CN107423352A - 音乐推荐方法及系统 - Google Patents
音乐推荐方法及系统 Download PDFInfo
- Publication number
- CN107423352A CN107423352A CN201710379428.5A CN201710379428A CN107423352A CN 107423352 A CN107423352 A CN 107423352A CN 201710379428 A CN201710379428 A CN 201710379428A CN 107423352 A CN107423352 A CN 107423352A
- Authority
- CN
- China
- Prior art keywords
- user
- music
- mrow
- eeg signals
- brain
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/60—Information retrieval; Database structures therefor; File system structures therefor of audio data
- G06F16/63—Querying
- G06F16/635—Filtering based on additional data, e.g. user or group profiles
- G06F16/636—Filtering based on additional data, e.g. user or group profiles by using biological or physiological data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/60—Information retrieval; Database structures therefor; File system structures therefor of audio data
- G06F16/63—Querying
- G06F16/635—Filtering based on additional data, e.g. user or group profiles
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Physiology (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种音乐推荐方法及系统，通过实时采集用户的脑电信号进行处理，得到用户当前的大脑放松程度；根据用户对音乐的历史评价数据，得到“用户‑音乐”评价矩阵；然后对得到的用户当前的大脑放松程度以及该用户当前的“用户‑音乐”评价矩阵进行加权融合，得到用户当前的音乐偏好预测分数；最后根据用户当前的音乐偏好预测分数，利用预设的智能音乐推荐算法，向用户推荐音乐。本发明提供的音乐推荐方法及系统，利用脑电波变化对大脑放松程度的客观反映和用户主观评价相结合的方式，避免了一味依靠用户主观评价的弊端，大大提升了音乐推荐的准确性。
Description
技术领域
本发明涉及计算机技术领域，特别涉及一种音乐推荐方法及系统。
背景技术
研究表明，合适的音乐有助于人们放松休息，从而获得精力的快速恢复。随着互联网的快速发展，网络音乐的数量也在飞速增加，对于喜欢听音乐来进行放松休息的人来说，这是一个好消息，同时也是一个坏消息，好消息是人们可以拥有越来越多的选择来挑选适合自己的音乐，坏消息是不知道如何从这些海量的音乐中挑选出适合自己的音乐。由于人们所处的环境、文化以及个人喜好等因素均是不一样的，因此对放松音乐的偏好也是各不相同，例如A觉得听起来很放松的音乐，B听起来并不感觉到放松，反之亦然。于是基于个性化的智能音乐推荐系统应运而生，如国外的Pandora，Last.fm，Slacker Radio等，国内著名的有豆瓣FM，QQ音乐，网易云音乐等。
现在常规的智能音乐推荐系统都是根据用户对推荐音乐的评价(直接或间接的)，来预测用户平时对不同类型音乐的主观喜好，从而再利用推荐算法向用户推荐合适的音乐，这些推荐算法在某些情况下可以获得不错的效果。但这种方式也有自身的缺陷，例如大多时候较难获得用户对音乐的评价，这就造成了音乐-用户评价矩阵的稀疏性；有时候就算获得了用户的评价，由于用户的心情等因素影响，获得的评价也不一定准确，这就造成了音乐-用户评价矩阵的不准确性。这两方面共同影响了常规音乐推荐的准确性，造成音乐推荐的质量下降。
发明内容
基于此，本发明提出了一种通过采集用户的脑电信号并分析处理，将用户脑电波信号特征和常规音乐推荐方法进行结合，能够得到更加精准的音乐推荐。
本发明提供的音乐推荐方法，包括以下步骤：
实时采集用户的脑电信号；
对所述脑电信号进行处理，得到用户当前的大脑放松程度；
根据用户对音乐的历史评价数据，得到“用户-音乐”评价矩阵；
对得到的用户当前的大脑放松程度以及该用户当前的“用户-音乐”评价矩阵进行加权融合，得到用户当前的音乐偏好预测分数；
根据用户当前的音乐偏好预测分数，利用预设的智能音乐推荐算法，向用户推荐音乐。
作为一种可实施方式，对所述脑电信号进行处理，得到用户的大脑放松程度，包括以下步骤：
