CN101015451A - 一种音乐脑电分析方法 - Google Patents

Abstract

本发明提供了一种音乐脑电分析方法。该方法包括下述步骤：a、脑电信号采集，按标准的脑电图采集方式采集脑电图；b、脑电信号处理，将步骤a采集的脑电图进行信号特征分析，根据脑电信号的特征量数据和音乐的特征量数据共同符合幂律分布的规律建立脑电信号的特征量数据与对应的音乐特征量数据的映射规则，将脑电信号的特征量数据映射为音乐特征量数据；c、MIDI格式音乐生成，根据步骤b的音乐特征量数据生成MIDI音乐；或根据步骤b的脑电信号的特征量数据与音乐特征量数据的映射规则，将音乐特征量数据映射为脑电信号的特征量数据，由MIDI音乐重建脑电图。本发明提出了一种采用音乐分析脑电的音乐脑电分析方法，且可以根据脑电信号的特征量数据与音乐特征量数据的对应关系，由MIDI音乐重建相应的脑电图。

Description

一种音乐脑电分析方法

技术领域

本发明涉及一种脑电信号分析方法，特别涉及一种音乐脑电分析方法。

背景技术

自从脑电在1924年被发现并测量以来，人们对脑电波的研究主要是通过脑电图(EEG)进行，多数是以视觉方式呈现。传统的脑电研究将脑电按照频率和振幅分为以下几类：β波，频率高(在14到30Hz之间，有时高至50Hz)，幅值较小(约5μV)；α波，最典型的脑电波节律，在8到13Hz之间，幅值比β波稍大；θ波，频率比α波略低，通常为4到7Hz，振幅比α波大；δ波，最慢的脑电波节律，通常低于3.5Hz，其振幅最大，可达300μV。大脑处于不同意识状态时，这些脑波节律所占比例是不同的。一般而言，较高级的思维活动多伴随频率较高，振幅较小的节律，而大脑处于休息状态时，多产生频率较低，振幅较大的节律。如清醒状态时，多以β波、α波占优，而睡眠过程中，则多为θ波、δ波。可见，大脑的不同意识状态，是可以通过其频率和振幅来表现的。另一方面，音乐是人对乐音的排列组合的感知。乐音的四个基本要素是：音高(pitch)，音色(timbre)，音强(intensity)和音长(duration)。这些要素是人的一种心里属性，用来描述人类对听到的乐音的心理感觉量。这些属性反映了客观刺激量对人的心理感觉的影响。如音高主要与乐器发声频率有关，音色与频谱有关，而音强主要受声压的影响，音长与时间有关。这些要素的各种变化组合，使得音乐旋律具有丰富的表现力。一般而言，表达强烈情绪(如活泼欢快)的乐曲，音高较高，音强较强，音长较短，即音的高低快慢的变化都比较快和复杂多样。而表达平静情绪的乐曲，则一般音高稍低，音强较弱，音长较长，即音的各种变化相对较少。音乐是人的情绪的宣泄和表达，同时对人的情绪和状态有明显的影响。因此，人们一直试图将脑电和音乐联系起来。

中国专利申请号为01129935.5的发明专利公开了一种可视音乐脑电反馈法，即采集脑电数据后，将脑波特征分析变为时间序列数据，产生音乐或图像达到反馈训练的目的。但是该专利对于音乐与脑电数据之间的映射规则及其理由，都没有提及。

发明内容

本发明所要解决的技术问题是，提供一种脑电数据与音乐数据之间根据幂律分布建立的映射规则，将脑电信号转换为音乐信号的音乐脑电分析方法。

本发明解决上述技术问题采用的技术方案是：一种音乐脑电分析方法，包括下述步骤：a、脑电信号采集，按标准的脑电图采集方式采集脑电图；b、脑电信号处理，将步骤a采集的脑电图进行信号特征分析，根据脑电信号的特征量数据和音乐的特征量数据共同符合幂律分布的规律建立脑电信号的特征量数据与对应的音乐特征量数据的映射规则，将脑电信号的特征量数据映射为音乐特征量数据；c、MIDI格式音乐生成，根据步骤b的音乐特征量数据生成MIDI音乐；或根据步骤b的脑电信号的特征量数据与音乐特征量数据的映射规则，将音乐特征量数据映射为脑电信号的特征量数据，由MIDI音乐重建脑电图。

