論文の概要: Introducing EEG Analyses to Help Personal Music Preference Prediction

• arxiv url: http://arxiv.org/abs/2404.15753v1
• Date: Wed, 24 Apr 2024 09:15:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-11 01:58:18.942045
• Title: Introducing EEG Analyses to Help Personal Music Preference Prediction
• Title（参考訳）: 個人音楽の嗜好予測を支援する脳波分析の導入
• Authors: Zhiyu He, Jiayu Li, Weizhi Ma, Min Zhang, Yiqun Liu, Shaoping Ma,
• Abstract要約: 本稿では、パーソナライズされたレコメンデーションシステムの基礎として、個人音楽の好みに脳波(EEG)信号を導入する。 明示的なフィードバックとしての脳波信号は、パーソナライズされたレコメンデーションタスクに使用できる。
• 参考スコア（独自算出の注目度）: 32.54585446695344
• License:
• Abstract: Nowadays, personalized recommender systems play an increasingly important role in music scenarios in our daily life with the preference prediction ability. However, existing methods mainly rely on users' implicit feedback (e.g., click, dwell time) which ignores the detailed user experience. This paper introduces Electroencephalography (EEG) signals to personal music preferences as a basis for the personalized recommender system. To realize collection in daily life, we use a dry-electrodes portable device to collect data. We perform a user study where participants listen to music and record preferences and moods. Meanwhile, EEG signals are collected with a portable device. Analysis of the collected data indicates a significant relationship between music preference, mood, and EEG signals. Furthermore, we conduct experiments to predict personalized music preference with the features of EEG signals. Experiments show significant improvement in rating prediction and preference classification with the help of EEG. Our work demonstrates the possibility of introducing EEG signals in personal music preference with portable devices. Moreover, our approach is not restricted to the music scenario, and the EEG signals as explicit feedback can be used in personalized recommendation tasks.
• Abstract（参考訳）: 今日では、パーソナライズされたレコメンデーションシステムは、私たちの日常生活における音楽シナリオにおいて、嗜好予測能力において、ますます重要な役割を担っている。 しかし、既存の手法は主にユーザ体験を無視するユーザの暗黙のフィードバック(例えば、クリック、居住時間)に依存している。 本稿では、パーソナライズされたレコメンデーションシステムの基礎として、個人音楽の好みに脳波(EEG)信号を導入する。 日常生活における収集を実現するため,ドライエレクトロデス携帯装置を用いてデータ収集を行う。 我々は、参加者が音楽を聴き、好みや気分を録音するユーザスタディを実行する。 一方、EEG信号はポータブルデバイスで収集される。 収集したデータの解析は、音楽の嗜好、気分、脳波信号の有意な関係を示す。 さらに,脳波信号の特徴によってパーソナライズされた音楽の嗜好を予測する実験を行った。 脳波の助けを借りて評価予測と選好分類の大幅な改善が実験によって示された。 本研究は,携帯端末を用いた個人音楽選好における脳波信号の導入の可能性を示すものである。 さらに,本手法は音楽シナリオに限らず,パーソナライズされたレコメンデーションタスクにおいて,明示的なフィードバックとしての脳波信号を使用することができる。

