Embodied Music Preference Modeling: Real-Time Prediction From Wearable Gait Telemetry, Google Fit Activity, and Gesture-Based Feedback
Notice bibliographique
Résumé
Abstract Background Music is widely deployed to enhance exercise, yet far less is known about how an exerciser’s real-time physiological state feeds back to shape musical liking. Wearable sensors now permit second-by-second coupling of gait dynamics, activity load, and affective response. Objective We developed a mobile workflow that predicts immediate like versus dislike judgments for unfamiliar songs by fusing clinical-grade inertial kinematics (Ambulosono), passive smartphone activity logs (Google Fit), and a single high-knees/low-knees gesture. The study tested whether momentary movement intensity biases preference, identified the strongest biometric predictors, and evaluated a sensor-aware classifier suitable for adaptive playlists. Methods Seventy-three healthy undergraduates performed fifty 60-second stepping-in-place trials while listening to tempo-normalised tracks spanning five genres. Ambulosono units sampled lower-limb acceleration at 200 Hz; Google Fit recorded pre- and post-trial step counts. Four gait features—mean and peak cadence, mean and peak step length—were normalised and averaged into a Composite Motivation Score (CMS). Breathlessness and fatigue ratings were logged after each track. A 500-tree random forest trained on gait variables, activity counts, perceptual deltas, and CMS classified preference using 10-fold cross-validation. Statistical tests compared liked and disliked trials for physiological change and speed strata. Results The protocol yielded 3 864 complete song exposures. Participants judged 54 % of tracks liked and 60 % disliked (paired t = –2.11, p = 0.036). Disliked trials exhibited larger breathlessness and fatigue increases (Wilcoxon p < 0.05). High-CMS trials showed a 68 % like-rate versus 37 % in low-CMS trials. The classifier achieved 0.78 accuracy and 0.82 AUC; permutation analysis ranked post-trial Google Fit steps, bout duration, and pre-trial steps as top predictors. Track-level analysis revealed that the ten most-disliked songs coincided with the highest mean stepping speeds, despite non-significant effects at coarse speed tiers. Conclusions Immediate bodily engagement and short-term physiological strain strongly colour musical appraisal. Integrating wearable kinematics, smartphone step counts, and low-friction gestures enables accurate, interpretable prediction of liking, paving the way for context-adaptive playlists and emotionally intelligent rehabilitation cues.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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 ».