Affective Brain-Computer Music Interface in Emotion Regulation and Neurofeedback: A Research Protocol
Notice bibliographique
Résumé
Introduction: Emotion regulation is an integral part of mental health, dynamically impacting brain function, as one’s emotions change continuously throughout the day. Impairments in emotion regulation are associated with a range of psychiatric disorders. Although the implications of emotion regulation are crucial to mental health, few studies have examined training emotion regulation strategies with respect to the brain. Thus, we propose an affective brain-computer music interface (aBCMI) prototype for emotion regulation that continuously generates music by estimating emotions from real-time electroencephalography (EEG) signals. Methods: In this proposal, we describe our prototype consisting of an emotion classifier that detects the expression of emotions from EEG signals, and a music generator that generates music reflective of those emotions. We evaluate our prototype in three separate studies. In study 1, we test the accuracy of the music generator. In study 2, we test the accuracy of the emotion classifier by assessing its correlation with real-time, self-reported emotions. In study 3, the generative music algorithm is used to explore emotion regulation strategies. Discussion: The proposed BCMI is expected to accurately estimate emotions, provide musical feedback of participants’ emotions, and enable users to intentionally modulate their emotions from musical feedback. This involves capturing the listener’s emotions in real-time using EEG signals, providing the opportunity to regulate one’s emotional state with musical feedback. Thus, in addition to enabling greater neurofeedback training of emotions, our prototype can enhance the understanding of affective computing and emotions with EEG and machine learning. Conclusions: Clinical applications of this prototype may have a tremendous impact as a neurofeedback tool in music therapy for training emotion regulation. Future research may benefit from using the proposed BCMI as a neurofeedback treatment in mood disorders.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,021 | 0,033 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,003 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,004 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,054 | 0,014 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».