関連論文リスト

• Toward a More Complete OMR Solution [49.74172035862698]
  光音楽認識は、音楽の表記をデジタル形式に変換することを目的としている。 OMRに取り組む1つのアプローチは、画像内の視覚音楽の表記要素を最初に検出するマルチステージパイプラインである。 YOLOv8に基づく音楽オブジェクト検出器を導入し,検出性能を向上する。 第2に、検出出力に基づいて記法組立段階を完了する教師付きトレーニングパイプラインを導入する。
  論文  参考訳（メタデータ） (2024-08-31T01:09:12Z)
• Modeling User Preferences via Brain-Computer Interfacing [54.3727087164445]
  我々はBrain-Computer Interface技術を用いてユーザの好みを推測し、その注意力は視覚的コンテンツと感情的体験との関連性に相関する。 我々はこれらを,情報検索,生成モデルのパーソナライズされたステアリング,感情経験のクラウドソーシング人口推定など,関連するアプリケーションにリンクする。
  論文  参考訳（メタデータ） (2024-05-15T20:41:46Z)
• Naturalistic Music Decoding from EEG Data via Latent Diffusion Models [14.882764251306094]
  本研究は,非侵襲的脳波データを用いて,高品質な音楽再生を実現するための最初の試みである。 我々は、パブリックなNMED-Tデータセットでモデルをトレーニングし、ニューラルネットワークベースのメトリクスを提案する定量的評価を行う。
  論文  参考訳（メタデータ） (2024-05-15T03:26:01Z)
• MusicRL: Aligning Music Generation to Human Preferences [62.44903326718772]
  MusicRLは人間のフィードバックによって微調整された最初の音楽生成システムである。 ユーザに対してMusicLMをデプロイし,30,000対の選好からなる実質的なデータセットを収集する。 人間のフィードバックを大規模に組み込んだ最初のテキスト-音楽モデルであるMusicRL-Uを訓練する。
  論文  参考訳（メタデータ） (2024-02-06T18:36:52Z)
• Enhancing Affective Representations of Music-Induced EEG through Multimodal Supervision and latent Domain Adaptation [34.726185927120355]
  脳波の重み付けとして音楽信号を用い,その意味的対応を共通の表現空間に投影することを目的としている。 我々は、LSTMに基づくアテンションモデルと、音楽タギングのための事前訓練されたモデルを組み合わせたバイモーダル・フレームワークと、その2つのモードの分布を整列するリバース・ドメイン・ディミネータを併用して、バイモーダル・フレームワークを利用する。 脳波入力クエリに関連音楽サンプルを提供することにより、モダリティのいずれからも、間接的に、教師付き予測を行うことで、感情認識に利用することができる。
  論文  参考訳（メタデータ） (2022-02-20T07:32:12Z)
• Explainability in Music Recommender Systems [69.0506502017444]
  音楽レコメンダシステム(MRS)の文脈における説明可能性について論じる。 MRSは非常に複雑で、推奨精度に最適化されることが多い。 本稿では、MSSに説明可能性コンポーネントを組み込む方法と、どのようなフォーム説明を提供するかを示す。
  論文  参考訳（メタデータ） (2022-01-25T18:32:11Z)
• EEGminer: Discovering Interpretable Features of Brain Activity with Learnable Filters [72.19032452642728]
  本稿では,学習可能なフィルタと事前決定された特徴抽出モジュールからなる新しい識別可能なEEGデコーディングパイプラインを提案する。 我々は,SEEDデータセットおよび前例のない大きさの新たな脳波データセット上で,脳波信号からの感情認識に向けたモデルの有用性を実証する。 発見された特徴は、以前の神経科学の研究と一致し、音楽聴取中の左右の時間領域間の機能的接続プロファイルの顕著な相違など、新たな洞察を提供する。
  論文  参考訳（メタデータ） (2021-10-19T14:22:04Z)
• One-class Autoencoder Approach for Optimal Electrode Set-up Identification in Wearable EEG Event Monitoring [2.070033298948954]
  そこで本稿では, 最小限の電極数, 快適な位置, 性能の観点から, ウェアラブルEEG電極の最適セットアップを特定することを提案する。 本研究では,現実のヘルスケアモニタリングに最適化されたウェアラブルデバイスの設計と実装を可能にするために,学習に基づくアプローチが利用できることを示唆する。
  論文  参考訳（メタデータ） (2021-04-09T18:17:22Z)
• Classifying Songs with EEG [0.0]
  脳波応答の共鳴が個々の審美的快楽とどのように相関するかを検討する。 共振としての音楽処理の概念に触発されて、麻酔経験の強さは、参加者の脳波が知覚入力に学習する程度に基づいていると仮定する。
  論文  参考訳（メタデータ） (2020-10-01T14:02:11Z)
• Understanding Consumer Preferences for Movie Trailers from EEG using Machine Learning [0.0]
  これまでの研究では、脳波が捉えた誘発応答の変化を理解することによって、消費者の嗜好を効果的に予測できることが示されている。 我々の研究は、ニューラルネットワークが消費者選択の効果的な予測要因となり、消費者の行動に対する理解を著しく向上させることを示唆している。
  論文  参考訳（メタデータ） (2020-07-21T12:35:18Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。