幂律分布，是自组织系统的一个重要特性，即两个变量的关系可以用幂指数的形式来表示，如变量X，Y，若Y＝X^α，α称为幂律指数，通常为-1.5～-0.5。脑电信号很多特征变量都符合幂律分布，如功率谱密度符合以频率为底的幂律分布。在音乐中，音高、音长、音强等变量出现次数的排列顺序和出现的次数之间也符合幂律分布。研究表明，音乐的幂律分布是音乐动听的原因之一。脑电和音乐共同遵循的这一规律，通过建立合适的映射规则，将脑电的特征与音乐的属性进行科学地对应，进而产生能以不同风格的音乐来反应不同意识状态的脑电特征，使脑电向音乐的转换科学合理。

所述脑电信号的特征量包括脑电信号的周期、振幅、脑电信号每个周期的平均功率，所述音乐的特征量包括音长、音高、音强，所述步骤b中提取脑电数据的振幅，将振幅映射为音高。

所述脑电数据的振幅与音高的映射关系式为：pitch＝mlg Amp+n，Amp是脑电的振幅，pitch是音高，n为音高的最大值，m为负常数。n可设定为音高的最大值，m的值可根据需要的音高范围和Amp的情况进行调整。

脑电(EEG)是脑内神经元活动的宏观表现，人脑的不同状态有相应的脑电波特性。同时，鉴于音乐丰富的表现力及音乐与脑电信号的共性，脑电可以用音乐的方式进行解读。为了更直观地反应脑波特征，本发明采用了一种较为直接的方式，即将脑波与乐音直接对应。虽然脑电波和音乐都具有声波的形式，但一方面因脑电信号频率范围通常在01.Hz到40Hz，人耳无法听到频率如此低的声音，另一方面乐音会给人明确的音高感，是因为其频率和频谱分布符合特殊的规则，直接将脑电波频率放大也无法得到乐音的效果。因此需要建立一种合适的映射规则，既保留脑波信号最重要的特征，又使得到的音符序列具有音乐性，且能反应不同的大脑意识状态。同时这种映射应该是建立在一定的生理学意义之上的，而不是简单的选择几个生理参数来合成音乐。因此，首先选取脑电和音乐的基本特征变量来作为控制变量。本发明选取的脑波特征变量有：振幅、周期和平均功率。由脑电研究中对脑电波各频段的分类标准可知，振幅、周期和平均功率都是脑电波的基本特征量，可以反应大脑的意识活动状态。而对乐音而言，通常在乐曲中，音色的变化不是太频繁，因此本发明中直接将音色定为钢琴(也可根据需要定为其他音色)。而剩下的三种属性：音高，音长和音强，则作为生成音乐的控制变量。通过映射规则，将脑电波的每个周期的波映射为一个音符。研究结果表明，作为自组织系统，脑电和音乐都满足幂律分布，经过推导，将脑电的振幅和音高相对应，将脑电的周期和音长对应，而平均功率，因其反应了脑电波的能量分布，则与音强对应。脑电的振幅和音高的映射关系，是脑电振幅和功率谱密度的关系，功率谱与频率的幂律分布，以及音乐的音高和频率关系的综合表现。在音乐中，音高主要与声源的振动频率有关，频率越高，音高也就越高。作为人对音乐的感知的心理属性之一，音高与频率间呈现为对数关系，这也是现代音乐律制中12平均律的基础。音高的范围称为音域，音域较高的乐曲，比较欢快明亮，而音域较低的乐曲，则比较深沉平稳。根据研究结果，脑电的振幅(Amp)和功率谱密度(SP)有线性相关关系，即

SP＝μ·Amp(1)

其中μ是比例系数，且μ＞0。而功率谱密度和频率(f_E)之间符合幂律分布，即  SP ∝f_E ^α(2)

其中α是幂指系数，是幂律分布最本质的表达，α通常范围是-2到-1。对(2)式两边取对数，可得：  lgSP＝αlgf_E+b

进一步有         $\lg f_E=\frac{1}{\mathrm{\α}}\mathrm{lgSP}-\frac{b}{\mathrm{\α}}---\left(3\right)$

在MIDI标准中，共有128个不同的音高，每两个之间有半音的差距。根据Fechner定理(G.T.Fechner，德国物理学家)和12平均律的相关定义，  音高(pitch，以半音为单位)和乐器振荡频率(f_M)之间的关系可以表示为：

