FMEFF机制：一种基于FastDTW的音乐-脑电图特征融合方法，用于识别音乐治疗中的愉悦程度

《IEEE Transactions on Affective Computing》：FMEFF Mechanism: A FastDTW-Based Music-EEG Feature Fusion Approach for Identifying Enjoyment Levels in Music Therapy

研究提出基于FastDTW的融合机制，通过优化MFCC提取和脑-音乐同步分析，实现音乐享受水平分类，准确率达74.50%-81.54%，前额叶最优，为个性化音乐疗法提供新方法。

　　

摘要：

研究表明，那些从音乐中获得更多乐趣的人，其大脑与音乐的同步性更强，这与抑郁症治疗中的改善治疗效果呈正相关。然而，大多数现有的音乐疗法研究主要关注情绪状态，往往忽视了人们的音乐享受程度。为了解决这一不足，我们提出了一种基于快速动态时间规整（FastDTW）的新融合机制，以客观评估音乐享受度。首先，我们引入了一种自适应动态搜索（ADS）算法，用于优化从脑电图（EEG）信号中提取的梅尔频率倒谱系数（MFCCs）的顺序。该方法在特征准确性和冗余性之间取得了平衡，性能优于传统的固定顺序方法。接下来，我们利用基于FastDTW的音乐-EEG特征融合（FMEFF）框架来分析同步性，该框架通过FastDTW对齐音乐和EEG特征维度，有效识别出表征同步性的最佳对齐路径。然后将融合后的特征用于分类音乐享受程度，并通过检查特定脑区的分类性能来提高可解释性。实验结果显示，在健康参与者和抑郁症参与者中，音乐享受程度的识别准确率分别为74.50%和81.54%，其中额叶的准确率最高。进一步的相关性分析证实了提取的特征与主观享受评分之间存在强烈的关联。这些发现为个性化音乐疗法建议提供了新的见解，并凸显了在情感计算中整合音乐和EEG信号的前景。这项工作还为EEG通道优化策略做出了贡献，并为未来使用可穿戴EEG系统的心理健康干预奠定了基础。