一種音樂腦電分析方法
2023-04-30 14:15:21
專利名稱：一種音樂腦電分析方法
技術領域：
本發明涉及一種腦電信號分析方法，特別涉及一種音樂腦電分析方法。
背景技術：
自從腦電在1924年被發現並測量以來，人們對腦電波的研究主要是通過腦電圖(EEG)進行，多數是以視覺方式呈現。傳統的腦電研究將腦電按照頻率和振幅分為以下幾類β波，頻率高(在14到30Hz之間，有時高至50Hz)，幅值較小(約5μV)；α波，最典型的腦電波節律，在8到13Hz之間，幅值比β波稍大；θ波，頻率比α波略低，通常為4到7Hz，振幅比α波大；δ波，最慢的腦電波節律，通常低於3.5Hz，其振幅最大，可達300μV。大腦處於不同意識狀態時，這些腦波節律所佔比例是不同的。一般而言，較高級的思維活動多伴隨頻率較高，振幅較小的節律，而大腦處於休息狀態時，多產生頻率較低，振幅較大的節律。如清醒狀態時，多以β波、α波佔優，而睡眠過程中，則多為θ波、δ波。可見，大腦的不同意識狀態，是可以通過其頻率和振幅來表現的。另一方面，音樂是人對樂音的排列組合的感知。樂音的四個基本要素是音高(pitch)，音色(timbre)，音強(intensity)和音長(duration)。這些要素是人的一種心裡屬性，用來描述人類對聽到的樂音的心理感覺量。這些屬性反映了客觀刺激量對人的心理感覺的影響。如音高主要與樂器發聲頻率有關，音色與頻譜有關，而音強主要受聲壓的影響，音長與時間有關。這些要素的各種變化組合，使得音樂旋律具有豐富的表現力。一般而言，表達強烈情緒(如活潑歡快)的樂曲，音高較高，音強較強，音長較短，即音的高低快慢的變化都比較快和複雜多樣。而表達平靜情緒的樂曲，則一般音高稍低，音強較弱，音長較長，即音的各種變化相對較少。音樂是人的情緒的宣洩和表達，同時對人的情緒和狀態有明顯的影響。因此，人們一直試圖將腦電和音樂聯繫起來。
中國專利申請號為01129935.5的發明專利公開了一種可視音樂腦電反饋法，即採集腦電數據後，將腦波特徵分析變為時間序列數據，產生音樂或圖像達到反饋訓練的目的。但是該專利對於音樂與腦電數據之間的映射規則及其理由，都沒有提及。
發明內容
本發明所要解決的技術問題是，提供一種腦電數據與音樂數據之間根據冪律分布建立的映射規則，將腦電信號轉換為音樂信號的音樂腦電分析方法。
本發明解決上述技術問題採用的技術方案是一種音樂腦電分析方法，包括下述步驟a、腦電信號採集，按標準的腦電圖採集方式採集腦電圖；b、腦電信號處理，將步驟a採集的腦電圖進行信號特徵分析，根據腦電信號的特徵量數據和音樂的特徵量數據共同符合冪律分布的規律建立腦電信號的特徵量數據與對應的音樂特徵量數據的映射規則，將腦電信號的特徵量數據映射為音樂特徵量數據；c、MIDI格式音樂生成，根據步驟b的音樂特徵量數據生成MIDI音樂；或根據步驟b的腦電信號的特徵量數據與音樂特徵量數據的映射規則，將音樂特徵量數據映射為腦電信號的特徵量數據，由MIDI音樂重建腦電圖。
冪律分布，是自組織系統的一個重要特性，即兩個變量的關係可以用冪指數的形式來表示，如變量X，Y，若Y＝Xα，α稱為冪律指數，通常為-1.5～-0.5。腦電信號很多特徵變量都符合冪律分布，如功率譜密度符合以頻率為底的冪律分布。在音樂中，音高、音長、音強等變量出現次數的排列順序和出現的次數之間也符合冪律分布。研究表明，音樂的冪律分布是音樂動聽的原因之一。腦電和音樂共同遵循的這一規律，通過建立合適的映射規則，將腦電的特徵與音樂的屬性進行科學地對應，進而產生能以不同風格的音樂來反應不同意識狀態的腦電特徵，使腦電向音樂的轉換科學合理。
所述腦電信號的特徵量包括腦電信號的周期、振幅、腦電信號每個周期的平均功率，所述音樂的特徵量包括音長、音高、音強，所述步驟b中提取腦電數據的振幅，將振幅映射為音高。
