一种基于脑电波情绪识别的音乐疗愈系统及其处理方法

技术领域

本发明属于人工智能中的情绪识别领域，特别是涉及一种基于脑电波情绪识别的音乐疗愈系统及其处理方法。

背景技术

基于脑电波情绪识别的音乐疗愈是脑电波识别应用中重要的一部分，以脑电信号数据和音乐音频信号数据为源数据进行处理，分别识别出目标的情绪状态和分类出音乐的情感类别，并分析不同音乐类型对情绪的影响关系。

主流的基于脑电波情绪识别的音乐疗愈以脑电信号为依据对情绪状态进行识别，并根据识别到的情绪种类匹配相对应类型的音乐，以此来达到音乐疗愈的目的。目前，基于脑电波情绪识别的音乐疗愈分析研究依然局限于：使用的脑电数据采集通道冗余，便携性差；仅针对积极、消极、中性三种基本情绪进行分析处理；或仅针对开心、悲伤、惊讶、恐惧等少量情绪类别进行分析处理；针对音乐类型的研究多是音乐体裁方面，针对音乐在情感方面的研究类别较少，且没有一个完整的音乐类型与情绪类别之间的影响关系模型。而对于需要可靠的音乐疗愈而言，所达到的层次不足以支撑后续的研究，因此现阶段的基于脑电波情绪识别的音乐疗愈技术仍无法实现可靠准确的的分析与处理。

发明内容

本发明的目的在于提出一种基于脑电波情绪识别的音乐疗愈系统及其处理方法，解决情绪识别种类和音乐分类情感种类少的局限性，同时完善情绪映射关系模型。该系统和方法全面考虑情绪类型和音乐类别的多样性，优化选择脑电数据采集通道数量，深度挖掘不同音乐类别下音频特征的规律，为情绪识别与音乐分类提供了较好的解决方案；同时，基于脑电波情绪识别的音乐疗愈方法通过构建情绪映射关系模型，提供了针对音乐疗愈中音乐选取的依据，实现了基于脑电波情绪识别的音乐疗愈，该系统和方法将提供更可靠准确的音乐疗愈。

为达到上述目的，本发明是通过下述技术方案实现的：

一种基于脑电波情绪识别的音乐疗愈系统，包括：

数据采集及数据库管理模块，采集脑电数据并进行分类管理，构建数据库本体；情绪识别模块，基于32通道脑电数据和20种脑电情绪标签数据对脑电信号数据进行情绪识别；音乐分类模块，基于音乐文件数据和情感标签数据对音频信号数据进行音乐分类，包括愤怒、自信、厌恶、恐惧、快乐、激情、放松和悲伤 8种情感；音乐疗愈模块，基于情绪识别模块和音乐分类模块，以情绪识别模块识别到的情绪状态和音乐分类模块给出的音乐情绪标签为依据，对用户一段时间内的情绪变化以及音乐类型之间的关联关系进行挖掘，构建完整的情绪映射关系集，依据此情绪映射关系集对用户进行音乐疗愈。

所述的一种基于脑电波情绪识别的音乐疗愈系统，数据采集以及数据库管理模块包括数据采集装置，采集基于使用者的脑电波数据、基于情绪标签的脑电波数据和基于情感标签的音乐数据。

所述的一种基于脑电波情绪识别的音乐疗愈系统，所述数据采集以及数据库管理模块还包括数据分类装置，对采集数据进行类别的划分，包括：

(1)基于使用者的脑电波数据U：包括使用者ID、使用者年龄Age、使用者性别Sex、脑电波信号振幅EF、脑电波信号采样率EFs；

(2)基于情绪标签的脑电波数据E：包括脑电信号振幅EF、脑电波信号采样率EFs、情绪标签EEL；

(3)基于情感标签的音乐数据M：包括音乐标题MT、歌手姓名SN、音频信号MS、情感标签MEL、音频采样率MFs。

所述的一种基于脑电波情绪识别的音乐疗愈系统，32通道为Fp1、AF3、F7、 F3、FC1、FC5、T7、C3、CP1、CP5、P7、P3、Pz、PO3、O1、Oz、O2、PO4、P4、 P8、CP6、CP2、C4、T8、FC6、FC2、F4、F8、AF4、Fp2、Fz和Cz；所述20种情绪为愤怒、焦虑、专注、自信、绝望、厌恶、恐惧、感激、希望、不安全感、亲密、快乐、狂躁、痛苦、激情、放松、悲伤、惊讶、疲惫和信任。

