沙文青，郭濱，王宏旭，白雪梅，張晨潔

（長(zhǎng)春理工大學(xué) 電子信息工程學(xué)院，長(zhǎng)春 130022）

近年來，隨著社會(huì)的發(fā)展，人們的生活節(jié)奏越來越快，許多人都會(huì)產(chǎn)生負(fù)面情緒，焦慮就是較典型的負(fù)面狀態(tài)之一，長(zhǎng)期處于焦慮狀態(tài)會(huì)對(duì)自身的健康產(chǎn)生嚴(yán)重的影響。音樂療法作為緩解負(fù)面情緒的有效工具，被人們廣泛接受。但是傳統(tǒng)的音樂療法存在以下幾個(gè)問題：一是對(duì)患者的情緒定位不明確；二是不同的人對(duì)同一首音樂會(huì)有不同的感受，音樂治療師很難準(zhǔn)確把握每一個(gè)人的情感反饋；三是由于樂曲多而雜，在有限的時(shí)間里，治療師很難簡(jiǎn)化樂曲的同時(shí)提高改善效果。研究人員嘗試使用生物反饋技術(shù)，如腦電圖（EEG）來衡量音樂治療的效果，因?yàn)樗苊舾械?、客觀地反映人們的情緒。

Vangu Kitoko等人發(fā)現(xiàn)高壓受試者的β水平活動(dòng)增加[6]；Leiden University等人發(fā)現(xiàn)SW/FW（慢波/快波）與焦慮呈負(fù)相關(guān)[8]；Bos利用傅里葉變換得到腦電信號(hào)在不同頻段的能量比可以作為表征情緒的特征[10]。盧英俊、戴麗麗等人發(fā)現(xiàn)通過分析α頻段的腦電功率和重心功率表明在中國(guó)古典音樂、中國(guó)搖滾音樂、中國(guó)流行音樂和班得瑞音樂的音樂干預(yù)下，中國(guó)古典音樂最能緩解悲傷情緒，中國(guó)搖滾樂緩解效果最差[1]；付丹等人選擇了120名患有輕度焦慮癥的大一新生為研究對(duì)象，隨機(jī)分為音樂治療組合和音樂治療結(jié)合生物反饋組，八周治療后發(fā)現(xiàn)音樂治療結(jié)合生物反饋組更能緩解焦慮情緒[2]；Syed Syahril等人研究發(fā)現(xiàn)可以使用α峰值頻率來量化個(gè)體所經(jīng)歷的快樂程度[4]。

本研究設(shè)計(jì)實(shí)驗(yàn)獲得焦慮情緒的腦電信號(hào)，通過分析beta與alpha的單位時(shí)間內(nèi)的功率比的波動(dòng)變化來量化焦慮情緒，探究實(shí)時(shí)區(qū)分焦慮狀態(tài)和平靜狀態(tài)的條件進(jìn)行焦慮情緒的識(shí)別。

1 情緒識(shí)別理論分析及實(shí)驗(yàn)方法

1.1 情緒識(shí)別理論分析

EEG信號(hào)是一種隨機(jī)性很強(qiáng)的非平穩(wěn)微弱信號(hào)，極易受到各種噪聲的干擾，比如工頻干擾、眼電等，為了讓提取的特征更加準(zhǔn)確，在特征提取之前要對(duì)腦電信號(hào)進(jìn)行預(yù)處理，即去噪。希爾伯特-黃變換（HHT）中的經(jīng)驗(yàn)?zāi)B(tài)分解（EMD）方法可以根據(jù)信號(hào)的實(shí)際情況，自適應(yīng)地分解信號(hào)。Fast ICA能夠較快的收斂于最佳分解狀態(tài)，所以可以將兩種方法相結(jié)合，引入到腦電信號(hào)的去偽跡的研究中。數(shù)據(jù)預(yù)處理之后，可以得到比較純凈的腦電信號(hào)。

根據(jù)頻率范圍，腦電波被分為如下：β波（13～35Hz）、α波（8～13Hz）、θ波（4～8Hz）和δ波（0.16～4Hz），腦電信號(hào)在不同頻帶上表現(xiàn)出的不同特征可以用來判斷一個(gè)人的精神狀態(tài)特征。α波與人們的放松有關(guān)，高阿爾法活動(dòng)與低腦活動(dòng)有關(guān)。β波是一種高頻腦波，主要與心理警戒狀態(tài)相關(guān)，即測(cè)量β/α波可以反映人們的情緒，當(dāng)比值降低時(shí)，人們處于消極負(fù)面的情緒狀態(tài)，當(dāng)比值升高時(shí)，人們處于較活躍的狀態(tài)。

