Araştırma makalesi

Derin öğrenmeye dayalı bir müzik türü tercih tanıma modelinin inşası

DOI:

10.3791/70514

⸱

26 Mayıs 2026

1College of Teacher Education, Quzhou University

Bu makalede

Özet

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

Bu çalışma, müzik türü tercihini tahmin etmek için EEG sinyalleri ve müzik aşinalığı kullanarak derin öğrenme modeli oluşturdu. Veriler, düşük maliyetli bir Muse S cihazıyla toplandı ve CNN+RNN ile EEGNet modeli kullanılarak analiz edildi. Aşinalık, doğruluğu önemli ölçüde artırdı ve %99'a kadar ulaştı, tercih tahmininde önemli bir değer olduğunu gösterdi.

Özet

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

Ruh sağlığı sorunlarının artan yaygınlığıyla müzik terapisi farmakolojik olmayan bir müdahale olarak ilgi gördü ve derin öğrenme teknikleri müzik duygu tanıma ve tercih tahmininde umut vaat etti. Bu çalışma, müzik türleri tercihlerini etkili bir şekilde belirlemek ve kullanıcı aşinalığının tahmin doğruluğu üzerindeki etkisini incelemek için derin bir sinir ağı modeli (CNN+RNN/EEGNet) geliştirdi. EEG sinyalleri, dört kanallı Muse S giyilebilir cihaz kullanılarak toplandı ve kullanıcı tanıdıklık puanları giriş özellikleri olarak kullanıldı. Çalışma, hazırlık, deneysel tasarım, model inşası ve sonuç analizi olmak üzere dört aşamalı bir iş akışını takip etti. Deneysel tasarımda müzik rock, balad ve folk olarak kategorize edildi ve her kategori için EEG verileri ile aşinalık dereceleri toplandı. Veriler CNN+RNN veya EEGNet modelleri kullanılarak eğitilip test edildi, model performansı ise konu düzeyinde 10 katlı çapraz doğrulama ile değerlendirildi. Sonuçlar, sadece EEG verileriyle tüm müzik türlerini tahmin etmenin %82,28 ± %3,42 doğruluk sağladığını gösterdi. Bireysel müzik türleri için doğruluk oranları %91,13 ± %3,60 (rock), 91,83 ± %2,07 (balad) ve 87,87 ± %4,76 (folk) idi. Kullanıcı aşinalığı bir özellik olarak kullanıldığında ve çok katmanlı bir puanlama çıktısı kullanıldığında, genel tahmin doğruluğu %1,61± 94,94'e yükselirken, bireysel müzik türü doğruluğu %99,15 ± %1,56 (rock), %98,51 ± %2,30 (balad) ve %98,21 ± %2,60 (folk) oldu. Bu sonuçlar, aşinalık özelliklerini çok katmanlı bir müzik skorlama sistemiyle birleştirmenin müzik tercihlerinin tahminini önemli ölçüde iyileştirdiğini göstermektedir. Uygun fiyatlı, giyilebilir bir Muse S EEG cihazı kullanarak ve kullanıcı aşinalığından yararlanarak, bu çalışma müzik tipi tercihlerini tanımak için son derece etkili bir derin sinir ağı modeli (CNN+RNN/EEGNet) geliştirdi. Bulgular, hem genel hem de bireysel müzik türü tahminlerinin tanıdıklık bilgisinin dahil edilmesinden fayda sağladığını ve bu yaklaşımın kişiselleştirilmiş müzik önerileri ve müzik terapisi uygulamaları için potansiyelini ortaya koyduğunu göstermektedir.

Giriş

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

Müzik, insan yaşamında önemli bir rol oynar ve çevrimiçi platformların yaygın kullanımı, müzik dinlemeyi günlük rutin bir etkinlik haline getirmiştir. Eğlencenin ötesinde, müzik rahatlamayı teşvik eden, ağrıyı azaltan ve gelişimsel sorunları olan bireyleri destekleyen terapötik bir araç olarak işlev görür. Müzikal tercih doğrudan hem terapötik sonuçları hem de duygusal tepkileri etkiler. Önceki çalışmalar, tercih edilen müziğin fiziksel performansı artırdığını, örneğin dayanıklılık ve sprintkapasitesini 1, stres ve ağrıyıazalttığını göstermektedir 2. Ayrıca, bireysel tercihlerin tedavi etkinliğini etkilediği yaşlı yetişkinler için önemlibir müdahaledir 3,4. Tercih edilen müziklerin kalp ve solunum hızlarını azalttığı ve rahatlamayı teşvik ettiği gösterilmiştir. Ayrıca, müzikal tercih duygu tahmindoğruluğunu artırır 5, duygusal tepkilerigüçlendirir 6 ve makine öğrenimi modeli performansını artırır, tahmin doğruluğunu %53,18'den %71,09'a yükseltir. Tekrar tekrar maruz kalma, başlangıçtaki önyargıdan bağımsız olarak tercihi daha da artırır7.