所述的一种基于脑电波情绪识别的音乐疗愈系统，情绪识别模块包括脑电分析与识别装置，且被设置为：

(1)根据小波去噪技术对脑电信号数据进行降噪预处理，使用极大极小阈值方法求小波降噪阈值λ，采用公式

(2)以δ波、θ波、α波、β波和γ波的5种频段脑电波的频率范围为标准，对预处理后的脑电信号进行频段分解，获取δ波、θ波、α波、β波和γ波的频段集合FB＝{δ，θ，α，β，γ}，采用公式

(3)根据频段集合FB，基于Welch平均功率图法对所述5种脑电频段分别计算功率谱PSD特征，首先将长度为N的数据x(n)分为L段，其中n＝0，1，2，3，…， N-1，每段有M个数据，第i段数据表示为x

(4)将计算出的5种频段的平均PSD串连为特征向量EF＝[AvgPSD(δ)， AvgPSD(θ)，AvgPSD(α)，AvgPSD(β)，AvgPSD(γ)]，使用EF作为脑电情绪特征；

(5)基于32通道脑电信号计算出每个通道的EF特征、不同的情绪在32 个脑电通道之间的联系以及32通道的5种频段的平均功率谱密度特征上存在复杂的差异性，利用机器学习方法训练识别这20种情绪；

(6)基于支持向量机SVM，采用一对一法对所述20种情绪实现识别，在任意两类样本之间使用1个SVM，20个类别的样本需要使用

(7)使用32通道的脑电信号执行上述步骤得到本系统预测精度最大的Acc

所述的一种基于脑电波情绪识别的音乐疗愈系统，音乐分类模块包括音乐分析与分类装置，且被设置为：

(1)读取音乐文件，将音频信号中的左声道信号MLS和右声道信号MRS相加，即使用公式MS＝MLS+MRS进行信号预处理；

(2)对预处理后的音频信号MS分为以15s为单位的音频片段，采用公式 SMS＝(k*44100*15+1，(k+1)*44100*15)，

(3)对分段后的音频信号SMS进行音频特征提取，采用公式

(4)将提取出的9种音频特征串连为特征向量MF，作为音乐情感特征，且 MF＝[MFCC，SC，SF，ZC，RMS，BPM，BPMI，Mode，R]；

(5)针对8种情感音乐进行分类所使用的方法与权利要求5中(5)的方法流程一致，但不同的定义部分为：基于支持向量机SVM采用一对一法对8种情感音乐分类，在任意两类样本之间使用1个SVM，8个类别的样本使用

所述的一种基于脑电波情绪识别的音乐疗愈系统，音乐疗愈模块包括情绪关系挖掘与音乐疗愈装置，且被设置为：

(1)记录整理音乐疗愈前的情绪状态标签FL、音乐疗愈后的情绪状态标签 AL以及音乐疗愈中所选取的音乐类型标签VL，构建总关系列表List＝[FL，VL， AL]；

(2)基于情绪语义映射对音乐疗愈实验结果List关系表中三者之间的变化关系进行统计分析，以AL为定量，采用公式

(3)基于计算出的Pa和Pv对List进行筛选，将List中变化比率Pa或 Pv大于60％的关系作为最终的情绪变化影响关系集FVAL＝[FL，VL，AL]；

(4)基于使用者的脑电数据，通过情绪识别装置识别获取到使用者当前的情绪状态，即对应情绪语义映射关系中的FL，通过音乐分类装置对数据库中的音乐文件进行分类，获得音乐的情感标签，即对应情绪语义映射关系中的VL；