利用频域能量分析和非线性LZ复杂度分析相结合的方法对所述脑电信号进行处理，得到用户当前的大脑放松程度。
作为一种可实施方式，利用频域能量分析和非线性LZ复杂度分析相结合的方法对所述脑电信号进行处理，得到用户的大脑放松程度，包括以下步骤：
按时间序列截取预设时间段内的所述脑电信号；
对所述脑电信号进行时频分析，得到第一表征大脑放松程度的数据Rex1：
其中，E(θ)代表脑电信号中的θ波的能量，E(α)代表脑电信号中的α波的能量，E(β)代表脑电信号中的β波的能量、E(γ)脑电波的γ波的能量；
对所述脑电信号进行非线性LZ复杂度分析，得到第二表征大脑放松程度的数据Rex2；
对所述Rex1和Rex2进行线性加权处理，得到用户的大脑放松程度Rex：
Rex＝ξ·Rex1+(1-ξ)·Rex2
其中，ξ为加权系数，ξ的取值范围为0.5至0.7；
计算所有的预设时间段内的大脑放松程度Rex的平均值，作为用户当前的大脑放松程度。
作为一种可实施方式，在对所述脑电信号进行时频分析和非线性LZ复杂度分析之前，还包括以下步骤：
对截取的每个预设时间段内的脑电信号进行降噪滤波。
作为一种可实施方式，对截取的每个预设时间段内的脑电信号进行降噪滤波，包括以下步骤：
滤除所述脑电信号中的50Hz的工频干扰；
在滤除工频干扰后，滤除所述脑电信号的有效频带以外的干扰；
在滤除有效频带以外的干扰之后，滤除所述脑电信号的有效频带内的生物电信号的干扰。
作为一种可实施方式，所述对得到的用户的大脑放松程度以及该用户当前的“用户-音乐”评价矩阵进行加权融合，得到用户当前的音乐偏好预测分数，具体的加权融合公式为：
SMN＝η·p+(1-η)·q
其中，p代表用户M的大脑放松程度，q代表用户M对音乐N在当前的“用户-音乐”评价矩阵中的评分，SMN代表用户M对音乐N的音乐偏好预测分数,η为加权系数,η的取值范围为0.4至0.8。
作为一种可实施方式，根据用户当前的音乐偏好预测数据，利用预设的智能音乐推荐算法，向用户推荐音乐，包括以下步骤：
当用户在“用户-音乐”评价矩阵中的评分少于预设值时，采用基于内容和社会化的方式进行推荐；
当用户在“用户-音乐”评价矩阵中的评分等于或大于预设值时，采用以下协同过滤的方法进行音乐推荐：
假设用户M没有听过音乐Q，先计算出该用户与其他用户之间音乐评分向量之间的相似度，将相似度从大到小排列，再选取前m个相似度对应的用户，设这m个用户中有m′个用户听过音乐Q，则可得到用户M对某未听过的音乐Q的预测得分S′MQ：
将这些预测分数从高到低排列，取前若干个大于零的分数，对应的音乐便构成了下次向用户M推荐的音乐向量。
相应地，本发明还提供一种音乐推荐系统，包括脑电信号采集模块、脑电信号处理模块、用户评价模块、数据融合模块以及推荐模块；
所述脑电信号采集模块，用于实时采集用户的脑电信号；
所述脑电信号处理模块，用于对所述脑电信号进行处理，得到用户当前的大脑放松程度；
所述用户评价模块，用于根据用户对音乐的历史评价数据，得到“用户-音乐”评价矩阵；
所述数据融合模块，用于对得到的用户当前的大脑放松程度以及该用户当前的“用户-音乐”评价矩阵进行加权融合，得到用户当前的音乐偏好预测分数；
所述推荐模块，用于根据用户当前的音乐偏好预测分数，利用预设的智能音乐推荐算法，向用户推荐音乐。
作为一种可实施方式，所述脑电信号处理模块利用频域能量分析和非线性LZ复杂度分析相结合的方法对所述脑电信号进行处理，得到用户当前的大脑放松程度。
作为一种可实施方式，所述脑电信号处理模块包括信号截取单元、第一分析单元、第二分析单元、加权处理单元以及计算单元；
所述信号截取单元，用于按时间序列截取预设时间段内的所述脑电信号；
所述第一分析单元，用于对所述脑电信号进行时频分析，得到第一表征大脑放松程度的数据Rex1：
其中，E(θ)代表脑电信号中的θ波的能量，E(α)代表脑电信号中的α波的能量，E(β)代表脑电信号中的β波的能量、E(γ)脑电波的γ波的能量；
所述第二分析单元，用于对所述脑电信号进行非线性LZ复杂度分析，得到第二表征大脑放松程度的数据Rex2；
所述加权处理单元，用于对所述Rex1和Rex2进行线性加权处理，得到用户的大脑放松程度Rex：
Rex＝ξ·Rex1+(1-ξ)·Rex2
其中，ξ为加权系数，ξ的取值范围为0.5至0.7；
所述计算单元，用于计算所有的预设时间段内的大脑放松程度Rex的平均值，作为用户当前的大脑放松程度。
作为一种可实施方式，本发明的音乐推荐系统，还包括去噪模块；
所述去噪模块，用于在对所述脑电信号进行时频分析和非线性LZ复杂度分析之前，对截取的每个预设时间段内的脑电信号进行降噪滤波。
本发明相比于现有技术的有益效果在于：
本发明提供的音乐推荐方法及系统，通过实时采集用户的脑电信号进行处理，得到用户当前的大脑放松程度；根据用户对音乐的历史评价数据，得到“用户-音乐”评价矩阵；然后对得到的用户当前的大脑放松程度以及该用户当前的“用户-音乐”评价矩阵进行加权融合，得到用户当前的音乐偏好预测分数；最后根据用户当前的音乐偏好预测分数，利用预设的智能音乐推荐算法，向用户推荐音乐。
利用本发明提供的音乐推荐方法及系统，可以在用户听音乐进行放松的时候，通过便携式脑电采集设备将采集到的用户的脑电信号传输到PC机或手机，然后在PC机或手机上对脑电信号进行实时处理，通过分析脑电信号判断出大脑的放松程度，由于脑电信号能真实客观反映一个人的放松程度，从而可作为用户对音乐的客观评价，在一定程度上结合用户对音乐的主观评价，获得该用户较为完备而精准的音乐偏好，避免了一味依靠用户主观评价的弊端，最后利用智能音乐推荐算法，向其推荐最合适的放松音乐，大大提升了音乐推荐的准确性。