Bu bulgulara rağmen, müzik tercihlerini tahmin etmeye yönelik mevcut çalışmalar, küçük örneklem büyüklükleri, dar yaş aralıkları ve kullanıcı aşinalığının yeterince dikkate alınmamasıyla sınırlı kalıyor. Bu sınırlamalar, modelin genelletilebilirliğini ve pratik uygulanabilirliğini azaltır. Aşinalık gibi kullanıcıya özgü faktörlerin dahil edilmesi, tahmin performansını iyileştirmek için henüz keşfedilmemiş bir yaklaşımdır.

Müzik duygu tanıma (EMR) aktif bir araştırma alanı haline gelmiş ve doğruluğu müzik tercihleri ve aşinalıktanetkilenmektedir 8,9,10,11. Katılımcılar, tanıdık ve tercih edilen müziklere maruz kaldıklarında daha tutarlı duygusal değerlendirmeler sağlar ve aşinalığın artması, hem deneysel hem de eğitim ortamlarında tanıma doğruluğunu artırır 12,13,14,15,16,17. Bu bulgular, aşinalığın hem duygu tanıma hem de tercih tahmininde kritik bir faktör olduğunu vurgulamaktadır.

Yapay sinir ağlarına dayalı derin öğrenme, yüksek boyutlu özelliklerin otomatik çıkarılmasını sağlar ve sığ modellerden daha güçlü desen tanımagösterir 18,19,20. Derin öğrenme teknikleri, tür sınıflandırması, sinyal tanıma ve kişiselleştirilmiş tavsiye sistemleri21,22,23,24,25,26 gibi müzikle ilgili görevlerde de yaygın olarak uygulanmıştır. Elektroensefalografi (EEG), beyin elektriksel aktivitesini frekans bantları boyunca ölçmek için yaygın olarak kullanılır (Tablo 1) bilişsel ve duygusal analiziçin 27,28. EEG'nin derin öğrenme ile entegrasyonu, müzik tercihlerine yönelik sinirsel yanıtları yakalamak için etkili bir çerçeve sağlar.

Geleneksel EEG sistemleri genellikle jel bazlı elektrotlar ve yüksek maliyetli ekipmanlar gerektirir, bu da gerçek dünyada uygulanabilirliklerini sınırlar. Kuru elektrotlu giyilebilir EEG cihazları, daha düşük maliyet, daha iyi kullanım kolaylığı ve daha fazla esneklik sağlayarak pratik bir alternatif sunar. Muse S cihazı, temel beyin bölgelerinden (TP9, TP10, AF7, AF8) sinyalleri 256 Hz'de kaydeder; böylece hem kontrollü deneyler hem de gerçek dünya uygulamaları için güvenilir ve ölçeklenebilir veri toplama imkanı sağlar.

Bu çalışma, EEG sinyallerini kullanıcıya aşinalık özellikleriyle birleştirerek derin öğrenme modelleri kullanarak müzik tercihlerini tahmin ederek belirlenen sınırlamaları ele almaktadır. CNN+RNN ve EEGNet mimarileri hem zaman-frekans özelliklerini hem de zamansal bağımlılıkları çıkarmak için kullanılır; böylece EEG sinyallerinin geleneksel yaklaşımlara kıyasla daha iyi temsil edilmesini sağlar. Çalışmada iki hipotez test ediliyor: (1) kullanıcı müziğine aşinalık EEG tabanlı tercih tahmin doğruluğunu artırır; (2) türe özgü modeller (rock, lirik ve folk) karma kategorilerde eğitilen modelleri geride bırakır.

Dengeli cinsiyet dağılımına sahip 30 sağlıklı yetişkin kohortu dahil edildi. Sınırlı örneklem büyüklüğü ve dört kanallı EEG kullanımı genellenebilirliği ve sinyal çözünürlüğünü kısıtlamasına rağmen, aşinalık özelliklerinin derin öğrenme modelleriyle entegre edilmesi sağlam tahmin performansını sağlar. Amaç, müzik türlerini sınıflandırmak ve her kategori için bireysel tahminler yapmak ve tahmin doğruluğunu artırmak için kullanıcı aşinalığını bir özellik olarak dahil etmektir.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Protokol

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

Bu çalışma, Quzhou Üniversitesi Etik Komitesi'nin yönergelerine uygun olarak yürütülmüştür. Araştırma protokolü, Quzhou Üniversitesi Kurumsal İnceleme Kurulu (IRB) tarafından QZU-IRB-2026-037 onay numarasıyla onaylanmıştır. Tüm katılımcılar, çalışmaya dahil edilmeden önce bilgilendirilmiş onay sundu.