(5)基于情绪映射关系挖掘装置挖掘出的情绪映射关系集FVAL＝[FL，VL， AL]，根据基于脑电识别到的FL情绪给用户匹配相对应情感标签类型的VL音乐，从而将用户的情绪引导到所对应的AL情绪状态，达到音乐疗愈的目的。

一种基于脑电波情绪识别的音乐疗愈系统的处理方法，步骤如下：

步骤1：数据采集；

步骤2：数据预处理，分别输出基于情绪标签的脑电数据、基于情感标签的音乐数据；

步骤3：输入基于情绪标签的脑电数据；

步骤4：对输入的基于情绪标签的脑电数据进行小波降噪预处理，去除掉脑电信号中的高斯白噪声，输出小波降噪预处理后的脑电信号；

步骤5：输人小波降噪预处理后的脑电信号，对小波降噪预处理后的脑电信号进行频段分解，输出δ波、θ波、α波、β波和γ波的频段集合；

步骤6：输入频段集合FB，分别计算功率谱PSD特征，将步骤5所述的五种频段的平均PSD串连为特征向量EF，输出EF作为脑电情绪特征；

步骤7：输入EF作为支持向量机SVM中的样本数据，构建超平面函数并输出；

步骤8：输入基于使用者的脑电数据；

步骤9：对输入的基于情绪标签的脑电数据进行小波降噪预处理，去除掉脑电信号中的高斯白噪声，输出小波降噪预处理后的脑电信号；

步骤10：输人小波降噪预处理后的脑电信号，对小波降噪预处理后的脑电信号进行频段分解，输出δ波、θ波、α波、β波和γ波的频段集合；

步骤11：输入频段集合FB，对步骤10所述五种脑电频段分别计算功率谱PSD特征，将计算出的五种频段的平均PSD串连为特征向量，输出EF 作为脑电情绪特征；

步骤12：输入EF作为支持向量机SVM中的样本数据，基于支持向量机 SVM采用一对一法使用步骤7中已经构建好的超平面函数实现对所述20种情绪的识别；

步骤13：使用32通道的脑电信号执行以上步骤得到本系统最大的预测精度，此外在32个通道脑电信号上分别执行以上步骤，得到每一个通道的预测精度，根据每一个通道的预测精度对这32个通道进行排序，最终得到最优通道排序列表；

步骤14：输入基于情感标签的音乐数据；

步骤15：将音频信号中的左声道信号MLS和右声道信号MRS相加，输出合并后的音频信号MS；

步骤16：输入合并后的音频信号MS，并将其分为以15s为单位的音频片段SMS并输出；

步骤17：输入分段后的音频信号SMS，并对其进行音频特征提取，将提取出的9种音频特征串连为特征向量MF，输出MF作为音乐情感特征；

步骤18：输入MF作为支持向量机SVM中的样本数据，构建超平面函数并输出；

步骤19：输入MF作为支持向量机SVM中的样本数据，使用步骤18中已经构建好的超平面函数实现对所述8种音乐的识别；

步骤20：基于脑电情绪识别以及音乐情绪分类进行音乐疗愈，输出音乐疗愈实验结果List关系表；

步骤21：基于情绪语义映射对音乐疗愈实验结果List关系表中三者之间的变化关系进行统计分析，挖掘情绪映射关系；

步骤22：基于统计分析结果对List进行筛选，构建情绪映射关系集；

步骤23：依据构建好的情绪映射关系集，对用户进行音乐疗愈。

综上所述，本发明的有益效果包括：

(1)本发明的基于脑电波情绪识别的音乐疗愈系统，主要应用于便携式脑电信号检测设备环境下，通过构建脑电信号数据本体，分析不同情绪下脑电信号中的功率谱密度特征，实现情绪的实时识别以及音乐疗愈。

