基于 EEG 的音乐喜爱程度预测：深度学习与可解释时间分析

基于摘要分析。该研究将音乐聆听中的喜爱程度预测建模为 EEG 回归任务，而非情绪类别识别，并结合深度学习模型比较与时间解释分析，研究神经信号对歌曲级主观评分的预测能力。 研究使用公开 MUSIN-G 数据集，包含 20 名听者的 128 通道 EEG 及歌曲级喜爱程度评分。作者比较了六种深度学习模型，采用跨被试协议：15 名听者用于训练和验证，另留出 5 名听者用于测试。摘要未说明训练集与验证集的具体划分、窗口与歌曲级标签的对应方式，以及窗口预测如何汇总。 在上述留出听者测试协议下，作者报告 DeepConvNet、CNN-LSTM 和 GNN-CNN 的平均绝对误差最低，处于 0.97–0.99，评分量表范围为 1–5；TCN 与真实评分的 Pearson 相关系数最高，为 r = 0.21。误差与相关性衡量不同方面，不能据此认定同一模型在所有评价维度均最优，相关性结果也需结合预测分布与统计不确定性解读。 解释分析针对 TCN，使用基于梯度和基于遮挡的方法，并对全部留出测试窗口的解释结果取平均，以识别每个两秒窗口中影响预测的时间片段。这说明的是模型预测对输入时段的敏感性，不能直接视为音乐喜爱体验的因果神经机制；跨窗口平均结果能否反映个体或歌曲差异仍需核对。 作者将该工作定位为可复现的跨听者 EEG 喜爱程度回归基准。完整预处理、六种模型配置、数据划分细节、对照、消融、统计信息及代码可用性尚未验证。该研究主要面向音乐体验的神经信号预测，摘要未提供在线 BCI 或闭环交互验证。