Single-trial EEG-based classification reveals Instrument-Specific Timbre Perception via traditional Machine Learning Classifiers
Notice bibliographique
Résumé
Many users of hearing aids report challenges when listening to music. In the future, it may be possible to develop hearing aids that monitor brain activity in real-time and adapt their output to the volitions of the user. In music, this could mean selectively amplifying the sound of the instrument the listener wants to hear. The first steps in this research is to determine whether machine learning can be used to identify which instrument an individual is listening to based only on a brief EEG signal. In this work, participants were presented with a series of brief tones that varied in timbre (Trombone, Clarinet, Cello, Piano and Pure Tone) while their ongoing EEG was recorded from 73 electrodes. To distinguish between EEG responses to the five different musical instruments, we investigated the use of three different classifiers – Linear Discriminant Analysis (LDA), Gradient Boosting (GB), and k-NN, and four different sets of features – raw EEG, ERP-based features, harmonics-based features and regularity-based features. N1 and P2 components of the ERP were analyzed for differences between instruments. All three classifiers performed significantly above chance (i.e., approximately 20% for 5 classes) when trained using the raw EEG features (LDA: 37%, GB: 35%, k-NN: 26%). It may be possible to improve these results with more advanced classification algorithms or different transformations of features. Statistical analysis found the Cello to have contributed to the largest P2 amplitude and Pure Tone to the smallest, and for Cello to have contributed to the earliest N1 latency and Clarinet the latest.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».