(2)本发明考虑了将情感因素与音乐类型相结合，通过提取9种音频特征，实现对音乐的情感分类。

(3)本发明的系统中，研究分析了不同音乐类型对不同情绪的影响变化关系，构建了完整的情绪映射关系集，以此为音乐疗愈提供音乐选择依据，从而实现可靠的音乐疗愈。

(4)其方法科学合理，可靠性高。

前面所述的为本申请的概述，因此必然有简化、概括和细节省略的情况；本领域的技术人员应该认识到，概述部分仅是对本申请的说明，而不应看作是对本申请的任何限定。本说明书中描述的装置和/或方法和/或其他主题的其他方面、特征和优点将会由于本说明书的阐述而变得清晰。概述部分是用来以一种简化的方式导入多个将在以下具体实施方式部分进一步描述的概念。本概述部分既非用于确定所要求保护主题的关键特征或必要特征，也非用来作为确定所要求保护主题的范围的辅助手段。

附图说明

通过下面说明书和所附的权利要求书并与附图结合，就会更加充分地清楚理解本申请的上述和其他特征。应当理解，这些附图仅是对本申请若干实施方式的描述，不应认为是对本申请范围的限定，通过附图，本申请内容将会得到更加明确和详细地说明。

图1是本发明的基于脑电波情绪识别的音乐疗愈系统及其处理方法的系统框图。

图2是本发明的基于脑电波情绪识别的音乐疗愈系统及其处理方法的方法流程图。

具体实施方式

在下面的具体实施方式部分中，结合作为说明书一部分的附图进行说明。在附图中，相同/类似的标记通常表示相同/类似的部件，除非说明书中另有说明。具体实施方式、附图和权利要求书中描述的用来举例说明的实施方式不应认为是对本申请的限定。在不偏离本申请表述的主题的精神或范围的情况下，可以采用本申请的其他实施方式，并且可以对本申请做出其他变化。应该很容易理解，可以对本说明书中一般性描述的、附图中图解说明的本申请的各个方面进行各种不同构成的配置、替换、组合，设计，而所有这些改变都显然在预料之中，并构成本申请的一部分。

参照图1，本发明的一种基于脑电波情绪识别的音乐疗愈系统，包括：数据采集及数据库管理模块、情绪识别模块、音乐分类模块和音乐疗愈模块。

第一部分：数据采集及数据库管理模块。该模块用于采集脑电数据并进行分类管理，构建数据库本体。

该模块包括数据采集装置，用于采集基于使用者的脑电波数据、基于情绪标签的脑电波数据和基于情感标签的音乐数据。

该还包括数据分类装置，用于对采集数据进行类别的划分，具体包括：

(1)基于使用者的脑电波数据U：包括使用者ID、使用者年龄Age、使用者性别Sex、脑电波信号振幅EF、脑电波信号采样率EFs；

(2)基于情绪标签的脑电波数据E：包括脑电信号振幅EF、脑电波信号采样率EFs、情绪标签EEL；

(3)基于情感标签的音乐数据M：包括音乐标题MT、歌手姓名SN、音频信号MS、情感标签MEL、音频采样率MFs。

数据库管理装置对于采集到的数据，进行属性定义，进行数据本体构建，根据数据来源类型，建立属性列表1：

属性列表1

第二部分：情绪识别模块，基于32通道脑电数据和20种脑电情绪标签数据对脑电信号数据进行情绪识别。其中，所述的32通道为Fp1、AF3、F7、F3、FC1、 FC5、T7、C3、CP1、CP5、P7、P3、Pz、PO3、O1、Oz、O2、PO4、P4、P8、CP6、 CP2、C4、T8、FC6、FC2、F4、F8、AF4、Fp2、Fz和Cz；所述20种情绪为愤怒、焦虑、专注、自信、绝望、厌恶、恐惧、感激、希望、不安全感、亲密、快乐、狂躁、痛苦、激情、放松、悲伤、惊讶、疲惫和信任。

该模块包括脑电分析与识别装置，其功能是对脑电数据进行降噪、频段分解和脑电特征提取处理，基于提取的脑电特征和脑电情绪标签数据对脑电信号数据进行的情绪识别。其被设置为：

