Music genre classification using centrality measures of complex brain connectivity networks

  • Andrés Eduardo Coca Salazar UTFPR

Resumo


Estímulos externos podem alterar a atividade cerebral, trazendo consigo mudanças comportamentais e/ou emocionais. O estudo desses efeitos serve para extrair informação que pode ser aplicada em sistemas de classificação personalizada. Neste artigo, é proposta uma metodologia para classificar o eletroencefalograma (EEG) segundo o gênero de um estímulo musical, usando a informação estrutural da conectividade funcional (FC) entre eletrodos e a sua representação e mineração com redes complexas. Para tal, após ter o sinal pré-processado, foi determinada a FC mediante correlação (Co) e PLV (Phase-Locking Value). Para a rede de eletrodos resultante, foram calculadas medidas topológicas globais de integração, resiliência e segregação. Além disso, para complementar a matriz de características, também foram calculadas medidas intra-elétrodos, porém somente para os nós com maior centralidade. Dado que as redes são ponderadas, aqui são propostas seis novas medidas de centralidade (C(p)ks) usando o grau e a força local, previamente normalizadas e balanceadas com um fator de sintonia (α), e combinadas considerando: 1) força média do nó, 2) ponto médio (aritmético, harmônico, geométrico e quadrático), ou 3) potencializando a interação mútua. Posteriormente, foram calculadas medidas convencionais de séries de tempo para os primeiros nk canais mais centrais, obtendo um vetor de características de dimensão variável. No aprendizado de máquina, foi usado um classificador de ensemble com 10-validação cruzada repetida 10 vezes. Experimentos com Co e PLV; para cada C(p)ks, e variando nk e α; revelaram que é possível identificar, com uma acurácia de 57.4%, o gênero musical analisando apenas os canais mais sincronizados e com maior intensidade.

Palavras-chave: reconhecimento de padrões, redes complexas, eletroencefalografia

Referências

Bastos, A. and Schoffelen, J. (2016). A tutorial review of functional connectivity analysis methods and their interpretational pitfalls. Frontiers in Systems Neuroscience, 9(175):1–23.

Carvalho, S., Filho, I., Resende, D., Siravenha, A., Meiguins, B., Debarba, H., and Gomes, D. (2017). A novel procedure for classification of early human actions from EEG signals. In Proc. Brazilian Conference on Intelligent Systems (BRACIS), pages 240–245.

Castellanos, N. and Makarov, V. (2006). Recovering EEG brain signals: Artifact suppression with wavelet enhanced independent component analysis. Journal of Neuroscience Methods, 158(2):300–312.

Coca, A. (2022). Hierarchical mining with complex networks for music genre classification. Digital Signal Processing, 127(1):103559.

Coca, A. and Zhao, L. (2016). Musical rhythmic pattern extraction using relevance of communities in networks. Information Sciences, 329(1):819–848.

Ghaemmaghami, P. and Sebe, N. (2016). Brain and music: Music genre classification using brain signals. In Proc. European signal Processing Conference (EUSIPCO), pages 708–712.

He, P., Wilson, G., and Russell, C. (2004). Removal of ocular artifacts from electro-encephalogram by adaptive filtering. Medical & Biological Engineering & Computing, 42:407–412.

Koelstra, S., Muhl, C., Soleymani, M., Lee, J., Yazdani, A., Ebrahimi, T., Pun, T., Nijholt, A., and Patras, I. (2012). DEAP: A database for emotion analysis using physiological signals. EEE Transactions on Affective Computing, 3(1):18–31.

Lachaux, J., Rodriguez, E., Martinerie, J., and Varela, F. (1999). Measuring phase synchrony in brain signals. Human Brain Mapping, 8(4):194–208.

McCluskey, C. (2021). Identifying music genre from electroencephalogram readings, and optimising neural network performance. In Proc. ANU Bio-inspired Computing Conference (ABCs), volume 47, pages 1–5.

Opsahl, T., Agneessens, F., and Skvoretz, J. (2010). Node centrality in weighted networks: Generalizing degree and shortest paths. Social Networks, 32(3):245–251.

Rahman, J., Gedeon, T., Caldwell, S., and Jones, R. (2020). Brain melody informatics: Analysing effects of music on brainwave patterns. In Proc. International Joint Conference on Neural Networks (IJCNN), pages 1–8.

Silva, T. and Zhao, L. (2016). Machine Learning in Complex Networks. Springer International Publishing, 1 edition.

Supriya, S., Siuly, S., Wang, H., and Zhang, Y. (2023). Epilepsy detection from EEG using complex network techniques: A review. IEEE Reviews in Biomedical Engineering, 16:292–306.

Šverko, Z., Vrankić, M., Vlahinić, S., and Rogelj, P. (2022). Complex Pearson correlation coefficient for EEG connectivity analysis. Sensors, 22(1477):1–19.

Wan, Z., Mahajan, Y., Kang, B., Moore, T., and Cho, J.-H. (2021). A survey on centrality metrics and their network resilience analysis. IEEE Access, 9:104773–104819.

Yao, L., Wang, M., Lu, Y., Li, H., and Zhang, X. (2021). EEG-based emotion recognition by exploiting fused network entropy measures of complex networks across subjects. Entropy, 23(8):984.

Zhai, Y. and Yao, D. (2004). A study on the reference electrode standardization technique for a realistic head model. Computer Methods and Programs in Biomedicine, 76(3):229–238.

Zhou, J. (2011). EEG Data Analysis, Feature Extraction and Classifiers. PhD thesis, Clemson University.
Publicado
17/11/2024
SALAZAR, Andrés Eduardo Coca. Music genre classification using centrality measures of complex brain connectivity networks. In: ENCONTRO NACIONAL DE INTELIGÊNCIA ARTIFICIAL E COMPUTACIONAL (ENIAC), 21. , 2024, Belém/PA. Anais [...]. Porto Alegre: Sociedade Brasileira de Computação, 2024 . p. 25-36. ISSN 2763-9061. DOI: https://doi.org/10.5753/eniac.2024.245205.