Modeling ANS Responses to Acoustic Features for Personalized Music Therapy Interventions in Mental Health Care Using Machine Learning
1.38 MB
avoin
Julkaisu on tekijänoikeussäännösten alainen. Teosta voi lukea ja tulostaa henkilökohtaista käyttöä varten. Käyttö kaupallisiin tarkoituksiin on kielletty.
Lataukset2
Pysyvä osoite
Verkkojulkaisu
DOI
Tiivistelmä
The purpose of this study is to model the effects of music's acoustic features on autonomic nervous system (ANS) responses and thereby contribute to the personalization of receptive music therapy interventions. Although the physiological responses related to music properties are known, identifying individual differences among complex acoustic and physiological signals is challenging.
The study conducted an empirical experiment in which physiological signals were collected from 13 participants, measuring heart and respiratory activity as well as skin conductance. Each participant attended a total of three measurement sessions on different days, during which individual physiological changes were measured while listening to music. Correlations between these features were examined at both the group and individual levels using statistical methods, a population-level mixed-effects model, and an individual-level Ridge regression model.
The statistical methods of the study showed that acoustic features related to the brightness and energy distribution of music drive physiological responses, such as heart rate and respiration, at the group level. Individual-level modeling was used to examine the practical predictive power of the machine learning model using the $R^2$ metric in the validation. The model's performance proved to be negative, indicating that predictions cannot be made using the model based on the current sample size. Individual-level permutation tests revealed statistical significance for genuine individual-specific signals in cardiac responses.
The results suggest that there is a genuine connection between music and physiological reactions, but that there are very strong individual variation in these reactions. For this reason, utilizing generalizable machine learning models cannot explain the reactions of all individuals. In future research, the development of personalized models will require significantly larger datasets. Since the study used low-level acoustic features to interpret physiological reactions, including higher-level musical features - such as harmonic and rhythmic structure and the emotional nature of the music - into the analysis could improve the model's interpretive power in the future.
Tämän tutkimuksen tarkoituksena on mitata musiikin akustisten piirteiden vaikutusta autonomisen hermoston (ANS) vasteisiin ja pyrkiä siten edistämään reseptiivisen musiikkiterapian interventioiden personointia. Vaikka musiikin luomia fysiologisia vasteita tunnetaan, yksilöllisten erojen tunnistaminen monimutkaisten akustisten ja fysiologisten signaalien välillä on haasteellista.
Tutkimuksessa suoritettiin empiirinen koe, jossa kerättiin 13 koehenkilön fysiologisia signaaleita, jotka mittasivat sydämen ja hengityksen toimintaa sekä ihon sähköjohtavuutta. Jokaiselle osallistujalle suoritettiin kolme erillisestä mittauskertaa eri päivinä, missä yksilön fysiologista muutosta mitattiin musiikkia kuunnellessa. Piirteiden välisiä yhteyksiä tutkittiin sekä ryhmä- että yksilötasolla tilastollisin menetelmin, populaatiotason sekamallin (mixed-effects) sekä yksilökohtaisen Ridge-regressiomallin avulla.
Tutkimuksen tilastolliset menetelmät osoittivat musiikin energiaan ja kirkkauteen liittyvien akustisten piirteiden ohjaavan fysiologisia vasteita, kuten sykettä ja hengitystä populaatiotasolla. Yksilötason mallinnuksella tutkittiin koneoppimismallin suorituskykyä $R^2$ mittarin avulla sekä syvennyttiin personoinnin tarpeen validointiin. Mallin suorituskyky osoittautui negatiiviseksi, minkä perusteella nykyisen aineiston pohjalta tarkkoja ennusteita ei voida mallin avulla suorittaa. Yksilötason permutaatiotestit todistivat tilastollista merkittävyyttä sydämen toiminnan vasteiden aidoille yksilöllisille signaalille.
Tulokset viittaavat siihen, että musiikin ja fysiologisten vasteiden välillä on havaittavissa aitoja yhteyksiä, mutta vasteissa esiintyy erittäin vahvaa yksilöllistä vaihtelua. Tästä syystä yleistävät ryhmätason koneoppimismallit eivät kykene selittämään reaktioita kaikkien yksilöiden kohdalla. Jatkotutkimuksissa personoitujen mallien kehittäminen vaatii huomattavasti laajempaa ainestoa. Koska tässä tutkimuksessa hyödynnettiin fysiologisten vasteiden tulkinnassa matalan tason akustisia piirteitä, saattaisi korkeamman tason musiikin piirteiden - kuten harmonisen ja rytmisen rakenteen sekä musiikin emotionaalisen luonteen - hyödyntäminen analyysissä parantaa mallin tulkintakykyä tulevaisuudessa.