基于脑电波音乐的情感模型研究

发布时间：2017-10-14 17:21

  本文关键词：基于脑电波音乐的情感模型研究

  更多相关文章： 脑电信号 音乐情感 MIDI音乐 情感模型 人工神经网络

【摘要】：大脑是人类中枢神经系统的核心,在人体的所有器官中起到了领导的作用,同时他也是人类身体上最复杂的器官,科学家对它的研究从来没有停止过。大脑的重要特性之一就是可以产生脑电波。人脑神经元的各种活动,导致了脑电信号EEG的产生,它综合表现了神经元的活动规律,包含了极为丰富的信息。在大脑的研究领域,研究人们最不能忽视的主要研究工具即是脑电信号,随着对脑电信号分析与认识的不断加深,相关的重要研究成果也不断涌现。脑电波EEG蕴含的丰富的情感信息,称为近年来情感研究工作者关注的热点,然而如何从脑电波中提取情感信息并通过计算机对情感做出预测,成为相关领域研究的难点。本文是从脑机交互这一方向出发,提出计算机识别情感的一套新的思路。脑电波具有音乐性并且可以反应情感,而音乐同样反应情感,音乐可以作为研究脑电情感的媒介。借助现代机器学习的方法,建立情感分类模型,用计算机研究脑电情感与音乐情感的共性,使大脑的意识可以借助音乐的形式体现出来,这无疑具有重要的科学研究价值。本文提出的新思路就是以音乐为媒介研究脑电波所包含的情绪,抓住了一般音乐与脑电波可以转化为音乐的共性提出了这套研究新思路。首先以标准MIDI音乐为桥梁,以音乐的形式对脑波信号中的情感进行解读,设计能够表征音乐中情感的特征向量,建立情感分类模型,通过人工标注建立机器学习样本库。最后利用BP神经网络算法,搭建人工神经网络,对脑电音乐的情感进行分类,识别与分析脑电波信号中的情感并预测情感趋势,并结合己知情感的脑电音乐对算法进行验证。
【关键词】：脑电信号 音乐情感 MIDI音乐 情感模型 人工神经网络
【学位授予单位】：辽宁大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：R338;TP18
【目录】：

• 摘要4-5
• ABSTRACT5-12
• 第1章 引言12-16
• 1.1 研究背景12-13
• 1.2 研究现状13-14
• 1.2.1 情绪的脑机制13
• 1.2.2 BCI脑机交互-情绪分类算法研究13-14
• 1.3 本文研究内容14
• 1.4 本文结构安排14-16
• 第2章 脑电波与音乐的映射16-30
• 2.1 脑电波的基本特征16-19
• 2.1.1 认识脑电波16
• 2.1.2 脑电波的采集16-18
• 2.1.3 脑电波的分类18
• 2.1.4 脑电波的处理18-19
• 2.2 脑电波转换为音乐的理论基础19-23
• 2.2.1 标度性质19-20
• 2.2.2 脑电波具有标度性质20
• 2.2.3 音乐具有标度性质20-22
• 2.2.4 费希纳定律(Fechner's Law)22
• 2.2.5 齐普夫定律(Zipf's Law)22-23
• 2.3 脑电波与音乐之间的映射规则23-29
• 2.3.1 脑波与音乐转换的系统结构23-24
• 2.3.2 脑波与音乐映射的基本原则24-25
• 2.3.3 脑电波的振幅与音乐的音高25-27
• 2.3.4 脑电波的周期与音乐的音长27-28
• 2.3.5 脑电波的平均功率与音乐的音强28-29
• 2.4 本章小结29-30
• 第3章 MIDI音乐与音乐情感特征向量的提取30-42
• 3.1 认识MIDI音乐与MIDI音乐的特征提取30-35
• 3.1.1 MIDI音频格式的发展及应用30-31
• 3.1.2 MIDI音频格式获取情感特征向量的优势31-32
• 3.1.3 MIDI音频格式的深入分析32-34
• 3.1.4 MIDI音频文件的特征提取34-35
• 3.2 音乐的情感特征提取35-40
• 3.2.1 音乐情感特征向量35
• 3.2.2 音乐旋律的方向性35-37
• 3.2.3 音乐音高的平均值37-38
• 3.2.4 音乐的进行速度38
• 3.2.5 音乐的平均力度38-39
• 3.2.6 音乐的音符密度39-40
• 3.2.7 音乐音高的稳定性40
• 3.3 本章小结40-42
• 第4章 基于神经网络建模需求建立情感分类42-54
• 4.1 模式识别与神经网络42-46
• 4.1.1 模式识别的基本思想42
• 4.1.2 神经网络的技术特点42-43
• 4.1.3 人工神经网络的要素43-45
• 4.1.4 神经网络的神经元模型--BP网络45-46
• 4.2 音乐情感的分类46-49
• 4.2.1 音乐情感建模46
• 4.2.2 Thayer的能量-压力二维模型46-47
• 4.2.3 Hevener情感环模型47-49
• 4.3 依据BP神经网络建模需求构建新的分类方法49-53
• 4.3.1 情感模型的选择49
• 4.3.2 Thayer的能量-压力二维模型的缺陷49
• 4.3.3 Hevner情感环模型的缺陷49-50
• 4.3.4 构建新的分类方法50-53
• 4.4 本章小结53-54
• 第5章 实验结果及数据分析54-64
• 5.1 提取音乐特征建立样本库54-56
• 5.1.1 提取MIDI音频格式的音乐特征软件--Max/MSP54-55
• 5.1.2 提取MIDI音频格式的音乐特征过程55-56
• 5.2 人工标注情感分类56-58
• 5.2.1 新建情感分类56-57
• 5.2.2 人工标注情感分类57-58
• 5.3 BP神经网络构建与训练58-60
• 5.3.1 构建目标网络58-59
• 5.3.2 确定网络结构、训练并验证收敛59-60
• 5.4 对已知情感的脑电音乐进行验证60-63
• 5.4.1 睡眠阶段的脑电情绪60-61
• 5.4.2 验证睡眠阶段的脑电音乐61-63
• 5.5 本章小结63-64
• 第6章 结论与展望64-65
• 6.1 结论64
• 6.2 进一步工作的方向64-65
• 致谢65-66
• 参考文献66-67

【参考文献】

中国硕士学位论文全文数据库 前3条

1 范丽军;基于系统辨识的癫痫脑电信号分类研究[D];大连理工大学;2014年

2 涂建成;脑电信号控制智能轮椅的研究[D];杭州电子科技大学;2011年

3 陈颖萍;基于小波和独立分量分析的脑电信号预处理研究[D];华中科技大学;2006年

，

本文编号：1032220