所述腦電數據的振幅與音高的映射關係式為pitch＝mlg Amp+n，Amp是腦電的振幅，pitch是音高，n為音高的最大值，m為負常數。n可設定為音高的最大值，m的值可根據需要的音高範圍和Amp的情況進行調整。
腦電(EEG)是腦內神經元活動的宏觀表現，人腦的不同狀態有相應的腦電波特性。同時，鑑於音樂豐富的表現力及音樂與腦電信號的共性，腦電可以用音樂的方式進行解讀。為了更直觀地反應腦波特徵，本發明採用了一種較為直接的方式，即將腦波與樂音直接對應。雖然腦電波和音樂都具有聲波的形式，但一方面因腦電信號頻率範圍通常在01.Hz到40Hz，人耳無法聽到頻率如此低的聲音，另一方面樂音會給人明確的音高感，是因為其頻率和頻譜分布符合特殊的規則，直接將腦電波頻率放大也無法得到樂音的效果。因此需要建立一種合適的映射規則，既保留腦波信號最重要的特徵，又使得到的音符序列具有音樂性，且能反應不同的大腦意識狀態。同時這種映射應該是建立在一定的生理學意義之上的，而不是簡單的選擇幾個生理參數來合成音樂。因此，首先選取腦電和音樂的基本特徵變量來作為控制變量。本發明選取的腦波特徵變量有振幅、周期和平均功率。由腦電研究中對腦電波各頻段的分類標準可知，振幅、周期和平均功率都是腦電波的基本特徵量，可以反應大腦的意識活動狀態。而對樂音而言，通常在樂曲中，音色的變化不是太頻繁，因此本發明中直接將音色定為鋼琴(也可根據需要定為其他音色)。而剩下的三種屬性音高，音長和音強，則作為生成音樂的控制變量。通過映射規則，將腦電波的每個周期的波映射為一個音符。研究結果表明，作為自組織系統，腦電和音樂都滿足冪律分布，經過推導，將腦電的振幅和音高相對應，將腦電的周期和音長對應，而平均功率，因其反應了腦電波的能量分布，則與音強對應。腦電的振幅和音高的映射關係，是腦電振幅和功率譜密度的關係，功率譜與頻率的冪律分布，以及音樂的音高和頻率關係的綜合表現。在音樂中，音高主要與聲源的振動頻率有關，頻率越高，音高也就越高。作為人對音樂的感知的心理屬性之一，音高與頻率間呈現為對數關係，這也是現代音樂律制中12平均律的基礎。音高的範圍稱為音域，音域較高的樂曲，比較歡快明亮，而音域較低的樂曲，則比較深沉平穩。根據研究結果，腦電的振幅(Amp)和功率譜密度(SP)有線性相關關係，即SP＝μ·Amp(1)其中μ是比例係數，且μ＞0。而功率譜密度和頻率(fE)之間符合冪律分布，即 SP ∝fEα(2)其中α是冪指係數，是冪律分布最本質的表達，α通常範圍是-2到-1。對(2)式兩邊取對數，可得 lgSP＝αlgfE+b進一步有lgfE=1lgSP-b---(3)]]>在MIDI標準中，共有128個不同的音高，每兩個之間有半音的差距。根據Fechner定理(G.T.Fechner，德國物理學家)和12平均律的相關定義， 音高(pitch，以半音為單位)和樂器振蕩頻率(fM)之間的關係可以表示為pitch=12log2(fM440)+69]]>其中440即為國際標準音高(A4，440Hz)，它在MIDI標準中對應的音高值為69。為與前面的推導一致，我們將這個式子化為常用對數的形式，即
pitch＝clgfM+d(4)其中c，d為常數，c＝40，d＝36.6。