Deneysel hazırlık ve katılımcı katılımı
Deney dört aşamadan oluşuyordu (Şekil 1): hazırlık, deneysel tasarım, model yapım ve sonuç analizi. Hazırlık aşamasında, müzik terapisi, EEG veri toplanması ve derin öğrenme modelleri üzerine literatür incelemesine dayanarak araştırma hedefleri tanımlandı. Deneysel tasarım aşamasında, 30 sağlıklı katılımcı müzik dinleme görevlerini yerine getirmek üzere seçildi. EEG sinyalleri ve müzik tanıdıklık dereceleri kaydedildi. EEG verileri standartlaştırıldı ve 1024 örnek örtüşmesi olan 2048 örnek penceresine bölündü. Aşinalık özellikleri, model girdileri olarak EEG verileriyle birleştirildi. İki model oluşturuldu: CNN+RNN ve EEGNet. CNN katmanları zaman-frekans özelliklerini çıkardı ve çift yönlü LSTM zamansal bağımlılıkları yakaladı. Sınıflandırma için softmax aktivasyon fonksiyonuna sahip tamamen bağlı bir katman kullanıldı. Modeller, Adam optimizatoru kullanılarak 30 dönem boyunca 50 adet parti boyutuyla eğitildi. Okuldan ayrılma ve erken bırakma uygulandı. Performans, öncelikle raporlanan metrik olarak Doğruluk kullanılarak değerlendirildi; ek değerlendirme için Hassasiyet, Hatırlama ve F1 puanı metrikleri de hesaplandı.

Deneysel ortam ve ekipman kurulumu
Deney, dış müdahaleden uzak, sessiz ve kapalı bir odada yapıldı ve oda sıcaklığı 27 oC'de tutuldu. Aşağıdaki ekipmanlar kullanıldı: bir EEG cihazı (Muse S, InteraXon Inc.), 256 Hz örnekleme hızına sahip dört kanallı EEG sistemi (TP9, AF7, AF8, TP10); Final E3000 kulak içi kulaklıklar; ve Muse SDK ile Lab Streaming Layer (LSL) çalıştıran bir veri toplama bilgisayarı bulunmaktadır.

Her deneysel seanstan önce, kulaklıkların kulak temaslı yüzeyleri hijyen sağlamak ve çapraz kontaminasyon riskini azaltmak için alkolle temizlendi. Muse S kulaklığı her katılımcıya takıldı; böylece dört kuru elektrodun (TP9, AF7, AF8, TP10) ve deri arasında stabil temas sağlandı. Sinyal kalitesi zayıfsa, kafa bandı konumu sabit sinyaller elde edilene kadar ayarlanırdı. Katılımcılar, sırt desteğiyle rahat bir sandalyeye oturdu ve deney sırasında gözlerini kapalı tutmaları, konuşmalarından kaçınmaları ve büyük vücut hareketlerini en aza indirmeleri talimatı verildi.

Müzik uyarıcıları hazırlama
Üç müzik türü hazırlandı: rock, lirik (balad) ve halk müziği. Her türde üç Çin şarkısı yer alıyordu ve toplamda dokuz şarkı vardı. Müziğe aşinalık farklarını kontrol etmek için, her türdeki şarkılar şu kriterlere göre seçildi: bir eski şarkı; güncel popüler bir şarkı (Spotify Top Songs listesinden); ve bir yeni şarkı (Spotify Yeni Yayınlar listesinden).

Her şarkı, girişten başlayıp ardından kıta ve ilk nakaratla sona eren standart bir ses bölümüne dönüştürüldü; toplam süresi 90–130 saniye idi. Her şarkıya (örneğin, R1–R3, B1–B3, F1–F3) sonraki veri etiketleme ve dosya yönetimi için benzersiz bir tanımlayıcı atandı.