設(shè)計(jì)切比雪夫?yàn)V波器提取腦電信號(hào)的四種節(jié)律，即利用kaiserord函數(shù)獲取濾波器參數(shù)，然后在N+1階kaiser窗口下使用fir帶通濾波器進(jìn)行濾波，得到腦電信號(hào)的四種節(jié)律。

1.2 焦慮情緒誘導(dǎo)實(shí)驗(yàn)設(shè)計(jì)

本文采取情景設(shè)計(jì)誘導(dǎo)情緒的實(shí)驗(yàn)方法，具體是選擇10名被試者，年齡均為19-24周歲，其中5名為男性，5名女性。被試者身體健康，視力正常，無神經(jīng)性疾病歷史，并在實(shí)驗(yàn)前一周未服用過任何藥物。設(shè)計(jì)一個(gè)英語(yǔ)課堂，被試者需佩戴便攜式3IT_EHV1腦電帽坐在一間教室里，老師在上課期間會(huì)對(duì)被試者提出不同的問題。由被試者回答，并且老師根據(jù)回答內(nèi)容給出評(píng)分，被試者通常會(huì)因此出現(xiàn)焦慮的情緒，最終分?jǐn)?shù)最低的人需要表演一個(gè)節(jié)目，這是為了增強(qiáng)被試者回答問題前的焦慮感。課堂結(jié)束之后，會(huì)對(duì)十位被試人員詢問上課過程中情緒的變化，尤其是在老師提出問題之后，被試者心理狀態(tài)的變化。腦電信號(hào)由便攜式腦電帽來采集，該設(shè)備是由8通道OpenBCI_V3腦電板以及配套的GUI數(shù)據(jù)分析軟件組成。如圖1所示，深色點(diǎn)和灰色點(diǎn)都為腦電采集點(diǎn)，深色為本設(shè)備選擇的采集點(diǎn)。

圖1 OpenBCI 8通道（①、②、③、④、⑤、⑥、⑦、⑧通道分別為Fp1、Fp2、C3、C4、P7、P8、O1、O2）

1.3 結(jié)果分析

有關(guān)研究表明大腦右額葉腦區(qū)與情緒狀態(tài)之間的相互作用比較明顯，因此選擇Fp2通道的腦電信號(hào)進(jìn)行去躁和腦電節(jié)律提取，濾波結(jié)果示例如圖2所示。提取節(jié)律之后，根據(jù)公式計(jì)算alpha波和beta波單位時(shí)間內(nèi)的功率，并計(jì)算兩者之間的功率比，觀察功率比的波動(dòng)變化。

圖2 其中四位被試者的alpha波和beta波功率比

對(duì)腦電信號(hào)進(jìn)行分析之后，發(fā)現(xiàn)被試人員在老師提出問題之后的alpha波與beta波的功率比均出現(xiàn)不同程度的降低，如圖3所示（橢圓部分比值降低），從對(duì)被試者后續(xù)調(diào)查可知，被試者表示在老師提出問題之后均出現(xiàn)了不同程度的焦慮情緒，由此看出，焦慮情緒會(huì)使alpha波與beta波的功率比降低，即alpha波與beta波的單位時(shí)間功率比的變化可以作為實(shí)時(shí)判決焦慮狀態(tài)的依據(jù)。分析被試者腦電的alpha和beta功率比，探究識(shí)別焦慮情緒的閾值范圍如表1所示。

表1 平靜狀態(tài)和焦慮狀態(tài)alpha和beta功率之比

根據(jù)表1中所示每個(gè)狀態(tài)獲得的歸一化平均值確定分辨平靜和焦慮狀態(tài)功率比的閾值范圍。如表2所示。

表2 閾值范圍

2 音樂庫(kù)的構(gòu)建與音樂重構(gòu)

上一章節(jié)得出識(shí)別焦慮狀態(tài)和平靜狀態(tài)下的alpha波和beta波功率比的閾值范圍。本章節(jié)設(shè)計(jì)實(shí)驗(yàn)對(duì)焦慮情緒進(jìn)行改善，然后基于腦電波變化反饋提取對(duì)被試者有效的音樂片段，然后根據(jù)音樂作曲的基本理論知識(shí)和相關(guān)算法對(duì)音樂片段進(jìn)行重新組合，創(chuàng)作新的音樂。