若假設腦電頻率和音的頻率線性相關，且可以被表示為fM＝βfE，其中β是比例係數，那麼(3)就可以表示為lgfE=lgfM=1lgSP-b+lg---(5)]]>把(5)式代入(4)式，可得pitch=clgSP-bc+d+clg---(6)]]>把(1)式代入(6)式，可得pitch=clgAmp+clg-bc+d+clg---(7)]]>若令c=m,]]>clg-bc+d+clg=n,]]>則有pitch＝ mlgAmp+n(8)其中m與α有關，是最重要的參數，直接反應了冪律的根本特徵。n可設定為音高的最大值，比如可選n＝96。m的值可根據需要的音高範圍和Amp的情況進行調整。要達到一定的效果，需要選擇一個恰當的m值，如選擇m＝-26.1，則相應的α就在冪律分布的參數範圍內。因此，振幅和音高的映射關係由(8)式來定義。這種映射關係中因為m為負值，導致了幅度大的振幅值將生成音高較低的音符。這恰好符合腦活動的實際情況。事實上，當大腦活動較劇烈時，因其神經元活動的一致性不高，所以往往表現出較低的幅度。而當大腦活動較少時，因參與活動的神經元一致性高，所以振幅值一般較大。m為負值，正好保證了劇烈的腦活動將由高音表示，使樂曲的情緒表達更加熱烈。反之亦然。
所述步驟b中還提取腦電數據的每個周期，將每個周期映射為音長。
腦電的周期是一個很重要的特徵變量，它非常易於被檢測和提取。作為頻率的倒數，它包含了豐富的頻率特徵，能很好的反映腦電數據的特點。音樂中，音長表示音持續發聲的時間，通常與聲源的振動時間相關，與周期同屬於時間性質的物理量。本發明中，腦電數據周期與間音長的映射關係是直接對應。這樣的映射方式同時保證了音樂與腦電數據的嚴格同步對應，為產生實時音樂提供了方便。一般情況下，音長較長的樂曲，聽起來速度比較緩慢，適合表達較平靜安詳的情緒，而音長較短的樂曲，則速度比較快，適合表達較活潑歡快的情緒。另一方面，當大腦意識活動強烈時，腦電波中高頻成分較多，而當大腦處於休息狀態時，主要以低頻成分為主。因此，腦電周期與音長的對應使音樂對腦電的解讀更加直接，且速度較快的樂曲被用來表達大腦強烈的意識活動，而速度較慢的樂曲被用來表達平靜的意識活動狀態。
述步驟b中還提取腦電數據每個周期的平均功率，將每個周期的平均功率映射為音強。
具體地，所述每個周期的平均功率根據Fechner定理映射為音強。
腦電數據平均功率與音強的映射關係是基於對數關係對應的。在一定的時間段內，腦電的平均功率反映能量的分布情況，表達了相應的生理狀態。而音強主要與聲源的聲壓相關，反應了聲源的能量大小。根據Fechner定理，音強作為人的心理量，與客觀刺激量之間是對數關係。一般情況下，音強也就是樂音音量的大小，音樂中的音量對比，可以突出主題，在樂曲的情緒和風格上形成對比。因此，可以用樂音的音量大小來代表腦電波數據段的能量大小，並使得較劇烈的意識活動得到強調。這種基於腦電和音樂的內在特徵的轉換方法，使產生的音樂能客觀地反應相應的大腦的意識狀態。當大腦處於活動較激烈的時候，所得的音樂片段速度稍快，音域範圍較高，情緒比較明亮歡快；而當大腦處於較平靜的狀態時，所得的音樂片段速度緩慢，音域範圍較低，情緒上顯得低沉平靜。另外，這種方法產生的音樂，其音高分布仍滿足冪律分布，這就保證了這些音符序列具有一定的音樂性，即反應了大腦的動力學特徵，又可以達到較好的音樂效果。
本發明的有益效果是1、提出了一種根據腦電信號的特徵量數據和音樂的特徵量數據共同符合冪律分布的規律將腦電信號的特徵量數據映射為對應的音樂特徵量數據，進一步生成MIDI音樂的音樂腦電分析方法；2、由本發明的方法產生的音樂，是腦電的音樂編碼形式，可用於腦電監測及記錄，與傳統的腦電圖分析腦電的方法相比，為腦電分析提供了一種新的分析方法；3、可以根據腦電信號的特徵量數據與音樂特徵量數據的對應關係，由MIDI音樂重建相應的腦電圖，為腦電信號提供了一種新的記錄存儲方式。