附图说明
图1为本发明实施例一提供的音乐推荐方法的流程示意图；
图2为本发明实施例一提供的音乐推荐方法中的分段信号重叠处理的示意图；
图3为本发明实施例二提供的音乐推荐系统的结构示意图。
具体实施方式
以下结合附图，对本发明上述的和另外的技术特征和优点进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的部分实施例，而不是全部实施例。
请参阅1，本发明实施例一提供的音乐推荐方法，包括以下步骤：
S100，实时采集用户的脑电信号。
脑电信号是由脑神经活动产生并且始终存在于中枢神经系统的自发性电位活动，含有丰富的大脑活动信息。本发明利用现有的一些便携式设备实时采集用户的脑电信号，实现客观的分析用户的大脑放松程度。
S200，对脑电信号进行处理，得到用户当前的大脑放松程度。
具体地，本发明利用频域能量分析和非线性LZ复杂度分析相结合的方法对脑电信号进行处理，得到用户当前的大脑放松程度，实现过程如下：
S210，按时间序列截取预设时间段内的脑电信号。
如图2所示，考虑到脑电信号的非平稳特性，每个时间片内信号长度为4秒，相邻两个时间片之间有2秒时长的信号重叠。
作为一种可实施方式，本发明采用了两相邻时间片间有数据重叠，经过滤波处理后可保证恢复时域信号的连续性，有利于后面的进一步分析。
在步骤S210后，优选地，还包括步骤S211，对截取的每个预设时间段内的脑电信号进行降噪滤波。
50Hz是我们平常用的交流电的频率，所以空气中会有较强的50Hz电磁辐射，这一般是脑电信号的主要干扰。所以本申请针对脑电信号主要滤除50Hz左右的工频干扰、运动伪迹以及其他生物电干扰等。本发明先利用50Hz的陷波滤波器滤除工频干扰，然后利用带通FIR滤波器滤除有效频带以外的干扰，接着再进一步采用小波包变换滤除有效频带内眼电或其他生物电信号的干扰。
对降噪滤波后的脑电信号从时频分析和非线性分析两个角度进行处理，从而分析出大脑此时的放松程度，具体如下：
S220，对脑电信号进行时频分析，得到第一表征大脑放松程度的数据Rex1：
其中，E(θ)代表脑电信号中的θ波的能量，E(α)代表脑电信号中的α波的能量，E(β)代表脑电信号中的β波的能量、E(γ)脑电波的γ波的能量。
先从频率上来说，不同放松程度下，同一个人的脑电波的θ波、α波、β波、γ波的能量比例也会不一样，一般来说，在放松状态下，θ波、α波能量会增加，β波、γ波能量会减小，从而根据能量比来表征大脑的放松程度Rex1，大脑越放松，Rex1值越大，反之越小。
另一方面，由于脑电信号具有非线性动力学特征，不同放松程度下，脑电信号的复杂度也会发生变化，研究表明，大脑越放松，脑电信号的复杂度越低，反之，当大脑剧烈思考时，脑电信号的复杂度就变得越高。因此，本发明用非线性分析方法中的“Lempel-Ziv复杂度”来对用户的放松程度Rex2进行分析。
S230，对脑电信号进行非线性LZ复杂度分析，得到第二表征大脑放松程度的数据Rex2。
S240，对Rex1和Rex2进行线性加权处理，得到用户的大脑放松程度Rex：
Rex＝ξ·Rex1+(1-ξ)·Rex2
其中，ξ为加权系数，ξ的取值范围为0.5至0.7，本实施例中ξ＝0.6。
将上述两种方法的结果Rex1和Rex2进行线性加权便能够更加准确、更加宽容地判断出用户此时的放松程度。通过采用频域能量分析和非线性LZ复杂度分析相结合，提高了计算放松程度的准确性，增强了设备抗干扰能力。
S250，计算所有的预设时间段内的大脑放松程度Rex的平均值，作为用户当前的大脑放松程度。综合若干个时间片的脑电信号分析结果，作为这段时间内用户大脑的平均放松程度，并对放松程度进行标准量化。例如，使其范围在(-5,5)之间。
S300，根据用户对音乐的历史评价数据，得到“用户-音乐”评价矩阵。
为了获得比传统常规的音乐评价矩阵更加稠密而精准的“用户-音乐”评价矩阵，本发明根据用户在听音乐时的对该音乐的操作行为，将用户的主观评价在(-5,5)范围内给出相应评分，例如，单曲循环＝5，分享＝4，收藏＝3，听完＝0，跳过＝-4，拉黑＝-5等。
S400，对得到的用户当前的大脑放松程度以及该用户当前的“用户-音乐”评价矩阵进行加权融合，得到用户当前的音乐偏好预测分数。
具体的加权融合公式为：
SMN＝η·p+(1-η)·q
其中，p代表用户M的大脑放松程度，q代表用户M对音乐N在当前的“用户-音乐”评价矩阵中的评分，SMN代表用户M对音乐N的音乐偏好预测分数,η为加权系数,η的取值范围为0.4至0.8，本实施例中η的取值为0.6。如表一所示，为“用户-音乐”评价矩阵表：
表一
| 歌曲1 | 歌曲2 | 歌曲3 | ............ | 歌曲N | ............ | |
| 用户1 | S11 | S12 | S13 | ............ | S1N | ............ |
| 用户2 | S21 | S22 | S23 | ............ | S2N | ............ |
| ............ | ............ | ............ | ............ | ............ | ............ | ............ |