2.1 音樂分類原理

2.1.1 音樂特征提取

雖然音樂信號(hào)是一種長(zhǎng)時(shí)非平穩(wěn)時(shí)變信號(hào)，但在很短的時(shí)間內(nèi)可以看作是平穩(wěn)的、時(shí)不變的信號(hào)，所以在音樂信號(hào)進(jìn)行處理前必須進(jìn)行分幀[13]，即對(duì)音樂信號(hào)進(jìn)行加窗處理。由于要對(duì)音樂片段進(jìn)行實(shí)時(shí)分類，所以分類算法的計(jì)算不能很復(fù)雜，特征向量不能過多，所以選用相對(duì)容易的時(shí)域特征進(jìn)行特征向量的選擇。幀能量譜排列的緊密程度可以區(qū)分出音樂的節(jié)奏快慢，幀能量譜可以區(qū)分出音樂節(jié)奏的強(qiáng)弱[12]。所以本文采用幀能量（FE）和幀能量比（FER）兩個(gè)特征向量來進(jìn)行實(shí)時(shí)的音樂分類。

（1）幀能量

幀能量特征反應(yīng)了音樂信號(hào)所含能量隨時(shí)間變化的進(jìn)程，而音樂信號(hào)的能量隨時(shí)間的變化程度比較明顯。離散后的音樂信號(hào)x(n)的第i幀能量FE(i)定義為：

式中，winlen是一幀的長(zhǎng)度

（2）幀能量比

幀能量比表示相鄰兩幀之間的幀能量的比值，同時(shí)也是重要的短時(shí)時(shí)域特征，它能夠反映音樂信號(hào)能量的起伏變化。FER(i)的計(jì)算公式為：

其中，F(xiàn)Ei和FEi+1均不能為零。

2.1.2 音樂分類

BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)是典型的多層網(wǎng)絡(luò)，由神經(jīng)元構(gòu)成。它分為輸入層、隱藏層和輸出層。由于神經(jīng)網(wǎng)絡(luò)訓(xùn)練要求數(shù)量精煉，所以使用幀能量和幀能量比為實(shí)驗(yàn)特征進(jìn)行訓(xùn)練。訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)時(shí)則使用MATLAB自帶神經(jīng)網(wǎng)絡(luò)工具箱中的BP網(wǎng)絡(luò)的構(gòu)建函數(shù)newff、訓(xùn)練算法則使用了學(xué)習(xí)率可變的動(dòng)量BP算法（traingdx）、學(xué)習(xí)函數(shù)使用learngdm。

2.2 音樂重構(gòu)原理

算法作曲（Algorithmic Composition）或稱自動(dòng)作曲（Automated Composition）是為了按照一定的規(guī)則將多個(gè)音樂片段組成一個(gè)有機(jī)整體的一系列的規(guī)則集合[23]。算法作曲并不一定需要利用計(jì)算機(jī)來創(chuàng)作，有關(guān)研究發(fā)現(xiàn)，莫扎特曾經(jīng)運(yùn)用過隨機(jī)組合的方式來進(jìn)行音樂模塊創(chuàng)作“Musical Dice Game”，并取得了比較好的效果。因此本文首先對(duì)所保存的音樂片段按照風(fēng)格進(jìn)行分類，其次在每個(gè)類別中，利用馬爾可夫鏈學(xué)習(xí)音樂片段，構(gòu)建以音符為狀態(tài)空間的馬爾可夫模型，來組合音樂片段，創(chuàng)造新的音樂。

馬爾可夫鏈?zhǔn)且粋€(gè)非確定性狀態(tài)機(jī)，系統(tǒng)處于某種特定狀態(tài)的概率僅取決于其以前的狀態(tài)以及這些狀態(tài)之間轉(zhuǎn)換的概率。

