EEG-Based Prediction of Music Enjoyment Using Deep Learning with Explainable Temporal Analysis
中文摘要
由模型生成 · 人工抽检该研究将音乐愉悦度预测建模为回归问题，基于MUSIN-G公开数据集（20名听众128通道EEG），在跨被试协议下对比六种深度学习模型，DeepConvNet、CNN-LSTM和GNN-CNN取得最低MAE（0.97-0.99），TCN相关性最高（r=0.21），并用梯度与遮挡方法解释时间片段贡献，为EEG情感回归提供可复现基准。
全文
已译中文arXiv:2610.20795v1 公告类型：新
摘要：理解听众为何享受音乐十分困难，因为这种体验是主观的，并且会随着乐曲的展开而变化。脑电图（EEG）提供了一种非侵入式的方法来研究聆听过程中的神经反应，但早期工作大多将音乐情绪视为分类标签，或依赖黑箱模型。我们在公开的 MUSIN-G 数据集上将享受度预测建模为回归问题，该数据集包含 20 名听众的 128 通道 EEG 以及歌曲级别的享受度评分。在按被试划分的协议下比较了六种深度学习模型，其中 15 名听众用于训练和验证，5 名留出用于测试。DeepConvNet、CNN-LSTM 和 GNN-CNN 取得了最低的平均绝对误差（在 1 至 5 量表上为 0.97 至 0.99），而时间卷积网络（TCN）与评分的 Pearson 相关性最高（r = 0.21）。基于梯度和基于遮挡的解释在所有留出窗口上取平均，识别出每个两秒窗口内对 TCN 预测影响最大的时间段。该研究为基于 EEG 的享受度回归提供了一个可复现的跨听众基准测试，并展示了可解释性分析如何补充标准指标。
本译文由模型自动生成，仅供参考与快速理解；涉及数字、版本、命令、法律条文等请以原文为准。
原文附件
2 个 · 均跳转原站，本站不托管文件正文为原站公开内容的抓取与清洗结果，英文条目附模型生成的中文译文；两者均仅供参考， 准确内容请以原站为准。内容版权归原作者所有，若认为侵权请联系我们下线。