arXiv cs.LG·16 天前★ 1

基于 EEG 与深度学习可解释时序分析预测音乐愉悦感

原文标题：EEG-Based Prediction of Music Enjoyment Using Deep Learning with Explainable Temporal Analysis

重要度 1/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。

AI 智能摘要

研究将音乐愉悦感预测建模为回归问题，使用 MUSIN-G 数据集的 128 通道 EEG 数据，比较六种深度学习模型。DeepConvNet、CNN-LSTM 与 GNN-CNN 取得最低平均绝对误差，TCN 与评分相关性最高，并通过梯度与遮挡方法提供时序可解释性分析。

论文速读 · 四段结构cs.LG去论文速读 →

问题: 预测听众在听音乐过程中产生的愉悦感，而非只做离散情绪分类。
方法: 把愉悦感当作回归任务，在 128 通道 EEG 上比较六种深度模型，并用梯度与遮挡方法做时序可解释分析。
结果: DeepConvNet、CNN-LSTM、GNN-CNN 的 MAE 最低，为 0.97–0.99（1–5 量表）；TCN 与评分的相关性最高，r=0.21。
影响: 给出可复现的跨被试 EEG 愉悦度回归基准，适合做生理信号建模或可解释性研究的团队参考。

AI 处理过程展开/收起

原始标题：EEG-Based Prediction of Music Enjoyment Using Deep Learning with Explainable Temporal Analysis

AI 中文标题：基于 EEG 与深度学习可解释时序分析预测音乐愉悦感

来源：arXiv cs.LG · 发布于 16 天前

分类：学术研究 · AI 重要度：★ 1（1）

标签：脑电信号 / 深度学习 / 可解释性 / 情感计算 / arXiv

关键词：EEG 音乐愉悦感 / 脑电深度学习 / 可解释 AI / 情感识别 / 时序分析

AI 处理：2026/10/16 12:02:14 · 模型 deepseek-chat · 规则版本 2026-10-10.1

AI 生成以上内容由 AI 自动生成：中文标题、摘要、分类与重要度；同一事件的多家报道会自动归并展示。内容仅供参考，可能存在偏差，请以原文为准，不构成任何投资或专业建议。
版权归原作者与原发布平台所有；若涉及侵权或信息错误，请在举报与侵权投诉页反馈，我们会及时处理。

相关推荐