| 用户M | SM1 | SM2 | SM3 | ............ | SMN | ............ |
| ............ | ............ | ............ | ............ | ............ | ............ | ............ |
S500，根据用户当前的音乐偏好预测分数，利用预设的智能音乐推荐算法，向用户推荐音乐。音乐推荐方法概括起来大概分为三种：基于内容推荐、协同过滤推荐、社会化推荐，一个好的音乐推荐系统要充分利用这三种推荐算法的优势，根据用户使用推荐系统的不同阶段，合理的选择相应的推荐算法，本发明采用如下音乐推荐方案：
当用户在“用户-音乐”评价矩阵中的评分少于预设值时(即为冷启动时)，采用基于内容和社会化的方式进行推荐。即根据用户的年龄、音乐本身的标签分类以及一些较为热门的音乐等因素来为用户推荐合适的放松音乐。
当用户在“用户-音乐”评价矩阵中的评分等于或大于预设值时，采用以下协同过滤(如表二所示的协同过滤推荐表)的方法进行音乐推荐：
如表二中矩阵的某一行就代表一个用户的音乐评分向量，所有用户的音乐评分向量就构成了音乐评价矩阵。假设用户M没有听过音乐Q，先计算出该用户与其他用户之间音乐评分向量之间的相似度，将相似度从大到小排列，如下表二所示，再选取前m个相似度对应的用户，设这m个用户中有m′个用户听过音乐Q，则可得到用户M对某未听过的音乐Q的预测得分S′MQ：
将这些预测分数从高到低排列，取前若干个大于零的分数，对应的音乐便构成了下次向用户M推荐的音乐向量。
表二
| 歌曲1 | 歌曲2 | ............ | 歌曲Q | ............ | 用户相似度 | |
| 用户1 | 4 | 2.5 | ............ | 5 | ............ | 0.92 |
| 用户2 | 4.5 | 0 | ............ | 4 | ............ | 0.86 |
| ............ | ............ | ............ | ............ | ............ | ............ | ............ |
| 用户M | 3.5 | 3 | ............ | 4.52 | ............ | - |
利用本发明提供的音乐推荐方法，可以在用户听音乐进行放松的时候，通过便携式脑电采集设备将采集到的用户的脑电信号传输到PC机或手机，然后在PC机或手机上对脑电信号进行实时处理，通过分析脑电信号判断出大脑的放松程度，由于脑电信号能真实客观反映一个人的放松程度，从而可作为用户对音乐的客观评价，在一定程度上结合用户对音乐的主观评价，获得该用户较为完备而精准的音乐偏好，避免了一味依靠用户主观评价的弊端，最后利用智能音乐推荐算法，向其推荐最合适的放松音乐，大大提升了音乐推荐的准确性。
基于同一发明构思，本发明还提出了一种音乐推荐系统，该系统的发明原理与上述方法完全相同，该系统可利用上述方法实现，重复之处不再冗述。
参见图3，本发明实施例二还提供了一种音乐推荐系统，包括脑电信号采集模块100、脑电信号处理模块200、用户评价模块300、数据融合模块400以及推荐模块500。其中，脑电信号采集模块100用于实时采集用户的脑电信号；脑电信号处理模块200用于对脑电信号进行处理，得到用户当前的大脑放松程度；用户评价模块300用于根据用户对音乐的历史评价数据，得到“用户-音乐”评价矩阵；数据融合模块400用于对得到的用户当前的大脑放松程度以及该用户当前的“用户-音乐”评价矩阵进行加权融合，得到用户当前的音乐偏好预测分数；推荐模块500用于根据用户当前的音乐偏好预测分数，利用预设的智能音乐推荐算法，向用户推荐音乐。
进一步地，脑电信号处理模块200利用频域能量分析和非线性LZ复杂度分析相结合的方法对脑电信号进行处理，得到用户当前的大脑放松程度。
作为一种可实施方式，脑电信号处理模块200包括信号截取单元、第一分析单元、第二分析单元、加权处理单元以及计算单元；信号截取单元用于按时间序列截取预设时间段内的脑电信号；第一分析单元用于对脑电信号进行时频分析，得到第一表征大脑放松程度的数据Rex1：
其中，E(θ)代表脑电信号中的θ波的能量，E(α)代表脑电信号中的α波的能量，E(β)代表脑电信号中的β波的能量、E(γ)脑电波的γ波的能量；第二分析单元用于对脑电信号进行非线性LZ复杂度分析，得到第二表征大脑放松程度的数据Rex2；加权处理单元，用于对Rex1和Rex2进行线性加权处理，得到用户的大脑放松程度Rex：
Rex＝ξ·Rex1+(1-ξ)·Rex2
其中，ξ为加权系数，其取值范围为0.5至0.7，本实施例中ξ＝0.6；计算单元用于计算所有的预设时间段内的大脑放松程度Rex的平均值，作为用户当前的大脑放松程度。
更进一步地，本发明提供的音乐推荐系统，还包括去噪模块。去噪模块用于在对脑电信号进行时频分析和非线性LZ复杂度分析之前，对截取的每个预设时间段内的脑电信号进行降噪滤波。
