音乐情感的运动共振：一种在富有表现力的音乐演奏过程中进行脑电图解码的机器学习方法

理解富有表现力的音乐表演所依赖的神经动力学机制，仍然是神经科学、音乐认知与计算建模交叉领域中的一项重大挑战。尽管有关情绪的脑电图（EEG）研究主要聚焦于对情感性刺激的被动暴露，但针对主动音乐表达过程中振荡性脑活动的研究相对较少。本单被试研究考察了：由一位职业音乐会钢琴家在富有表现力的钢琴演奏过程中记录的频带受限EEG活动，是否包含足够的可判别结构，以支持对音乐定义的情绪类别进行有监督多分类。方法：在一位职业音乐会钢琴家进行连续、自然主义演奏时，从128个头皮电极位点记录EEG信号；演奏材料为来自巴赫、贝多芬和肖邦作品中具有情绪特征的片段。这些音乐片段此前已依据情绪效价、速度、能量/唤醒度以及调性结构进行分类，并通过知觉实验得到验证。从连续EEG记录中提取了180个互不重叠、每段2秒且无伪迹的片段，从而为每个情绪类别获得30个片段。在选定的中央顶叶区和后部电极上，分别计算θ频段（3.5–7.5 Hz）、α频段（7.5–12.5 Hz）和高β频段（24–30 Hz）内的平均谱功率，最终为每个片段得到24个EEG衍生特征。采用80/20训练—测试划分并结合5折交叉验证，对线性支持向量机、随机森林和梯度提升分类器进行了评估。结果：仅基于EEG的分类在各模型中均达到高于随机水平的表现，其中随机森林取得最高准确率（0.42）、宏平均F1分数（0.414）和Cohen's κ值（0.30），超过了0.167的理论随机水平。特征重要性分析显示，θ、α和高β振荡活动均呈现分布式贡献，尤其体现在顶叶和枕叶区域，且没有证据表明存在单一占主导地位的神经标记。纳入一个额外的与唤醒度相关的二元特征后，随机森林的表现得到显著提升（准确率 = 0.58；宏平均F1 = 0.579；κ = 0.50），表明在该分类框架内，唤醒度组织对类别可分性具有重要贡献。结论：这些发现表明，伴随富有表现力的音乐动作而产生的振荡性EEG活动，包含与情绪分化表演状态相关的、可测量的统计结构。本研究结果并非旨在识别情绪的离散神经相关物，而是对在富有表现力的运动—声学互动过程中涌现的分布式振荡动力学进行了计算表征，从而将情感EEG研究从被动知觉范式拓展到具有生态学效度的音乐表演情境。

音乐情绪的运动共鸣：一种在表现性音乐演奏过程中对脑电图进行解码的机器学习方法

理解表现性音乐演奏所依据的神经动力学，仍然是神经科学、音乐认知与计算建模交叉领域的一项重大挑战。尽管关于情绪的脑电图研究主要聚焦于对情感性刺激的被动暴露，但针对主动音乐表达过程中振荡性脑活动的研究则相对较少。持有人为作者/资助方，其已授予 bioRxiv 永久展示该预印本的许可。

本文依据 CC-BY-NC-ND 4.0 国际许可协议公开提供。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.06.04.730044v1?rss=1

🏷️ 脑电图解码 音乐情感 机器学习分类 钢琴演奏 振荡神经动力学