音樂在時(shí)間上的變化通過音符體現(xiàn)，這主要表現(xiàn)在音符的音高和時(shí)值的變化，可以把這種變化看作是旋律隨時(shí)間的運(yùn)動(dòng)，從一個(gè)音符狀態(tài)運(yùn)動(dòng)到另一個(gè)音符狀態(tài)，即可以通過狀態(tài)轉(zhuǎn)換表來描述。實(shí)驗(yàn)表明，通過計(jì)算和利用音符轉(zhuǎn)換的概率，可以創(chuàng)建聽起來像給定樣式的音樂片段。更確切地說，給定一組音樂素材（通常是樂譜或MIDI文件）可以計(jì)算連續(xù)音符之間的轉(zhuǎn)換概率。通過使用這些概率分布生成音符，產(chǎn)生新的音樂。本文通過學(xué)習(xí)音樂片段，生成狀態(tài)轉(zhuǎn)換表，得出組合音樂片段的最佳順序。

音符具有兩種基本屬性：音高和時(shí)值，音符狀態(tài)的變化包括音符音高狀態(tài)的變化和音符時(shí)值狀態(tài)的變化。在五線譜中，音符是一個(gè)黑色橢圓形的記號(hào)，它寫在哪一條線（或間）上，就表示應(yīng)該發(fā)出那一條線（或間）的音高。為了表示音符發(fā)音時(shí)間的長(zhǎng)短即時(shí)值，音符有幾種不同的形狀，常見的有五種：全音符、二分音符、四分音符、八分音符、十六分音符。

隱馬爾可夫模型是一種時(shí)域上的統(tǒng)計(jì)模型，在HMM中，每一個(gè)狀態(tài)代表一個(gè)可觀察的事件，觀察到的事件是狀態(tài)的隨機(jī)函數(shù)，因此該模型是一雙重隨機(jī)過程，其中狀態(tài)轉(zhuǎn)移過程是不可觀測(cè)（隱蔽）的（馬爾可夫鏈）。一個(gè)隱馬爾可夫模型（HMM）是由五元組來描述的，即λ=（N,M,A,B,π），其中：

X={x1,…xN}：隱含狀態(tài)，N為模型狀態(tài)個(gè)數(shù)。

Y={y1,…yN}：觀察符號(hào)集合，M為每個(gè)狀態(tài)對(duì)應(yīng)的可能觀測(cè)符號(hào)數(shù)。

A={aij},aij=P(qt=Sj|qt-1=Si)：狀態(tài)轉(zhuǎn)移概率矩陣。

B={bj(k)},bj(k)=P(Ot=vk|qt=Sj),1≤j≤N,1≤k≤M：給定狀態(tài)下，觀察值概率分布矩陣。

π={πi},πi=P(q1=Si),πi≥0：初始狀態(tài)概率分布。

在一個(gè)HMM模型里，可以描述一個(gè)未知的隱含狀態(tài)在已知的觀察狀態(tài)下的狀態(tài)轉(zhuǎn)移過程。也就是在模型的各參數(shù)已知的情況下，給定觀察序列O=o1,o2,…,ot，計(jì)算與序列O相對(duì)應(yīng)的最佳狀態(tài)序列Q=q1,q2,…qt，也就是HMM中的解碼問題。所求的Q應(yīng)當(dāng)在某個(gè)準(zhǔn)則下是“最優(yōu)”的，因此也稱Q為最優(yōu)路徑，解碼問題即是確定最優(yōu)路徑的問題。

維特比算法（Viterbi algorithm）是一種動(dòng)態(tài)規(guī)劃算法，經(jīng)常被應(yīng)用于隱馬爾科夫模型的解碼問題中，它可以簡(jiǎn)單地描述為一種通過網(wǎng)格找到最可能路徑的算法，在本文中指給定一個(gè)觀察序列和HMM模型參數(shù)，有效選擇“最優(yōu)”狀態(tài)序列，以“最好地解釋”觀察序列。

設(shè)狀態(tài)空間為X，初始狀態(tài)xi的概率為πi，狀態(tài)轉(zhuǎn)移概率矩陣為A，觀察值概率分布矩陣為B，觀察得到的輸出為o1,o2,…,ot，則產(chǎn)生觀察結(jié)果的最有可能的狀態(tài)序列q1,q2,…,qt可由公式（3）和公式（4）遞推得到：

式中，前t個(gè)最終狀態(tài)為xi的觀測(cè)結(jié)果最有可能對(duì)應(yīng)的狀態(tài)序列的概率。通過保存向后指針記下在公式（4）中的狀態(tài)可以獲得維特比路徑。另外設(shè)計(jì)一個(gè)函數(shù)Ptr(xi,t)，進(jìn)行路徑回溯。由此可得到式（5）：