本发明提供的音乐推荐方法及系统，通过将根据脑电信号计算出的客观的大脑放松程度和用户主观对音乐的评价进行加权融合，从而增强了“用户-音乐”矩阵的完备性和精准性，极大提高了向用户推荐音乐的准确性。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步的详细说明，应当理解，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围。特别指出，对于本领域技术人员来说，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (11)
1.一种音乐推荐方法，其特征在于，包括以下步骤：
实时采集用户的脑电信号；
对所述脑电信号进行处理，得到用户当前的大脑放松程度；
根据用户对音乐的历史评价数据，得到“用户-音乐”评价矩阵；
对得到的用户当前的大脑放松程度以及该用户当前的“用户-音乐”评价矩阵进行加权融合，得到用户当前的音乐偏好预测分数；
根据用户当前的音乐偏好预测分数，利用预设的智能音乐推荐算法，向用户推荐音乐。
2.根据权利要求1所述的音乐推荐方法，其特征在于，对所述脑电信号进行处理，得到用户的大脑放松程度，包括以下步骤：
利用频域能量分析和非线性LZ复杂度分析相结合的方法对所述脑电信号进行处理，得到用户当前的大脑放松程度。
3.根据权利要求2所述的音乐推荐方法，其特征在于，利用频域能量分析和非线性LZ复杂度分析相结合的方法对所述脑电信号进行处理，得到用户的大脑放松程度，包括以下步骤：
按时间序列截取预设时间段内的所述脑电信号；
对所述脑电信号进行时频分析，得到第一表征大脑放松程度的数据Rex1：
<mrow>
<mi>Re</mi>
<mi>x</mi>
<mn>1</mn>
<mo>=</mo>
<mfrac>
<mrow>
<mi>E</mi>
<mrow>
<mo>(</mo>
<mi>&theta;</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>E</mi>
<mrow>
<mo>(</mo>
<mi>&alpha;</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>E</mi>
<mrow>
<mo>(</mo>
<mi>&beta;</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>E</mi>
<mrow>
<mo>(</mo>
<mi>&gamma;</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
其中，E(θ)代表脑电信号中的θ波的能量，E(α)代表脑电信号中的α波的能量，E(β)代表脑电信号中的β波的能量、E(γ)脑电波的γ波的能量；
对所述脑电信号进行非线性LZ复杂度分析，得到第二表征大脑放松程度的数据Rex2；
对所述Rex1和Rex2进行线性加权处理，得到用户的大脑放松程度Rex：
Rex＝ξ·Rex1+(1-ξ)·Rex2
其中，ξ为加权系数，ξ的取值范围为0.5至0.7；
计算所有的预设时间段内的大脑放松程度Rex的平均值，作为用户当前的大脑放松程度。
4.根据权利要求2或3所述的音乐推荐方法，其特征在于，在对所述脑电信号进行时频分析和非线性LZ复杂度分析之前，还包括以下步骤：
对截取的每个预设时间段内的脑电信号进行降噪滤波。
5.根据权利要求3所述的音乐推荐方法，其特征在于，对截取的每个预设时间段内的脑电信号进行降噪滤波，包括以下步骤：
滤除所述脑电信号中的50Hz的工频干扰；
在滤除工频干扰后，滤除所述脑电信号的有效频带以外的干扰；
在滤除有效频带以外的干扰之后，滤除所述脑电信号的有效频带内的生物电信号的干扰。
6.根据权利要求1所述的音乐推荐方法，其特征在于，所述对得到的用户的大脑放松程度以及该用户当前的“用户-音乐”评价矩阵进行加权融合，得到用户当前的音乐偏好预测分数，具体的加权融合公式为：
SMN＝η·p+(1-η)·q
其中，p代表用户M的大脑放松程度，q代表用户M对音乐N在当前的“用户-音乐”评价矩阵中的评分，SMN代表用户M对音乐N的音乐偏好预测分数,η为加权系数,η的取值范围为0.4至0.8。
7.根据权利要求1至3任一项所述的音乐推荐方法，其特征在于，根据用户当前的音乐偏好预测数据，利用预设的智能音乐推荐算法，向用户推荐音乐，包括以下步骤：
当用户在“用户-音乐”评价矩阵中的评分少于预设值时，采用基于内容和社会化的方式进行推荐；
当用户在“用户-音乐”评价矩阵中的评分等于或大于预设值时，采用以下协同过滤的方法进行音乐推荐：
假设用户M没有听过音乐Q，先计算出该用户与其他用户之间音乐评分向量之间的相似度，将相似度从大到小排列，再选取前m个相似度对应的用户，设这m个用户中有m′个用户听过音乐Q，则可得到用户M对某未听过的音乐Q的预测得分S′MQ：
<mrow>
<msubsup>
<mi>S</mi>
<mrow>
<mi>M</mi>
<mi>Q</mi>
</mrow>
<mo>&prime;</mo>
</msubsup>
<mo>=</mo>
<mfrac>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msup>
<mi>m</mi>
<mo>&prime;</mo>
</msup>
</munderover>
<msub>
<mi>&lambda;</mi>
<mi>i</mi>
</msub>
<mo>&CenterDot;</mo>
<msub>
<mi>S</mi>
<mrow>