(1)根据小波去噪技术对脑电信号数据进行降噪预处理，使用极大极小阈值方法求小波降噪阈值λ，采用公式

(2)以δ波、θ波、α波、β波和γ波的5种频段脑电波的频率范围为标准，对预处理后的脑电信号进行频段分解，获取δ波、θ波、α波、β波和γ波的频段集合FB＝{δ，θ，α，β，γ}，采用公式

(3)根据频段集合FB，基于Welch平均功率图法对所述5种脑电频段分别计算功率谱PSD特征，首先将长度为N的数据x(n)分为L段，其中n＝0，1，2，3，…， N-1，每段有M个数据，第i段数据表示为x

(4)将计算出的5种频段的平均PSD串连为特征向量EF＝[AvgPSD(δ)， AvgPSD(θ)，AvgPSD(α)，AvgPSD(β)，AvgPSD(γ)]，使用EF作为脑电情绪特征；

(5)基于32通道脑电信号计算出每个通道的EF特征、不同的情绪在32 个脑电通道之间的联系以及32通道的5种频段的平均功率谱密度特征上存在复杂的差异性，利用机器学习方法训练识别这20种情绪；

(6)基于支持向量机SVM，采用一对一法对所述20种情绪实现识别，在任意两类样本之间使用1个SVM，20个类别的样本需要使用

(7)使用32通道的脑电信号执行上述步骤得到本系统预测精度最大的Acc

第三部分：音乐分类模块，基于音乐文件数据和情感标签数据对音频信号数据进行音乐分类，包括愤怒、自信、厌恶、恐惧、快乐、激情、放松和悲伤8 种情感。

该模块包括音乐分析与分类装置，其功能是对音乐数据进行声道合并、分段和音频特征提取处理，基于提取的音频特征和情感标签数据对音频信号数据进行的音乐分类，其被设置为：

(1)读取音乐文件，将音频信号中的左声道信号MLS和右声道信号MRS相加，即使用公式MS＝MLS+MRS进行信号预处理；

(2)对预处理后的音频信号MS分为以15s为单位的音频片段，采用公式 SMS＝(k*44100*15+1，(k+1)*44100*15)，

(3)对分段后的音频信号SMS进行音频特征提取，采用公式

(4)将提取出的9种音频特征串连为特征向量MF，作为音乐情感特征，且 MF＝[MFCC，SC，SF，ZC，RMS，BPM，BPMI，Mode，R]；

(5)对于MFCC特征，是根据人耳听觉机理将音频物理信息进行编码运算得到的一组特征向量，对不同种类的音频有很好的识别作用，对于 SC，SF，ZC，RMS，BPM，BPMI，Mode和R这8种音频特征值，自信和厌恶两种情感音乐的各个特征值比其他情感都要高，其中厌恶音乐的各个特征值最高，愤怒和恐惧两种情感音乐的BPMI、Mode和R较为接近，相比其他情感音乐的特征值较高，欢乐和激情两种情感音乐的SC、SF、ZC、RMS、BPM和BPMI较为接近，相比其他情感音乐的特征值较低，放松和悲伤两种情感音乐的各个特征值比其它情感都要低，其中放松音乐的各个特征值最低；

(6)针对8种情感音乐进行分类所使用的方法与权利要求5中(5)的方法流程一致，但不同的定义部分为：基于支持向量机SVM采用一对一法对8种情感音乐分类，在任意两类样本之间使用1个SVM，8个类别的样本使用

第四部分：音乐疗愈模块，基于情绪识别模块和音乐分类模块，以情绪识别模块识别到的情绪状态和音乐分类模块给出的音乐情绪标签为依据，对用户一段时间内的情绪变化以及音乐类型之间的关联关系进行挖掘，构建完整的情绪映射关系集，依据此情绪映射关系集对用户进行音乐疗愈。