$\mathrm{pitch}=12\×{\log }_2\left(\frac{f_M}{440}\right)+69$

其中440即为国际标准音高(A4，440Hz)，它在MIDI标准中对应的音高值为69。为与前面的推导一致，我们将这个式子化为常用对数的形式，即：

pitch＝clgf_M+d    (4)

其中c，d为常数，c＝40，d＝36.6。

若假设脑电频率和音的频率线性相关，且可以被表示为f_M＝βf_E，其中β是比例系数，那么(3)就可以表示为：

$\mathrm{lg\β}{f}_E={\mathrm{lgf}}_M=\frac{1}{\mathrm{\α}}\mathrm{lgSP}-\frac{b}{\mathrm{\α}}+\mathrm{lg\β}---\left(5\right)$

把(5)式代入(4)式，可得：

$\mathrm{pitch}=\frac{c}{\mathrm{\α}}\mathrm{lgSP}-\frac{\mathrm{bc}}{\mathrm{\α}}+d+\mathrm{clg\β}---\left(6\right)$

把(1)式代入(6)式，可得：

$\mathrm{pitch}=\frac{c}{\mathrm{\α}}\mathrm{lgAmp}+\frac{c}{\mathrm{\α}}\mathrm{lg\μ}-\frac{\mathrm{bc}}{\mathrm{\α}}+d+\mathrm{clg\β}---\left(7\right)$

若令 $\frac{c}{\mathrm{\α}}=m,$ $\frac{c}{\mathrm{\α}}\mathrm{lg\μ}-\frac{\mathrm{bc}}{\mathrm{\α}}+d+\mathrm{clg\β}=n,$ 则有

pitch＝ mlgAmp+n(8)

其中m与α有关，是最重要的参数，直接反应了幂律的根本特征。n可设定为音高的最大值，比如可选n＝96。m的值可根据需要的音高范围和Amp的情况进行调整。要达到一定的效果，需要选择一个恰当的m值，如选择m＝-26.1，则相应的α就在幂律分布的参数范围内。因此，振幅和音高的映射关系由(8)式来定义。这种映射关系中因为m为负值，导致了幅度大的振幅值将生成音高较低的音符。这恰好符合脑活动的实际情况。事实上，当大脑活动较剧烈时，因其神经元活动的一致性不高，所以往往表现出较低的幅度。而当大脑活动较少时，因参与活动的神经元一致性高，所以振幅值一般较大。m为负值，正好保证了剧烈的脑活动将由高音表示，使乐曲的情绪表达更加热烈。反之亦然。

所述步骤b中还提取脑电数据的每个周期，将每个周期映射为音长。

脑电的周期是一个很重要的特征变量，它非常易于被检测和提取。作为频率的倒数，它包含了丰富的频率特征，能很好的反映脑电数据的特点。音乐中，音长表示音持续发声的时间，通常与声源的振动时间相关，与周期同属于时间性质的物理量。本发明中，脑电数据周期与间音长的映射关系是直接对应。这样的映射方式同时保证了音乐与脑电数据的严格同步对应，为产生实时音乐提供了方便。一般情况下，音长较长的乐曲，听起来速度比较缓慢，适合表达较平静安详的情绪，而音长较短的乐曲，则速度比较快，适合表达较活泼欢快的情绪。另一方面，当大脑意识活动强烈时，脑电波中高频成分较多，而当大脑处于休息状态时，主要以低频成分为主。因此，脑电周期与音长的对应使音乐对脑电的解读更加直接，且速度较快的乐曲被用来表达大脑强烈的意识活动，而速度较慢的乐曲被用来表达平静的意识活动状态。

述步骤b中还提取脑电数据每个周期的平均功率，将每个周期的平均功率映射为音强。

具体地，所述每个周期的平均功率根据Fechner定理映射为音强。

脑电数据平均功率与音强的映射关系是基于对数关系对应的。在一定的时间段内，脑电的平均功率反映能量的分布情况，表达了相应的生理状态。而音强主要与声源的声压相关，反应了声源的能量大小。根据Fechner定理，音强作为人的心理量，与客观刺激量之间是对数关系。一般情况下，音强也就是乐音音量的大小，音乐中的音量对比，可以突出主题，在乐曲的情绪和风格上形成对比。因此，可以用乐音的音量大小来代表脑电波数据段的能量大小，并使得较剧烈的意识活动得到强调。这种基于脑电和音乐的内在特征的转换方法，使产生的音乐能客观地反应相应的大脑的意识状态。当大脑处于活动较激烈的时候，所得的音乐片段速度稍快，音域范围较高，情绪比较明亮欢快；而当大脑处于较平静的状态时，所得的音乐片段速度缓慢，音域范围较低，情绪上显得低沉平静。另外，这种方法产生的音乐，其音高分布仍满足幂律分布，这就保证了这些音符序列具有一定的音乐性，即反应了大脑的动力学特征，又可以达到较好的音乐效果。