<mi>i</mi>
<mi>Q</mi>
</mrow>
</msub>
</mrow>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msup>
<mi>m</mi>
<mo>&prime;</mo>
</msup>
</munderover>
<msub>
<mi>&lambda;</mi>
<mi>i</mi>
</msub>
</mrow>
</mfrac>
</mrow>
将这些预测分数从高到低排列，取前若干个大于零的分数，对应的音乐便构成了下次向用户M推荐的音乐向量。
8.一种音乐推荐系统，其特征在于，包括脑电信号采集模块、脑电信号处理模块、用户评价模块、数据融合模块以及推荐模块；
所述脑电信号采集模块，用于实时采集用户的脑电信号；
所述脑电信号处理模块，用于对所述脑电信号进行处理，得到用户当前的大脑放松程度；
所述用户评价模块，用于根据用户对音乐的历史评价数据，得到“用户-音乐”评价矩阵；
所述数据融合模块，用于对得到的用户当前的大脑放松程度以及该用户当前的“用户-音乐”评价矩阵进行加权融合，得到用户当前的音乐偏好预测分数；
所述推荐模块，用于根据用户当前的音乐偏好预测分数，利用预设的智能音乐推荐算法，向用户推荐音乐。
9.根据权利要求8所述的音乐推荐系统，其特征在于，所述脑电信号处理模块利用频域能量分析和非线性LZ复杂度分析相结合的方法对所述脑电信号进行处理，得到用户当前的大脑放松程度。
10.根据权利要求9所述的音乐推荐系统，其特征在于，所述脑电信号处理模块包括信号截取单元、第一分析单元、第二分析单元、加权处理单元以及计算单元；
所述信号截取单元，用于按时间序列截取预设时间段内的所述脑电信号；
所述第一分析单元，用于对所述脑电信号进行时频分析，得到第一表征大脑放松程度的数据Rex1：
<mrow>
<mi>Re</mi>
<mi>x</mi>
<mn>1</mn>
<mo>=</mo>
<mfrac>
<mrow>
<mi>E</mi>
<mrow>
<mo>(</mo>
<mi>&theta;</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>E</mi>
<mrow>
<mo>(</mo>
<mi>&alpha;</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>E</mi>
<mrow>
<mo>(</mo>
<mi>&beta;</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>E</mi>
<mrow>
<mo>(</mo>
<mi>&gamma;</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
2
其中，E(θ)代表脑电信号中的θ波的能量，E(α)代表脑电信号中的α波的能量，E(β)代表脑电信号中的β波的能量、E(γ)脑电波的γ波的能量；
所述第二分析单元，用于对所述脑电信号进行非线性LZ复杂度分析，得到第二表征大脑放松程度的数据Rex2；
所述加权处理单元，用于对所述Rex1和Rex2进行线性加权处理，得到用户的大脑放松程度Rex：
Rex＝ξ·Rex1+(1-ξ)·Rex2
其中，ξ为加权系数，ξ的取值范围为0.5至0.7；
所述计算单元，用于计算所有的预设时间段内的大脑放松程度Rex的平均值，作为用户当前的大脑放松程度。
11.根据权利要求9或10所述的音乐推荐系统，其特征在于，还包括去噪模块；
所述去噪模块，用于在对所述脑电信号进行时频分析和非线性LZ复杂度分析之前，对截取的每个预设时间段内的脑电信号进行降噪滤波。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710379428.5A CN107423352A (zh) | 2017-05-25 | 2017-05-25 | 音乐推荐方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710379428.5A CN107423352A (zh) | 2017-05-25 | 2017-05-25 | 音乐推荐方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107423352A true CN107423352A (zh) | 2017-12-01 |
Family
ID=60429071
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710379428.5A Pending CN107423352A (zh) | 2017-05-25 | 2017-05-25 | 音乐推荐方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107423352A (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108345676A (zh) * | 2018-02-11 | 2018-07-31 | 广东欧珀移动通信有限公司 | 信息推送方法及相关产品 |
| CN108510308A (zh) * | 2018-02-26 | 2018-09-07 | 昆明理工大学 | 一种基于脑电信号特征的影院排片系统及方法 |