该模块包括情绪关系挖掘与音乐疗愈装置，其功能是挖掘不同情绪种类的音乐对用户不同情绪状态之间的映射关系，构建情绪映射关系集，基于使用者的脑电数据，通过情绪识别装置识别使用者当前的情绪状态，通过音乐分类装置获得音乐类别，基于情绪映射关系挖掘装置挖掘出的情绪映射关系集根据识别到的情绪状态匹配相应情感类别的音乐来进行音乐疗愈，其被设置为：

(1)记录整理音乐疗愈前的情绪状态标签FL、音乐疗愈后的情绪状态标签 AL以及音乐疗愈中所选取的音乐类型标签VL，构建总关系列表List＝[FL，VL， AL]：

(2)基于情绪语义映射对音乐疗愈实验结果List关系表中三者之间的变化关系进行统计分析，以AL为定量，采用公式

(3)基于计算出的Pa和Pv对List进行筛选，将List中变化比率Pa或 Pv大于60％的关系作为最终的情绪变化影响关系集FVAL＝[FL，VL，AL]；

(4)基于使用者的脑电数据，通过情绪识别装置识别获取到使用者当前的情绪状态，即对应情绪语义映射关系中的FL，通过音乐分类装置对数据库中的音乐文件进行分类，获得音乐的情感标签，即对应情绪语义映射关系中的VL；

(5)基于情绪映射关系挖掘装置挖掘出的情绪映射关系集FVAL＝[FL，VL， AL]，根据基于脑电识别到的FL情绪给用户匹配相对应情感标签类型的VL音乐，从而将用户的情绪引导到所对应的AL情绪状态，达到音乐疗愈的目的。

参照图2的方法流程图，一种基于脑电波情绪识别的音乐疗愈系统的处理方法，具体步骤如下：

步骤1：数据采集；

步骤2：数据预处理，分别输出基于情绪标签的脑电数据、基于情感标签的音乐数据；

步骤3：输入基于情绪标签的脑电数据；

步骤4：对输入的基于情绪标签的脑电数据进行小波降噪预处理，去除掉脑电信号中的高斯白噪声，输出小波降噪预处理后的脑电信号；

步骤5：输人小波降噪预处理后的脑电信号，对小波降噪预处理后的脑电信号进行频段分解，输出δ波、θ波、α波、β波和γ波的频段集合 FB＝{δ，θ，α，β，γ}；

步骤6：输入频段集合FB，基于Welch平均功率图法对这五种脑电频段分别计算功率谱(PSD)特征，将计算出的五种频段的平均PSD串连为特征向量 EF＝[AvgPSD(δ)，AvgPSD(θ)，AvgPSD(α)，AvgPSD(β)，AvgPSD(γ)]，输出EF作为脑电情绪特征；

步骤7：输入EF作为支持向量机(SVM)中的样本数据，基于支持向量机采用一对一法构建超平面函数，输出构建的超平面函数；

步骤8：输入基于使用者的脑电数据；

步骤9：对输入的基于情绪标签的脑电数据进行小波降噪预处理，去除掉脑电信号中的高斯白噪声，输出小波降噪预处理后的脑电信号；

步骤10：输人小波降噪预处理后的脑电信号，对小波降噪预处理后的脑电信号进行频段分解，输出δ波、θ波、α波、β波和γ波的频段集合 FB＝{δ，θ，α，β，γ}；

步骤11：输入频段集合FB，基于Welch平均功率图法对这五种脑电频段分别计算功率谱(PSD)特征，将计算出的五种频段的平均PSD串连为特征向量 EF＝[AvgPSD(δ)，AvgPSD(θ)，AvgPSD(α)，AvgPSD(β)，AvgPSD(γ)]，输出EF作为脑电情绪特征；

