים (TP9, AF7, AF8, TP10)
האוזניות האחרונות של E3000 באוזנייםעיצוב אודיו סופיhttps://snext-final.com/en/products/detail/E3000משמש לניגון אודיו במהלך ניסוי
תוכנת שכבת סטרימינג מעבדה (LSL)קוד פתוחhttps://github.com/sccn/labstreaminglayerמשמש לזרם נתוני EEG
Muse SDKאינטראקסון בע"מ.https://developer.choosemuse.com/משמש לאיסוף נתוני EEG
Questionnaire Star (פלטפורמה מקוונת)צ'אנגשה רנשינג טכנולוגיית מידע בע"מ.https://www.wjx.cn/משמש לאיסוף נתוני היכרות
פייתון 3.10קרן התוכנה של פייתוןhttps://www.python.org/downloads/משמש לעיבוד וניתוח נתונים
TensorFlow 2.12גוגלhttps://www.tensorflow.org/מסגרת למידה עמוקה
קראס 2.12גוגלhttps://keras.io/ממשק API של רשת עצבית
MNE-Python 1.3קוד פתוחhttps://mne.tools/stable/index.htmlניתוח נתוני EEG
NumPy 1.26קוד פתוחhttps://numpy.org/חישוב נומרי
פנדות 2.1קוד פתוחhttps://pandas.pydata.org/מניפולציה של נתונים

מקורות

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

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

הדפסות חוזרות והרשאות

בקש הרשאה לשימוש חוזר בטקסט או באיורים של מאמר JoVE זה

בקש הרשאה

תגיות

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

מאמרים קשורים