| CN108596049A (zh) * | 2018-03-30 | 2018-09-28 | 校宝在线（杭州）科技股份有限公司 | 一种基于脑电波的唱歌分类方法 |
| CN108919962A (zh) * | 2018-08-17 | 2018-11-30 | 华南理工大学 | 基于脑机数据集中处理的辅助钢琴训练方法 |
| CN109002531A (zh) * | 2018-07-17 | 2018-12-14 | 泉州装备制造研究所 | 一种基于脑电数据分析的影视推荐系统及影视推荐方法 |
| CN109857899A (zh) * | 2019-01-30 | 2019-06-07 | 浙江强脑科技有限公司 | 歌曲推荐方法、播放设备及计算机可读存储介质 |
| CN109948059A (zh) * | 2019-03-28 | 2019-06-28 | 北京字节跳动网络技术有限公司 | 内容的推荐方法、装置、设备及存储介质 |
| CN110074780A (zh) * | 2019-04-25 | 2019-08-02 | 内蒙古农业大学 | 一种基于erp技术的音乐模式调节方法 |
| TWI731676B (zh) * | 2020-05-11 | 2021-06-21 | 正修學校財團法人正修科技大學 | 利用腦波訊號進行音樂搜尋之方法 |
| CN115904089A (zh) * | 2023-01-06 | 2023-04-04 | 深圳市心流科技有限公司 | App主题场景推荐方法、装置、终端设备及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101984437A (zh) * | 2010-11-23 | 2011-03-09 | 亿览在线网络技术（北京）有限公司 | 音乐资源个性化推荐方法及系统 |
| CN103970873A (zh) * | 2014-05-14 | 2014-08-06 | 中国联合网络通信集团有限公司 | 一种音乐推荐方法和系统 |
| CN105045898A (zh) * | 2015-08-03 | 2015-11-11 | 东南大学 | 一种基于脑电耳机的动态个性化歌曲推荐系统及其方法 |
| CN105991724A (zh) * | 2015-02-15 | 2016-10-05 | 阿里巴巴集团控股有限公司 | 信息推送方法及装置 |
-
2017
- 2017-05-25 CN CN201710379428.5A patent/CN107423352A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101984437A (zh) * | 2010-11-23 | 2011-03-09 | 亿览在线网络技术（北京）有限公司 | 音乐资源个性化推荐方法及系统 |
| CN103970873A (zh) * | 2014-05-14 | 2014-08-06 | 中国联合网络通信集团有限公司 | 一种音乐推荐方法和系统 |
| CN105991724A (zh) * | 2015-02-15 | 2016-10-05 | 阿里巴巴集团控股有限公司 | 信息推送方法及装置 |
| CN105045898A (zh) * | 2015-08-03 | 2015-11-11 | 东南大学 | 一种基于脑电耳机的动态个性化歌曲推荐系统及其方法 |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108345676A (zh) * | 2018-02-11 | 2018-07-31 | 广东欧珀移动通信有限公司 | 信息推送方法及相关产品 |
| CN108510308A (zh) * | 2018-02-26 | 2018-09-07 | 昆明理工大学 | 一种基于脑电信号特征的影院排片系统及方法 |
| CN108596049A (zh) * | 2018-03-30 | 2018-09-28 | 校宝在线（杭州）科技股份有限公司 | 一种基于脑电波的唱歌分类方法 |
| CN109002531A (zh) * | 2018-07-17 | 2018-12-14 | 泉州装备制造研究所 | 一种基于脑电数据分析的影视推荐系统及影视推荐方法 |
| CN108919962A (zh) * | 2018-08-17 | 2018-11-30 | 华南理工大学 | 基于脑机数据集中处理的辅助钢琴训练方法 |
| CN108919962B (zh) * | 2018-08-17 | 2021-06-08 | 华南理工大学 | 基于脑机数据集中处理的辅助钢琴训练方法 |
| CN109857899A (zh) * | 2019-01-30 | 2019-06-07 | 浙江强脑科技有限公司 | 歌曲推荐方法、播放设备及计算机可读存储介质 |
| CN109948059A (zh) * | 2019-03-28 | 2019-06-28 | 北京字节跳动网络技术有限公司 | 内容的推荐方法、装置、设备及存储介质 |
| CN110074780A (zh) * | 2019-04-25 | 2019-08-02 | 内蒙古农业大学 | 一种基于erp技术的音乐模式调节方法 |