根據(jù)Viterbi算法，可以利用系統(tǒng)已知的觀察狀態(tài)，推斷出最有可能的隱含狀態(tài)，即下一個(gè)最可能的音符狀態(tài)。

綜上所述，已經(jīng)可以確定HMM的隱含狀態(tài)包含待學(xué)習(xí)音樂中的單個(gè)音符。根據(jù)本文定義，定義音符為隱含狀態(tài)，音符發(fā)音時(shí)間的長(zhǎng)短（時(shí)值）為觀察狀態(tài)。那么觀察值概率分布矩陣就是統(tǒng)計(jì)一個(gè)音符在待學(xué)習(xí)音樂中所有可能的時(shí)值，以及它們出現(xiàn)的頻率。

分別需要確定狀態(tài)轉(zhuǎn)移概率矩陣、觀察值概率分布矩陣以及初始概率矩陣這3個(gè)參數(shù)。在確定了模型的隱含狀態(tài)之后，可以統(tǒng)計(jì)出所有音符狀態(tài)在待學(xué)習(xí)音樂片段中出現(xiàn)的次數(shù)。統(tǒng)計(jì)一個(gè)狀態(tài)（音符）后所有的可能狀態(tài)以及這些狀態(tài)出現(xiàn)的頻率作為狀態(tài)之間的轉(zhuǎn)移概率矩陣。如式（6）：

其中，1≤j≤n，n為當(dāng)前狀態(tài)Si所有可能的下一個(gè)狀態(tài)的個(gè)數(shù)，N(Sk|Si)是當(dāng)前狀態(tài)Si的下一個(gè)狀態(tài)Sk出現(xiàn)的次數(shù)，若某些狀態(tài)后面沒有出現(xiàn)過另一個(gè)狀態(tài)則視作兩者之間轉(zhuǎn)移概率為零。例如圖3，在“CDEDCDEFG”中，狀態(tài)“C”并不會(huì)跳轉(zhuǎn)到狀態(tài)“E”。那么由狀態(tài)“C”到狀態(tài)“E”的轉(zhuǎn)移概率記為零。

圖3 CDEDCDEFG的音符轉(zhuǎn)移概率。

觀察值概率分布矩陣，是從某個(gè)隱含狀態(tài)到某個(gè)觀察狀態(tài)的概率。定義音符為隱含狀態(tài)，音符所對(duì)應(yīng)的時(shí)值為觀察狀態(tài)。那么觀察值概率分布矩陣就是統(tǒng)計(jì)一個(gè)音符在待學(xué)習(xí)的音樂片段中所有可能的時(shí)值，以及它們出現(xiàn)的頻率。計(jì)算公式與狀態(tài)轉(zhuǎn)移概率矩陣相似，如式（7）：

其中，1≤k≤n，n為當(dāng)前狀態(tài)qi所有可能對(duì)應(yīng)時(shí)值的個(gè)數(shù)，N(oi|qi）是當(dāng)前狀態(tài)qi對(duì)應(yīng)時(shí)值為oi出現(xiàn)的次數(shù)。

初始狀態(tài)矩陣分布決定模型的初始狀態(tài)。本文分別統(tǒng)計(jì)每個(gè)待學(xué)習(xí)音樂片段中所有音符出現(xiàn)的次數(shù)。則某一音符的初始概率為式（8）：

其中，1≤i≤n，n為模型狀態(tài)空間大小，N(qi)為狀態(tài)qi在學(xué)習(xí)樣本中出現(xiàn)的次數(shù)。某一狀態(tài)的初始概率與其在樣本集中出現(xiàn)的頻率成正比，反映出這一狀態(tài)在此樣本集中的表現(xiàn)規(guī)律。

應(yīng)用隱馬爾科夫鏈學(xué)習(xí)每種音樂類別下的音樂片段，根據(jù)音樂片段中相鄰音符的聯(lián)系，確定初始概率矩陣、狀態(tài)轉(zhuǎn)移矩陣和觀察值概率分布矩陣。