本发明的有益效果是：

1、提出了一种根据脑电信号的特征量数据和音乐的特征量数据共同符合幂律分布的规律将脑电信号的特征量数据映射为对应的音乐特征量数据，进一步生成MIDI音乐的音乐脑电分析方法；

2、由本发明的方法产生的音乐，是脑电的音乐编码形式，可用于脑电监测及记录，与传统的脑电图分析脑电的方法相比，为脑电分析提供了一种新的分析方法；

3、可以根据脑电信号的特征量数据与音乐特征量数据的对应关系，由MIDI音乐重建相应的脑电图，为脑电信号提供了一种新的记录存储方式。

附图说明

图1是本发明的原理框图；

图2由脑电波到音乐的特征变量映射关系，在脑电波的特征量中，选取振幅，周期和平均功率作为转换变量，分别对应音乐中的音高，音长和音强；

图3是脑电波的周期与音乐的音长的映射示意图，采用零点跨越法来定义周期，即在波形线上每次数据点从负值变为正值处做标记，两个标记之间就是一个周期，每个周期的数据将用于提取相应特征变量，用来生成音乐中的一个音，该周期的长度就是这个音的音长；

图4是脑电波的振幅与音乐的音高的映射示意图，X轴表示振幅，单位是微伏(uV)，Y轴表示音高，单位是半音，其定义与MIDI标准一致，此处的振幅用零点跨越法定义，将每个周期中的峰峰值作为该周期的振幅值，用来生成乐音的音高，若用pitch表示音高，用Amp表示振幅，则图中曲线可由下式表示：pitch＝mlgAmp+n，其中m和n是系数，当脑电波振幅小于200uV时，可取m＝-26.1，n＝96；根据生成音乐的需要，本发明中，这样音高的范围就包含了5个八度，即大字组，小字组，小字一组，小字二组和小字三组，这个范围比钢琴的范围略小，与通用的电子琴一样，包括了61个音高，具有足够的表现力，而且，此时α＝c/m＝-1.53，这个值符合幂律分布对系数的要求；

图5是脑电波的平均功率与音乐的音强的映射示意图，此处的平均功率是指每个周期内的平均功率，即每个周期的总功率与周期之比，音强的值是MIDI标准中的数值，根据Fechner定理，音强与平均功率之间符合对数关系；

图6a是1秒的脑电信号的原始的脑电数据，图6b是原始的脑电数据的振幅、周期、频率与音乐的音高、音长、音强的映射后生成的MIDI数据，每个长方形表示一个音，其沿X轴的长度表示音长，沿Y轴的长度表示音高，灰度表示音强；

图7a是快速眼动睡眠(REM)的脑电波数据，图7b是图7a脑电数据的振幅、周期、频率与音乐的音高、音长、音强的映射后生成的MIDI数据，图7c是图7a中标记的数据段映射后产生的音乐片段对应的乐谱；

图8a是非快速眼动睡眠(NREM)的脑电波数据，图8b是图8a脑电数据的振幅、周期、频率与音乐的音高、音长、音强的映射后生成的MIDI数据，图8c是图8a中标记的数据段映射后产生的音乐片段对应的乐谱；

图9a是慢波睡眠(SWS)的脑电波数据，图9b是图9a脑电数据的振幅、周期、频率与音乐的音高、音长、音强的映射后生成的MIDI数据，图9c是图9a中标记数据段映射后产生的音乐片段对应的乐谱；