圖1是本發明的原理框圖；圖2由腦電波到音樂的特徵變量映射關係，在腦電波的特徵量中，選取振幅，周期和平均功率作為轉換變量，分別對應音樂中的音高，音長和音強；圖3是腦電波的周期與音樂的音長的映射示意圖，採用零點跨越法來定義周期，即在波形線上每次數據點從負值變為正值處做標記，兩個標記之間就是一個周期，每個周期的數據將用於提取相應特徵變量，用來生成音樂中的一個音，該周期的長度就是這個音的音長；圖4是腦電波的振幅與音樂的音高的映射示意圖，X軸表示振幅，單位是微伏(uV)，Y軸表示音高，單位是半音，其定義與MIDI標準一致，此處的振幅用零點跨越法定義，將每個周期中的峰峰值作為該周期的振幅值，用來生成樂音的音高，若用pitch表示音高，用Amp表示振幅，則圖中曲線可由下式表示pitch＝mlgAmp+n，其中m和n是係數，當腦電波振幅小於200uV時，可取m＝-26.1，n＝96；根據生成音樂的需要，本發明中，這樣音高的範圍就包含了5個八度，即大字組，小字組，小字一組，小字二組和小字三組，這個範圍比鋼琴的範圍略小，與通用的電子琴一樣，包括了61個音高，具有足夠的表現力，而且，此時α＝c/m＝-1.53，這個值符合冪律分布對係數的要求；圖5是腦電波的平均功率與音樂的音強的映射示意圖，此處的平均功率是指每個周期內的平均功率，即每個周期的總功率與周期之比，音強的值是MIDI標準中的數值，根據Fechner定理，音強與平均功率之間符合對數關係；圖6a是1秒的腦電信號的原始的腦電數據，圖6b是原始的腦電數據的振幅、周期、頻率與音樂的音高、音長、音強的映射後生成的MIDI數據，每個長方形表示一個音，其沿X軸的長度表示音長，沿Y軸的長度表示音高，灰度表示音強；圖7a是快速眼動睡眠(REM)的腦電波數據，圖7b是圖7a腦電數據的振幅、周期、頻率與音樂的音高、音長、音強的映射後生成的MIDI數據，圖7c是圖7a中標記的數據段映射後產生的音樂片段對應的樂譜；圖8a是非快速眼動睡眠(NREM)的腦電波數據，圖8b是圖8a腦電數據的振幅、周期、頻率與音樂的音高、音長、音強的映射後生成的MIDI數據，圖8c是圖8a中標記的數據段映射後產生的音樂片段對應的樂譜；圖9a是慢波睡眠(SWS)的腦電波數據，圖9b是圖9a腦電數據的振幅、周期、頻率與音樂的音高、音長、音強的映射後生成的MIDI數據，圖9c是圖9a中標記數據段映射後產生的音樂片段對應的樂譜；圖10是睡眠腦電音樂的音高分布示意圖；圖11是根據MIDI音樂重建腦電信號的原理框圖；
圖12a是原始腦電信號數據圖，圖12b是根據圖12a對應生成的MIDI音樂重建的腦電信號數據圖。
具體實施例方式
如圖1至圖12所示，圖1是本發明方法的原理框圖。受試者是原始腦電信號A的提供者，根據需要，受試者可以處於不同的生理狀態，如休息，進行某些認知活動或是睡覺等，腦電信號採集系統是標準的腦電採集設備，一般包括電極帽，信號放大器，相應記錄設備等，具體硬體設備可以參考使用中國專利申請號為01129935.5的申請文件所採用的硬體設備。本發明適用於各種不同的腦電採集設備，根據設備性能，可以進行在線或離線的分析處理。經腦電信號採集系統記錄下來的腦電信號，取其中一處(如Cz)的數據，轉換為數位訊號B，經過信號特徵分析處理，信號特徵分析處理主要完成對腦電波的振幅，周期及平均功率的提取，提取後腦電波的振幅按照公式pitch＝mlgAmp+n映射為音高，其中Amp是腦電的振幅，pitch是音高。當腦電波振幅小於200uV時，可取m＝-26.1，n＝96。腦電信號的周期與音長的映射關係是直接對應的，本發明採用零點跨越法(zero cross method)來定義周期，即在波形線上每次數據點從負值變為正值處做標記，兩個標記之間就是一個周期，每個周期的數據將用於提取相應特徵變量，用來生成音樂中的一個音，該周期的長度就是這個音的音長。這種對應不但可以很好地揭示腦電波在頻率上的特徵，也保證了產生實時音樂的可能性，音樂的長度與腦電波的長度在時間上是嚴格對應的。根據Fechner定理，音強與腦電波的平均功率之間也符合對數關係，腦電波的平均功率是指每個周期內的平均功率，即每個周期的總功率與周期之比，音強的值是MIDI標準中的數值。