Индукция эмоций западной музыкой: персонализированный подход с использованием технологий Интернета вещей

Индукция эмоций западной музыкой: персонализированный подход с использованием технологий Интернета вещей

Традиционные алгоритмы рекомендаций музыки, основанные на измерении сходства пользовательских предпочтений или классификации по стилям и жанрам, зачастую не способны удовлетворить потребности в индукции эмоций, адаптированной к различным типам личности. В связи с этим возникает необходимость исследования индукции эмоций различными типами личности посредством западной музыки с использованием технологий Интернета вещей (IoT - Internet of Things).

Эмоциональное распознавание на основе ЭЭГ с применением IoT

Распознавание эмоций на основе электроэнцефалографии (ЭЭГ) с использованием технологий Интернета вещей представляет собой новую область исследований. Этот подход включает в себя индукцию эмоций, извлечение признаков ЭЭГ и технологию распознавания образов. Электроэнцефалография (ЭЭГ) — это неинвазивный метод регистрации электрической активности мозга с помощью электродов, размещенных на поверхности головы. Данные ЭЭГ позволяют анализировать различные ритмы мозговой активности, такие как альфа, бета, тета, дельта и гамма, каждый из которых связан с определенными состояниями сознания и когнитивными процессами.

Экспериментальный подход и музыкальные стимулы

Опираясь на дименсиональную модель эмоций, авторы исследования выбрали три типа фрагментов западной музыки, способных выражать нейтральные, положительные и отрицательные эмоции. Эти музыкальные материалы были использованы для индукции у испытуемых трех различных эмоциональных состояний, которые затем регистрировались с помощью ЭЭГ.

Анализ данных ЭЭГ и эффективность признаков

Проведя сравнительный анализ эффективности классификации на основе eigenvectors (вектор собственных значений) различных ритмов ЭЭГ, исследователи пришли к выводу, что наибольшая точность достигается при использовании векторов собственных значений бета (beta) и гамма (gamma) ритмов. Эти ритмы ассоциируются с активной умственной деятельностью, концентрацией внимания и обработкой информации.

• Бета-ритм (13-30 Гц): связан с бодрствованием, активным мышлением, решением задач и повышенной концентрацией.
• Гамма-ритм (30-100 Гц): ассоциируется с высшими когнитивными функциями, такими как обучение, память, восприятие и решение сложных проблем.

Общая средняя точность классификации для бета-ритма составила 0.842, а для гамма-ритма — 0.841. Важно отметить, что электроды, с которых были извлечены эти признаки, располагались в области головы, и их распределение оказалось схожим у всех испытуемых.

Сравнение классификаторов

Далее было проведено сравнение эффективности различных классификаторов (алгоритмов машинного обучения, используемых для категоризации данных). Результаты показали, что алгоритмы Support Vector Machine (SVM) — машины опорных векторов — и Query by Committee (QBC) — запрос комитетом — демонстрируют лучшую производительность по сравнению с другими методами.

• Машина опорных векторов (SVM): это мощный алгоритм классификации, который находит оптимальную гиперплоскость для разделения данных в многомерном пространстве. Он особенно эффективен для задач с высокой размерностью и ограниченным объемом данных.
• Запрос комитетом (QBC): ансамблевый метод, который использует группу классификаторов для принятия общего решения. Несогласие между классификаторами используется для выбора наиболее информативных данных для дальнейшей разметки, что повышает эффективность обучения.

Максимальная средняя точность классификации между испытуемыми, полученная с помощью SVM, составила 94.7%, а с помощью QBC — 90.0%, что подтверждает их превосходство в данном контексте.

Заключение и перспективы

Исследование демонстрирует потенциал технологий Интернета вещей (IoT) в сочетании с анализом ЭЭГ для создания персонализированных систем рекомендаций музыки, способных вызывать желаемые эмоциональные состояния у пользователей с различными типами личности. Такой подход открывает новые возможности для применения музыки в терапевтических, рекреационных и образовательных целях, а также для улучшения пользовательского опыта в мультимедийных приложениях.

Источники данных

Наборы данных ЭЭГ, сгенерированные и проанализированные в ходе текущего исследования, доступны по запросу у соответствующего автора. Обработанные матрицы признаков, использованные для классификации, вместе с соответствующими метками, включены в общедоступный репозиторий кода по адресу: https://github.com/15776761752cpu/eeg_emotion_pipeline_complete.git для полного воспроизведения полученных результатов.

Финансирование

Данное исследование не получало внешнего финансирования.

Информация об авторах

• Дадань Жу (Dandan Ru): Школа международных исследований, Чжэнчжоуский университет, Чжэнчжоу, 450001, Китай; Музыкальный колледж, Филиппинский женский университет, 0900, Манила, Филиппины.
• Чжифан Вэй (Zhifang Wei): Школа журналистики и коммуникаций, Чунцинский университет, Чунцин, 401331, Китай.

Вклад авторов

Концептуализация, Д.Р.; написание, оригинальный черновик, Д.Р.; написание, рецензирование и редактирование, Ч.В. Все авторы прочитали и согласились с опубликованной версией рукописи.

Связанный автор

Корреспонденция с Чжифан Вэй.

Заявления об этике

• Конфликт интересов: Подтверждено отсутствие конфликта интересов.
• Этическое одобрение и согласие на участие: Исследование проводилось в соответствии с этическими стандартами, изложенными в Хельсинкской декларации 1964 года, и не включало экспериментов с лекарствами на животных или людях. Было получено устное информированное согласие от всех участников. После обсуждения Комитетом по этике Чжэнчжоуского университета проект исследования был одобрен (Номер проекта: 20231002). Перед участием в исследовании от каждого участника запрашивалось устное информированное согласие.

Дополнительная информация

Замечание издателя: Springer Nature остается нейтральной в отношении юрисдикционных претензий в опубликованных картах и институциональной принадлежности.

Права и разрешения

Открытый доступ: Данная статья лицензирована в соответствии с международной лицензией Creative Commons Attribution-NonCommercial-NoDerivatives 4.0. Эта лицензия позволяет любое некоммерческое использование, распространение и воспроизведение в любых средствах и форматах, при условии, что вы должным образом указываете автора (авторов) и источник, предоставляете ссылку на лицензию Creative Commons и указываете, если были внесены изменения в материал. Вы не имеете права распространять адаптированный материал, производный от данной статьи или ее частей, по данной лицензии. Изображения или другие материалы третьих лиц, включенные в данную статью, относятся к лицензии Creative Commons статьи, если иное не указано в кредитной строке материала. Если материал не включен в лицензию Creative Commons статьи, а предполагаемое вами использование не разрешено законодательством или превышает допустимое использование, вам необходимо получить разрешение напрямую от правообладателя. Чтобы просмотреть копию данной лицензии, посетите http://creativecommons.org/licenses/by-nc-nd/4.0/.

Цитирование статьи

Ru, D., Wei, Z. Emotion induction by western music across personality types using internet of things technology. Sci Rep (2025). https://doi.org/10.1038/s4159802529934y