本文樂曲編碼采用MIDI實(shí)數(shù)編碼，編碼范圍為0-127，編碼與音符一一對(duì)應(yīng)，在程序中，采用midilinfo函數(shù)計(jì)算單個(gè)音符的開始時(shí)間和結(jié)束時(shí)間，并將兩者之差記為該音符的時(shí)值，通過實(shí)驗(yàn)結(jié)果可知，古典音樂的音符編碼范圍在30到90之間，如圖4譜例所示，譜例為一個(gè)音樂片段里的音符構(gòu)成情況。一段音樂最終會(huì)被編碼成一個(gè)矩陣。例如式（9）

其中，矩陣第一行為音高，第二行為時(shí)值。

圖4 “Tear”片段的音符編碼圖4 音樂片段的音符編碼

2.3 設(shè)計(jì)實(shí)驗(yàn)流程

實(shí)驗(yàn)選擇30名面臨畢業(yè)考試的大學(xué)生，其情緒因?yàn)榭荚噳毫Χ幱诤芙箲]的狀態(tài)，因?yàn)椴荒艽_定哪種音樂對(duì)被試者影響比較大，所以選擇了一些古典音樂、搖滾音樂、R&B音樂三種不同風(fēng)格的純音樂來影響受試者的情緒，分析腦電信號(hào)的變化。

首先讓受試者聆聽不同的音樂，同時(shí)記錄受試者的EEG信號(hào)，利用Fast Ica和HHT算法開始去除眼電等偽跡的工作，并且進(jìn)行特征提取，對(duì)情緒狀態(tài)進(jìn)行識(shí)別。如果某個(gè)時(shí)間段的情緒狀態(tài)變好表明與此時(shí)對(duì)應(yīng)的音樂片段起作用了，建立三個(gè)音樂子庫(kù)，隨之將此音樂片段截取下來進(jìn)行分類，保存到各自對(duì)應(yīng)的音樂子庫(kù)。

2.4 結(jié)果分析

腦電處理結(jié)果示例：某位受試者聆聽《D小調(diào)幻想曲》alpha與beta波單位時(shí)間功率比變化如圖5所示。

圖5 聆聽《D小調(diào)幻想曲》的腦電變化

從上圖可以看出，橢圓部分功率比變大，即alpha波功率增大，beta波功率減小，表示受試者情緒逐漸放松，則將與此時(shí)間段相對(duì)應(yīng)的音樂片段截取并保存下來，N個(gè)由此而來的音樂片段組成了一個(gè)音樂庫(kù)。

實(shí)驗(yàn)訓(xùn)練過程選擇60首音樂進(jìn)行訓(xùn)練，訓(xùn)練過程如圖6所示。

圖6 BP訓(xùn)練過程

然后每種風(fēng)格各選200首音樂（共600首）進(jìn)行測(cè)試。實(shí)驗(yàn)結(jié)果如表3所示。

表3 BP神經(jīng)網(wǎng)絡(luò)分類準(zhǔn)確率

從表3可以看出，三種風(fēng)格的正確率均在80%以上。

3 作曲實(shí)例

圖7給出了基于HMM，將古典音樂庫(kù)中的一些音樂片段連接起來的一個(gè)實(shí)例，共有439秒。由于音樂的五線譜占用篇幅較多，本文則用midi編碼的方式呈現(xiàn)組合的音樂。

圖7 音樂重組

4 結(jié)論

針對(duì)傳統(tǒng)音樂治療方法存在的問題，本文通過設(shè)計(jì)實(shí)驗(yàn)獲得能夠?qū)崟r(shí)識(shí)別焦慮情緒的特征向量的閾值范圍，實(shí)現(xiàn)對(duì)焦慮情緒的精準(zhǔn)識(shí)別，精準(zhǔn)把握每位人員的情緒變化，接著在對(duì)焦慮人員進(jìn)行音樂治療的過程中，基于腦電的實(shí)時(shí)反饋，獲得對(duì)被試者有用的音樂片段，分析音樂特征，對(duì)所保存的音樂片段進(jìn)行分類，在每個(gè)獨(dú)立音樂類（古典音樂、搖滾、R&B）中，通過計(jì)算音樂片段里的各音符之間的轉(zhuǎn)換概率，找到連接音樂片段的最佳順序，組合成新的音樂?；诮箲]腦電反饋的音樂重組，不僅增加了音樂治療的曲目，而且和原始音樂相比，重組的音樂對(duì)患者來說更有針對(duì)性，有利于對(duì)焦慮患者情緒的改善，可以達(dá)更好的效果，為音樂治療領(lǐng)域的發(fā)展提供了新的途徑。