腦電波的周期採用零點跨越法(zero cross method)來定義，即在波形線上每次數據點從負值變為正值處做標記，兩個標記之間就是一個周期。每個周期的數據將用於提取相應特徵變量，用來生成音樂中的一個音。顯然，該周期的長度就是這個音的音長。這種對應不但可以很好地揭示腦電波在頻率上的特徵，也保證了產生實時音樂的可能性，音樂的長度與腦電波的長度在時間上是嚴格對應的。與音強的對應函數關係。上述數據經過映射規則對應為音樂的特徵變量，將結果作為腦電特徵變量C送入MIDI控制環境中。本發明採用Max/MSP平臺作為MIDI控制的環境，由此得到的MIDI序列D由音箱18進行播放，或存儲為MIDI音樂文件，進入其他設備完成相應的應用或經過對生成的MIDI音樂分析建立一種新的腦電分析方法。
本實施例受試者25周歲，男性。圖6a所示是1秒的腦電數據，圖6b表示由圖2a對應生成的MIDI數據，每個長方形表示一個音，其沿X軸的長度表示音長，沿Y軸的長度表示音高，其灰度表示音強。
本發明應用於睡眠腦電的分析睡眠是人類重要的生理活動，對睡眠腦電的研究可以幫助人們更好的戰勝疾病，保持健康。在整夜的睡眠中，大腦會在幾個睡眠狀態中循環。每個睡眠狀態都有顯著的特點，其腦功能活動水平也不一樣。對睡眠腦電的分期主要是以腦電(EEG)為主，再參考眼電(EOG)和肌電(EMG)進行的。主要的睡眠階段有(1)快速眼動睡眠(Rapid Eye Movement，REM)，大腦活動相對較強的時期，多伴隨夢境；(2)非快速眼動睡眠(Non-RapidEye Movement，NREM)，較淺的睡眠階段，慢波成分多於REM期，以梭形波為特徵；(3)慢波睡眠(Slow Wave Sleep，SWS)，深層次睡眠，以慢波成分為主，大腦意識活動最弱。將本發明應用於睡眠腦電，可以得到因睡眠狀態不同而風格不同的音樂片段。因此，這是一種較好的睡眠狀態檢測方法，只需聆聽相應的音樂，即可大致判斷當前所處的睡眠狀態。如圖7a、圖7b、圖7c、圖8a、圖8b、圖8c、圖9a、圖9b、圖9c所示，圖7a、圖8a、圖9a是採集的不同階段的睡覺腦電數據，圖7b、圖8b、圖9b是對應生成的音高、音長和音強的數據，圖7c、圖8c、圖9c是腦電數據中被標記段的產生的音樂的樂譜。此處的腦電數據採集系統是32道的NeuroScan系統，數據取自電極Cz，採樣率250Hz，經過0.5～40Hz的帶通濾波。圖7c所示是快速眼動睡眠(REM)的腦電數據生成的音樂。顯然，這段樂曲在音高和音長方面都變化很大，而且音符行進速度較快，因此旋律充滿跳躍感，顯得活潑歡快。這與REM期的大腦活動強度是一致的。圖8c所示是非快速眼動睡眠(NREM)的腦電數據生成的音樂。這段樂曲速度比REM期稍慢，旋律稍平緩。尤其是對該睡眠階段中的梭形波，在旋律上也形成了相同的走勢，音強上也有明顯的強調。圖9c所示是慢波睡眠(SWS)的腦電數據生成的音樂。這段樂曲音域範圍較低，速度緩慢，形成平靜柔和的曲風。這正好反應了該睡眠階段是大腦活動最弱，是深層次休息的狀態。
圖10所示是對三種睡眠腦電相應的音樂片段進行的冪律統計。橫軸X軸表示不同音高出現次數的排列順序，豎直坐標軸Y軸表示某個音高出現的次數。也就是說，圖中X＝1的點，表示這個音高出現的次數是最多的，其Y值表示這個具體的數值，即這個音高出現了多少次。在對數坐標上對這些點進行線性擬合的結果如圖所示。三種情況下，擬合直線的係數分別為REM--1.8262，NREM--1.2574，SWS--1.1376。這些值都是符合冪律分布定義的，而且與文獻報導的古典音樂片段的均值-1.3460接近。這個分布可以說明該方法生成的音樂是具有音樂性的，符合音樂旋律的動力學特性的。