Deneysel prosedür ve anket kaydı
Resmi deneyden önce, test ses klibi oynatılırken ses testi yapıldı. Katılımcılar, ses seviyesini net, rahat ve aşırı yüksek olmayan bir seviyeye ayarladılar ve deney boyunca sabit tuttular. Dokuz şarkının çalma sırası, sıralanma etkilerini azaltmak için rastgele yapıldı (örneğin, rastgele sayı tablosu veya yazılım rastgeleleştirme kullanılarak). Tüm katılımcılar müzik dinleme görevlerini bağımsız olarak tamamladı. Her müzik bölümü, girişten ilk nakarata kadar 90–130 saniye sürerek sunuldu. Şarkılar arasında 30 saniyelik bir dinlenme süresi sağlandı. Bu süre boyunca katılımcılar, çevrimiçi bir platform (Questionnaire Star) kullanarak bir tanıdıklık anketi doldurdular. Katılımcılar, her şarkıya aşinalıklarını beş puanlı bir Likert ölçeğiyle değerlendirdiler (1 = tamamen tanımayan; 5 = çok tanıdık). Katılımcının her şarkı için tercih etiketi (0 = beğenme; 1 = beğenmek) önceden tanımlanmış ikili sınıflandırma şemasına göre kaydedildi. Tam deneysel prosedür Şekil 2'de gösterilmiştir.

EEG alımı ve veri kaydı
EEG verileri resmi Muse SDK kullanılarak alındı ve Lab Streaming Layer (LSL) üzerinden yayınlandı. Her şarkıya karşılık gelen EEG verileri, en azından şu alanları içeren Virgül Ayrılmış Değerler (CSV) dosyaları olarak kaydedildi: zaman damgası (milisaniye); dört kanaldan (TP9, AF7, AF8, TP10) ham EEG sinyalleri; elle kaydedilen aşinalık notu (1–5); ve tercih etiketi (0/1). Otomatik işlem ve izlenebilirliği kolaylaştırmak için tutarlı bir dosya isimlendirme geleneği kullanıldı (örneğin, katılımcı 01 ve rock şarkısı 1'i belirten S01_R1.csv).

Veri ön işleme, normalizasyon ve pencereleme
EEG sinyalleri, 256 Hz örnekleme hızına sahip Muse S dört kanallı EEG cihazı kullanılarak kaydedildi ve resmi geliştirme kiti kullanılarak özel programlar geliştirildi. Ham EEG verileri Lab Streaming Layer (LSL) üzerinden alındı ve CSV formatında kaydedildi. CSV dosyaları şu sütunları içeriyordu: zaman damgası (milisaniyeler), dört kanallı EEG değerleri (TP9, AF7, AF8, TP10), kullanıcı müziği tanıdıklık dereceleri (1–5) ve kullanıcı müziği tercih dereceleri.

Toplam veri girişi sayısı, her katılımcı ve her müzik parçası için oluşturulan birden fazla pencereye karşılık gelir ve pencereleme şemasına bağlı olarak büyük ölçekli bir veri seti ortaya çıkar. Orijinal deneyde, müzik tercihi ikili bir etiket olarak temsil ediliyordu (0 = sevmemek, 1 = beğenmek), bu da yapay olarak yüksek doğruluk ve sınırlı model genellemesine yol açabilir.

Tahmin görevinin pratik önemini artırmak için, tercih etiketleri çok katmanlı bir değerlendirme ölçeğine dönüştürüldü: 0 = Kesinlikle Katılmıyorum; 1 = Katılmıyorum; 2 = Nötr; 3 = Katılıyorum; 4 = Kesinlikle katılıyorum.

Makine öğreniminden önce, veriler standartlaştırılmış ve her biri 2048 örnekten oluşan pencerelere bölünmüş, zamansal sürekliliği korumak için bitişik pencereler arasında 1024 örnek örtüşüyordu. Ayrıca, eğitim örneklerinin sayısını artırmak ve aşırı uyum riskini azaltmak için veri artırma uygulandı.

Model mimarisi
Araştırma modeli üç konvolüsyon katman, üç havuz katmanı ve tam bağlantılı bir katmandan oluşuyordu. Özellik seçimi için maksimum havuzlama kullanıldı, aşırı uyumu azaltmak için dropout uygulandı ve nihai çıktı softmax sınıflandırma katmanı kullanılarak üretildi. Her giriş penceresi dört kanallı EEG sinyalleri (pencere başına 2048 örnek) ve bir aşinalık özelliği içeriyordu. Çıktı, beş sınıf tercih derecesini temsil ediyordu. Mimari Şekil 3'te gösterilmekte ve model parametreleri Tablo 2'de özetlenmiştir.