步骤12：输入EF作为支持向量机(SVM)中的样本数据，基于支持向量机 (SVM)采用一对一法使用步骤7中已经构建好的超平面函数实现对这20种情绪的识别；

步骤13：使用32通道的脑电信号执行以上步骤得到本系统最大的预测精度，此外在32个通道脑电信号上分别执行以上步骤，得到每一个通道的预测精度，根据每一个通道的预测精度对这32个通道进行排序，最终得到最优通道排序列表Clist＝[P7，FC1，Pz，T7，CP2，P3，P8，Cz，PO4，CP1，PO3，F8，Oz，FC5， CP6，P4，Fz，Fp1，O1，Fp2，AF4，FC6，T8，FC2，AF3，O2，F3，C4，F4，CP5， C3，F7]；

步骤14：输入基于情感标签的音乐数据；

步骤15：将音频信号中的左声道信号(MLS)和右声道信号(MRS)相加，输出合并后的音频信号(MS)；

步骤16：输入合并后的音频信号(MS)，对合并后的音频信号(MS)分为以15s为单位的音频片段，输出分段后的音频信号(SMS)；

步骤17：输入分段后的音频信号(SMS)，对分段后的音频信号(SMS)进行音频特征提取，将提取出的9种音频特征串连为特征向量 MF＝[MFCC，SC，SF，ZC，RMS，BPM，BPMI，Mode，R]，输出MF作为音乐情感特征；

步骤18：输入MF作为支持向量机(SVM)中的样本数据，基于支持向量机采用一对一法构建超平面函数，输出构建的超平面函数；

步骤19：输入MF作为支持向量机(SVM)中的样本数据，基于支持向量机 (SVM)采用一对一法使用步骤18中已经构建好的超平面函数实现对这8种音乐的识别；

步骤20：基于脑电情绪识别以及音乐情绪分类进行音乐疗愈，输出音乐疗愈实验结果List关系表；

步骤21：基于情绪语义映射对音乐疗愈实验结果List关系表中三者之间的变化关系进行统计分析，挖掘情绪映射关系；

步骤22：基于统计分析结果对List进行筛选，构建情绪映射关系集；

步骤23：依据构建好的情绪映射关系集，对用户进行音乐疗愈。

综上所述，本发明提供的系统及其处理方法可以实现对使用者情绪状态的实时识别，对音乐进行情感的分类以及进行音乐疗愈。有助于更加客观的识别使用者的真实情绪状态，对音乐添加情感元素标签，从而使用情感音乐研究挖掘情绪之间的映射关系，建立完整的情绪映射关系集，从而依据此情绪映射关系集实现更加可靠的音乐疗愈。本发明主要应用于便携式脑电信号检测设备环境下，通过构建脑电信号数据本体，分析不同情绪下脑电信号中的功率谱密度特征，实现情绪的实时识别以及音乐疗愈。本发明考虑了将情感因素与音乐类型相结合，通过提取9种音频特征，实现对音乐的情感分类。其方法科学合理，可靠性高。

前述已通过框图、流程图和/或实施例子进行了详细描述，阐明了本申请装置和/或方法的不同实施方式，当这些框图、流程图和/或实施例包含一个或多个功能和/或操作时，本领域的技术人员会明白，这些框图、流程图和/或实施例中的各功能和/或操作可以通过各种硬件、软件、固件或实质上它们的任意组合而单独地和/或共同地实施。本领域的技术人员会认识到，以本说明书中说明的方式描述装置和/或方法，然后进行工程实践以将所描述的装置和/或方法集成到数据处理系统中，在本领域里是很常见的，也就是说，本说明书中描述的装置和/ 或方法中的至少一部分，可通过合理数量的实验集成到数据处理系统中，对于本说明书中所用的基本上任何复数和/或单数术语，本领域的技术人员可以将复数解释为单数和/或将单数解释为复数，只要这样做从上下文和/或应用上看是合适的即可，为了清楚起见，在本说明书中可能将各种单数/复数组合明确地表述出来。

本申请中公开了本申请的多个方面和实施方式，本领域的技术人员会明白本申请的其它方面和实施方式，本申请中公开的多个方面和实施方式只是用于举例说明，并非是对本申请的限定，本申请的真正保护范围和精神应当以下面的权利要求书为准。