图10是睡眠脑电音乐的音高分布示意图；

图11是根据MIDI音乐重建脑电信号的原理框图；

图12a是原始脑电信号数据图，图12b是根据图12a对应生成的MIDI音乐重建的脑电信号数据图。

具体实施方式

如图1至图12所示，图1是本发明方法的原理框图。受试者是原始脑电信号A的提供者，根据需要，受试者可以处于不同的生理状态，如休息，进行某些认知活动或是睡觉等，脑电信号采集系统是标准的脑电采集设备，一般包括电极帽，信号放大器，相应记录设备等，具体硬件设备可以参考使用中国专利申请号为01129935.5的申请文件所采用的硬件设备。本发明适用于各种不同的脑电采集设备，根据设备性能，可以进行在线或离线的分析处理。经脑电信号采集系统记录下来的脑电信号，取其中一处(如Cz)的数据，转换为数字信号B，经过信号特征分析处理，信号特征分析处理主要完成对脑电波的振幅，周期及平均功率的提取，提取后脑电波的振幅按照公式pitch＝mlgAmp+n映射为音高，其中Amp是脑电的振幅，pitch是音高。当脑电波振幅小于200uV时，可取m＝-26.1，n＝96。脑电信号的周期与音长的映射关系是直接对应的，本发明采用零点跨越法(zero cross method)来定义周期，即在波形线上每次数据点从负值变为正值处做标记，两个标记之间就是一个周期，每个周期的数据将用于提取相应特征变量，用来生成音乐中的一个音，该周期的长度就是这个音的音长。这种对应不但可以很好地揭示脑电波在频率上的特征，也保证了产生实时音乐的可能性，音乐的长度与脑电波的长度在时间上是严格对应的。根据Fechner定理，音强与脑电波的平均功率之间也符合对数关系，脑电波的平均功率是指每个周期内的平均功率，即每个周期的总功率与周期之比，音强的值是MIDI标准中的数值。脑电波的周期采用零点跨越法(zero cross method)来定义，即在波形线上每次数据点从负值变为正值处做标记，两个标记之间就是一个周期。每个周期的数据将用于提取相应特征变量，用来生成音乐中的一个音。显然，该周期的长度就是这个音的音长。这种对应不但可以很好地揭示脑电波在频率上的特征，也保证了产生实时音乐的可能性，音乐的长度与脑电波的长度在时间上是严格对应的。与音强的对应函数关系。上述数据经过映射规则对应为音乐的特征变量，将结果作为脑电特征变量C送入MIDI控制环境中。本发明采用Max/MSP平台作为MIDI控制的环境，由此得到的MIDI序列D由音箱18进行播放，或存储为MIDI音乐文件，进入其他设备完成相应的应用或经过对生成的MIDI音乐分析建立一种新的脑电分析方法。

本实施例受试者25周岁，男性。图6a所示是1秒的脑电数据，图6b表示由图2a对应生成的MIDI数据，每个长方形表示一个音，其沿X轴的长度表示音长，沿Y轴的长度表示音高，其灰度表示音强。

本发明应用于睡眠脑电的分析：睡眠是人类重要的生理活动，对睡眠脑电的研究可以帮助人们更好的战胜疾病，保持健康。在整夜的睡眠中，大脑会在几个睡眠状态中循环。每个睡眠状态都有显著的特点，其脑功能活动水平也不一样。对睡眠脑电的分期主要是以脑电(EEG)为主，再参考眼电(EOG)和肌电(EMG)进行的。主要的睡眠阶段有：(1)快速眼动睡眠(Rapid Eye Movement，REM)，大脑活动相对较强的时期，多伴随梦境；(2)非快速眼动睡眠(Non-RapidEye Movement，NREM)，较浅的睡眠阶段，慢波成分多于REM期，以梭形波为特征；(3)慢波睡眠(Slow Wave Sleep，SWS)，深层次睡眠，以慢波成分为主，大脑意识活动最弱。将本发明应用于睡眠脑电，可以得到因睡眠状态不同而风格不同的音乐片段。因此，这是一种较好的睡眠状态检测方法，只需聆听相应的音乐，即可大致判断当前所处的睡眠状态。如图7a、图7b、图7c、图8a、图8b、图8c、图9a、图9b、图9c所示，图7a、图8a、图9a是采集的不同阶段的睡觉脑电数据，图7b、图8b、图9b是对应生成的音高、音长和音强的数据，图7c、图8c、图9c是脑电数据中被标记段的产生的音乐的乐谱。此处的脑电数据采集系统是32道的NeuroScan系统，数据取自电极Cz，采样率250Hz，经过0.5～40Hz的带通滤波。图7c所示是快速眼动睡眠(REM)的脑电数据生成的音乐。显然，这段乐曲在音高和音长方面都变化很大，而且音符行进速度较快，因此旋律充满跳跃感，显得活泼欢快。这与REM期的大脑活动强度是一致的。图8c所示是非快速眼动睡眠(NREM)的脑电数据生成的音乐。这段乐曲速度比REM期稍慢，旋律稍平缓。尤其是对该睡眠阶段中的梭形波，在旋律上也形成了相同的走势，音强上也有明显的强调。图9c所示是慢波睡眠(SWS)的脑电数据生成的音乐。这段乐曲音域范围较低，速度缓慢，形成平静柔和的曲风。这正好反应了该睡眠阶段是大脑活动最弱，是深层次休息的状态。