本發明的應用之一，是將由腦電得到的音樂作為該腦電數據的一種編碼記錄方式，這種方式保留了腦電波在振幅和周期上的特徵。通常的腦電記錄都是以數位訊號形式保存，通過視覺以波形圖或是地形圖等形式呈現。本發明是將腦電波以MIDI格式保存，以聲音的形式再現，同時也可以由MIDI序列重建出波形信號來。將MIDI序列音樂片段E存儲的MIDI文件。讀入MIDI編輯環境，可以分離各種特徵參數，包括音高F和音長G，按照圖2～圖5所示根據腦電信號的特徵量數據與對應的音樂特徵量數據的映射規則進行反變換，可以得到與音高F相應的振幅值H，與音長G相應的周期I的值，根據振幅和周期，可以重建腦電信號(EEG)。圖12a所示是原始腦電波，圖12b是根據圖12a對應生成的MIDI音樂重建的腦電信號數據圖，可以看到腦電波的特徵在一定程度上得到了保留。
本發明進一步地，可以根據腦電信號與音樂的對應關係和通過音樂重建的腦電信號的比較，可以選擇合適的音樂對大腦起反饋作用。
權利要求
1.一種音樂腦電分析方法，其特徵在於，包括下述步驟a、腦電信號採集，按標準的腦電圖採集方式採集腦電圖；b、腦電信號處理，將步驟a採集的腦電圖進行信號特徵分析，根據腦電信號的特徵量數據和音樂的特徵量數據共同符合冪律分布的規律建立腦電信號的特徵量數據與對應的音樂特徵量數據的映射規則，將腦電信號的特徵量數據映射為音樂特徵量數據；c、MIDI格式音樂生成，根據步驟b的音樂特徵量數據生成MIDI音樂；或根據步驟b的腦電信號的特徵量數據與音樂特徵量數據的映射規則，將音樂特徵量數據映射為腦電信號的特徵量數據，由MIDI音樂重建腦電圖。
2.根據權利要求1所述的音樂腦電分析方法，其特徵在於，所述腦電信號的特徵量包括腦電信號的周期、振幅、腦電信號每個周期的平均功率，所述音樂的特徵量包括音長、音高、音強，所述步驟b中提取腦電數據的振幅，將振幅映射為音高。
3.根據權利要求2所述的音樂腦電分析方法，其特徵在於，所述腦電數據的振幅與音高的映射關係式為pitch＝mlg Amp+n，Amp是腦電的振幅，pitch是音高，n為音高的最大值，m為負常數。
4.根據權利要求3所述的音樂腦電分析方法，其特徵在於，所述步驟b中還提取腦電數據的每個周期，將每個周期映射為音長。
5.根據權利要求1至4任意一項所述的音樂腦電分析方法，其特徵在於，所述步驟b中還提取腦電數據每個周期的平均功率，將每個周期的平均功率映射為音強。
6.根據權利要求5所述的音樂腦電分析方法，其特徵在於，所述每個周期的平均功率根據Fechner定理映射為音強。
7.根據權利要求1所述的音樂腦電分析方法，其特徵在於，所述步驟c中提取MIDI音樂的音高和音長，根據腦電信號的特徵量數據與對應的音樂特徵量數據的映射規則，將音高映射為腦電數據的振幅，音長映射為腦電數據的周期，重建腦電圖。
全文摘要
本發明提供了一種音樂腦電分析方法。該方法包括下述步驟a、腦電信號採集，按標準的腦電圖採集方式採集腦電圖；b、腦電信號處理，將步驟a採集的腦電圖進行信號特徵分析，根據腦電信號的特徵量數據和音樂的特徵量數據共同符合冪律分布的規律建立腦電信號的特徵量數據與對應的音樂特徵量數據的映射規則，將腦電信號的特徵量數據映射為音樂特徵量數據；c、MIDI格式音樂生成，根據步驟b的音樂特徵量數據生成MIDI音樂；或根據步驟b的腦電信號的特徵量數據與音樂特徵量數據的映射規則，將音樂特徵量數據映射為腦電信號的特徵量數據，由MIDI音樂重建腦電圖。本發明提出了一種採用音樂分析腦電的音樂腦電分析方法，且可以根據腦電信號的特徵量數據與音樂特徵量數據的對應關係，由MIDI音樂重建相應的腦電圖。
文檔編號G06F17/00GK101015451SQ20071004847
公開日2007年8月15日 申請日期2007年2月13日 優先權日2007年2月13日
發明者堯德中, 李朝義, 吳丹 申請人:電子科技大學