| TWI731676B (zh) * | 2020-05-11 | 2021-06-21 | 正修學校財團法人正修科技大學 | 利用腦波訊號進行音樂搜尋之方法 |
| CN115904089A (zh) * | 2023-01-06 | 2023-04-04 | 深圳市心流科技有限公司 | App主题场景推荐方法、装置、终端设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107423352A (zh) | 音乐推荐方法及系统 | |
| CN103177090B (zh) | 一种基于大数据的话题检测方法及装置 | |
| Patra et al. | Regional disparity, infrastructure development and economic growth: An inter-state analysis | |
| Sahu et al. | Identification of protein-coding regions in DNA sequences using a time-frequency filtering approach | |
| Alrawabdeh | Environmental factors affecting mobile commerce adoption-an exploratory study on the Telecommunication firms in Jordan | |
| Jomsri | FUCL mining technique for book recommender system in library service | |
| CN104346425A (zh) | 一种层次化的互联网舆情指标体系的方法及系统 | |
| Engler et al. | Acceptance of climate-oriented policy measures under the COVID-19 crisis: an empirical analysis for Germany | |
| CN106682447A (zh) | 一种计算机辅助心理咨询系统和方法 | |
| CN108345676A (zh) | 信息推送方法及相关产品 | |
| CN110248249A (zh) | 一种视频推荐方法、视频推荐设备及服务器 | |
| KR20200133439A (ko) | 사용자 구매 기준을 반영한 상품 추천 시스템 및 방법 | |
| CN105045898A (zh) | 一种基于脑电耳机的动态个性化歌曲推荐系统及其方法 | |
| Marchal et al. | Coronavirus news and information on YouTube | |
| Lian et al. | Pair-wise matching of EEG signals for epileptic identification via convolutional neural network | |
| CN112053598A (zh) | 一种试题推荐方法及装置 | |
| Alwi et al. | Consumer acceptance and adoption towards payment-type fintech services from Malaysian perspective | |
| Gurr et al. | Content analysis in the research field of technology coverage | |
| Zhou et al. | A novel real-time EEG based eye state recognition system | |
| Hossain et al. | Cognitive load measurement using galvanic skin response for listening tasks | |
| CN110084508A (zh) | 一种课堂教学效果评测方法及装置 | |
| Li et al. | Predicting determinants and moderating factors of mobile phone data flow service adoption | |
| Booker et al. | Household survey experience in Africa | |
| Esperanza et al. | Designing an Information System Effectiveness and Efficiency Measurement Model by Modifying The Human Organization Technology-Fit Model | |
| Zheng et al. | Information quality and system quality in online communities: an empirical investigation |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171201 |