图10所示是对三种睡眠脑电相应的音乐片段进行的幂律统计。横轴X轴表示不同音高出现次数的排列顺序，竖直坐标轴Y轴表示某个音高出现的次数。也就是说，图中X＝1的点，表示这个音高出现的次数是最多的，其Y值表示这个具体的数值，即这个音高出现了多少次。在对数坐标上对这些点进行线性拟合的结果如图所示。三种情况下，拟合直线的系数分别为：REM--1.8262，NREM--1.2574，SWS--1.1376。这些值都是符合幂律分布定义的，而且与文献报道的古典音乐片段的均值-1.3460接近。这个分布可以说明该方法生成的音乐是具有音乐性的，符合音乐旋律的动力学特性的。

本发明的应用之一，是将由脑电得到的音乐作为该脑电数据的一种编码记录方式，这种方式保留了脑电波在振幅和周期上的特征。通常的脑电记录都是以数字信号形式保存，通过视觉以波形图或是地形图等形式呈现。本发明是将脑电波以MIDI格式保存，以声音的形式再现，同时也可以由MIDI序列重建出波形信号来。将MIDI序列音乐片段E存储的MIDI文件。读入MIDI编辑环境，可以分离各种特征参数，包括音高F和音长G，按照图2～图5所示根据脑电信号的特征量数据与对应的音乐特征量数据的映射规则进行反变换，可以得到与音高F相应的振幅值H，与音长G相应的周期I的值，根据振幅和周期，可以重建脑电信号(EEG)。图12a所示是原始脑电波，图12b是根据图12a对应生成的MIDI音乐重建的脑电信号数据图，可以看到脑电波的特征在一定程度上得到了保留。

本发明进一步地，可以根据脑电信号与音乐的对应关系和通过音乐重建的脑电信号的比较，可以选择合适的音乐对大脑起反馈作用。

Claims (7)

1、一种音乐脑电分析方法，其特征在于，包括下述步骤：

a、脑电信号采集，按标准的脑电图采集方式采集脑电图；

b、脑电信号处理，将步骤a采集的脑电图进行信号特征分析，根据脑电信号的特征量数据和音乐的特征量数据共同符合幂律分布的规律建立脑电信号的特征量数据与对应的音乐特征量数据的映射规则，将脑电信号的特征量数据映射为音乐特征量数据；

c、MIDI格式音乐生成，根据步骤b的音乐特征量数据生成MIDI音乐；或根据步骤b的脑电信号的特征量数据与音乐特征量数据的映射规则，将音乐特征量数据映射为脑电信号的特征量数据，由MIDI音乐重建脑电图。

2、根据权利要求1所述的音乐脑电分析方法，其特征在于，所述脑电信号的特征量包括脑电信号的周期、振幅、脑电信号每个周期的平均功率，所述音乐的特征量包括音长、音高、音强，所述步骤b中提取脑电数据的振幅，将振幅映射为音高。

3、根据权利要求2所述的音乐脑电分析方法，其特征在于，所述脑电数据的振幅与音高的映射关系式为：pitch＝mlg Amp+n，Amp是脑电的振幅，pitch是音高，n为音高的最大值，m为负常数。

4、根据权利要求3所述的音乐脑电分析方法，其特征在于，所述步骤b中还提取脑电数据的每个周期，将每个周期映射为音长。

5、根据权利要求1至4任意一项所述的音乐脑电分析方法，其特征在于，所述步骤b中还提取脑电数据每个周期的平均功率，将每个周期的平均功率映射为音强。

6、根据权利要求5所述的音乐脑电分析方法，其特征在于，所述每个周期的平均功率根据Fechner定理映射为音强。

7、根据权利要求1所述的音乐脑电分析方法，其特征在于，所述步骤c中提取MIDI音乐的音高和音长，根据脑电信号的特征量数据与对应的音乐特征量数据的映射规则，将音高映射为脑电数据的振幅，音长映射为脑电数据的周期，重建脑电图。

Images