Model eğitimi ve çapraz doğrulama
Veri seti rastgele olarak %80 eğitim ve %20 test için ayrıldı. On katlı çapraz doğrulama uygulandı; her iterasyonda bir alt küme doğrulama için, kalan dokuz alt küme ise eğitim için kullanıldı. Bu süreç on kez tekrarlandı ve sonuçlar toplandı. Eğitim hiperparametreleri şu şekilde ayarlandı: Dönemler = 30; Parti sayısı = 50; Optimizer = Adam; Kayıp fonksiyonu = kategorik çaprazentropi; Değerlendirme metriği = Doğruluk. Model performansı, hem tüm türlerin birleşimi hem de bireysel türler için sadece EEG ve EEG + aşinalık koşulları altında kaydedildi.

İstatistiksel analiz yöntemleri
Veri analizi Python 3.10 ile TensorFlow 2.12, Keras 2.12 ve MNE-Python 1.3 kullanılarak gerçekleştirildi. Veri işleme ve analizi Pandas 2.1 ve NumPy 1.26 kullanılarak gerçekleştirildi. 10 katlı çapraz doğrulamadan elde edilen performans metrikleri toplandı ve ortalama ile standart sapma değerleri hesaplandı. Durumlar arasındaki istatistiksel karşılaştırmalar, eşleştirilmiş t-testleri veya Wilcoxon imzalı sıralama testleri kullanılarak yapıldı ve P < 0.05 anlamlılık seviyesi oldu.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Sonuçlar

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

Model performansı iki koşulla değerlendirildi: (1) sadece EEG özellikleri ve (2) EEG özellikleri müzikle birleşimli. Sınıflandırma hem birleşik müzik kategorileri hem de bireysel müzik kategorileri (rock, lirik ve folk) için yapıldı.

Tablo 3 yalnızca EEG özellikleri kullanılarak elde edilen sonuçları sunarken, Tablo 4 EEG özelliklerinin ve aşinalığın birleştirilmesiyle elde edilen sonuçları sunar. Bu koşullar altında hem CNN+RNN hem de EEGNet ...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Tartışma

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

EEG tabanlı müzik tercihi tahmini üzerine yapılan önceki çalışmalar, büyük ölçüde çok kanallı sistemlere dayanmış, bu da pratik uygulamalarısınırlamıştır 21,22,23,24,25,26. Bu çalışmada, dört kanallı giyilebilir EEG cihazı (Muse S), derin öğrenme modelleri ve aşinalık özellikleriyle birleştir...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Açıklamalar

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

Yazarın açıklaması gereken bir çıkar çatışması yoktur.

Teşekkürler

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

Yazar, bu çalışma süresince araştırma kurumunun sunduğu destek ve olanakları minnettarlıkla takdir etmektedir. Teknik prosedürlerde gösterdikleri destek için laboratuvar personeline özel teşekkürler.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Malzemeler

Bu makalede kullanılan malzemelerin listesi
AdŞirketKatalog numarasıYorumlar
Alkollü mendillerHerhangi bir standart tedarikçiYokKatılımcılar arasında kulaklığı temizlemek için kullanılır
Veri toplama bilgisayarıHerhangi bir standart üreticiYokMuse SDK ve Lab Streaming Layer (LSL) çalıştırıyor
EEG kulaklığı (Muse S)InteraXon Inc.https://choosemuse.com/muse-s/Dört kanallı giyilebilir EEG cihazı (TP9, AF7, AF8, TP10)
Son E3000 kulaklık kulaklıklarSon Ses Tasarımıhttps://snext-final.com/en/products/detail/E3000Deney sırasında ses oynatma için kullanıldı
Laboratuvar Akış Katmanı (LSL) yazılımıAçık kaynakhttps://github.com/sccn/labstreaminglayerEEG veri akışı için kullanılır
Muse SDKInteraXon Inc.https://developer.choosemuse.com/EEG veri toplama için kullanılıyor
Anket Star (çevrimiçi platform)Changsha Ranxing Bilgi Teknolojileri Şirketi, Ltd.https://www.wjx.cn/Tanıdıklık veri toplama için kullanılır
Python 3.10Python Yazılım Vakfıhttps://www.python.org/downloads/Veri işleme ve analiz için kullanılır
TensorFlow 2.12Googlehttps://www.tensorflow.org/Derin öğrenme çerçevesi
Keras 2.12Googlehttps://keras.io/Sinir ağı API'si
MNE-Python 1.3Açık kaynakhttps://mne.tools/stable/index.htmlEEG veri analizi
NumPy 1.26Açık kaynakhttps://numpy.org/Sayısal hesaplama
Pandas 2.1Açık kaynakhttps://pandas.pydata.org/Veri işleme

Kaynaklar

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

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Yeniden basım ve izinler

Bu JoVE makalesinin metnini veya şekillerini yeniden kullanmak için izin iste

İzin iste

Etiketler

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

İlgili makaleler