Mathematik | Informatik

 

Mauro Mattia Sbicego, 2002 | Biel/Bienne, BE

 

Das Hören von Musik wirkt sich auf unsere Stimmung aus und verändert daher die Aktivität unseres Gehirns. Dies geschieht unterbewusst und hängt von der Musik ab, die gehört wird. Diese Änderungen in der Gehirnaktivität lassen sich mit einem sogenannten Elektroenzephalogramm (EEG) messen. In dieser Arbeit wurde versucht, solche Daten zu erfassen, zu verarbeiten und mithilfe von Machine-Learning-Algorithmen zu klassifizieren – dies mit dem Ziel, anhand von EEG-Daten bestimmen zu können, welches Musikstück die Testperson gerade hört. Dazu wurden unter anderem verschiedene Machine-Learning-Algorithmen verglichen. Zudem wurde im Rahmen dieser Arbeit eine Webapp programmiert, die es ermöglicht, den ganzen Versuchsablauf – von der Datenerfassung bis zum Trainieren der Algorithmen – grösstenteils automatisiert und dadurch vereinfacht durchzuführen. Die Analysen haben ergeben, dass eine solche Klassifikation trotz Beschränkungen aufgrund der Ausrüstung möglich ist – auch mit einem günstigen EEG-Gerät ist es also möglich, durch Musik hervorgerufene Änderungen in den Gehirnwellen zu messen. Dies bedeutet, dass EEG-Daten in naher Zukunft auch in alltäglichen Anwendungen Verwendung finden könnten.

Fragestellung

Diese Arbeit beschäftigt sich mit der Messung, Verarbeitung und Klassifizierung von EEG-Daten und versucht, verschiedene Probleme anzugehen und zu lösen: Ist es möglich, Gehirnwellen ohne die Ressourcen einer Forschungsinstitution zu messen und in einem Datenset zu erfassen? Lässt sich dieses Datenset zum Trainieren eines Machine-Learning-Modells verwenden, um zu erkennen, welches Musikstück die Testperson gerade hört?

Methodik

Um die Fragestellung zu beantworten, wurde zuerst versucht, einen Weg zu finden, die EEG-Daten zu erfassen und sinnvoll in einem Datenset zu speichern. Da die meisten EEG-Geräte entweder zu teuer (professionelle Geräte) sind oder sich nicht für die Aufzeichnung von Rohdaten eignen, musste ich zuerst ein passendes Gerät suchen. Nach erfolgreicher Aufzeichnung wurden die Daten verarbeitet und anschliessend mit verschiedenen Machine-Learning-Algorithmen klassifiziert. Die Ergebnisse wurden anschliessend ausgewertet und für die Anpassung der Machine-Learning-Modelle verwendet, um die Ergebnisse zu optimieren.

Ergebnisse

Die Untersuchungen haben ergeben, dass es tatsächlich möglich ist, EEG-Daten anhand des Musikstückes zu klassifizieren. Bei der Unterscheidung zweier Lieder liegt die Genauigkeit bei rund 90 Prozent. Bei sechs Liedern liegt die Genauigkeit noch bei rund 60 Prozent.
Das trainierte Modell ist jedoch nicht auf andere Probanden übertragbar und es lassen sich generell nur wenige – also ungefähr fünf – Lieder präzise unterscheiden. Je mehr sich die Lieder unterscheiden (Genre), desto besser funktioniert die Einteilung der Daten.

Diskussion

Das Klassifizieren der Daten nach Musikstück ist zwar möglich, hat jedoch nur wenige praktische Anwendungsmöglichkeiten. Jedoch sind auch andere Anwendungen vorstellbar, die auf der gleichen Grundlage basieren. So wäre es zum Beispiel vorstellbar, Menschen anhand der Reaktion auf Musik voneinander zu unterscheiden. Da niemand gleich auf diverse Musikstücke reagiert, könnte man die einzelnen Reaktionen dazu verwenden, eine Person zu identifizieren.

Schlussfolgerungen

Die Arbeit zeigt auf, dass die durch die Musik verursachten Änderungen in den Gehirnwellen mit günstigem Equipment messbar sind und dazu verwendet werden können, diese Daten nach Musikstück zu klassifizieren. Die Genauigkeit liegt jedoch bei vielen Liedern ziemlich tief und die Anwendungsmöglichkeiten sind beschränkt. Jedoch wird aufgezeigt, dass Anwendungen in alltäglichen Anwendungen zum Einsatz kommen könnten.

 

 

Würdigung durch den Experten

Andrew Szabados

This work describes a first step in an ambitious project that tackles a very basic question: To what degree could our thoughts be decoded from brainwaves by a machine? It explores this with the example of song music style recognition (e.g. Classical VS Rock). Interesting results are obtained using data colllected from a simple consumer-grade EEG-like device demonstrating the feasiblity, and setting the stage for possible further work allowing to refine accuracy further.

Prädikat:

sehr gut

Sonderpreis ETH Student Project House

 

 

 

Gymnasium Biel-Seeland, Biel/Bienne
Lehrer: Dr. Daniel Hirschi