[发明专利]音乐推荐方法及系统

说明书

技术领域

本发明涉及计算机技术领域，特别涉及一种音乐推荐方法及系统。

背景技术

研究表明，合适的音乐有助于人们放松休息，从而获得精力的快速恢复。随着互联网的快速发展，网络音乐的数量也在飞速增加，对于喜欢听音乐来进行放松休息的人来说，这是一个好消息，同时也是一个坏消息，好消息是人们可以拥有越来越多的选择来挑选适合自己的音乐，坏消息是不知道如何从这些海量的音乐中挑选出适合自己的音乐。由于人们所处的环境、文化以及个人喜好等因素均是不一样的，因此对放松音乐的偏好也是各不相同，例如A觉得听起来很放松的音乐，B听起来并不感觉到放松，反之亦然。于是基于个性化的智能音乐推荐系统应运而生，如国外的Pandora，Last.fm，Slacker Radio等，国内著名的有豆瓣FM，QQ音乐，网易云音乐等。

现在常规的智能音乐推荐系统都是根据用户对推荐音乐的评价(直接或间接的)，来预测用户平时对不同类型音乐的主观喜好，从而再利用推荐算法向用户推荐合适的音乐，这些推荐算法在某些情况下可以获得不错的效果。但这种方式也有自身的缺陷，例如大多时候较难获得用户对音乐的评价，这就造成了音乐-用户评价矩阵的稀疏性；有时候就算获得了用户的评价，由于用户的心情等因素影响，获得的评价也不一定准确，这就造成了音乐-用户评价矩阵的不准确性。这两方面共同影响了常规音乐推荐的准确性，造成音乐推荐的质量下降。

发明内容

基于此，本发明提出了一种通过采集用户的脑电信号并分析处理，将用户脑电波信号特征和常规音乐推荐方法进行结合，能够得到更加精准的音乐推荐。

本发明提供的音乐推荐方法，包括以下步骤：

实时采集用户的脑电信号；

对所述脑电信号进行处理，得到用户当前的大脑放松程度；

根据用户对音乐的历史评价数据，得到“用户-音乐”评价矩阵；

对得到的用户当前的大脑放松程度以及该用户当前的“用户-音乐”评价矩阵进行加权融合，得到用户当前的音乐偏好预测分数；

根据用户当前的音乐偏好预测分数，利用预设的智能音乐推荐算法，向用户推荐音乐。

作为一种可实施方式，对所述脑电信号进行处理，得到用户的大脑放松程度，包括以下步骤：

利用频域能量分析和非线性LZ复杂度分析相结合的方法对所述脑电信号进行处理，得到用户当前的大脑放松程度。

作为一种可实施方式，利用频域能量分析和非线性LZ复杂度分析相结合的方法对所述脑电信号进行处理，得到用户的大脑放松程度，包括以下步骤：

按时间序列截取预设时间段内的所述脑电信号；

对所述脑电信号进行时频分析，得到第一表征大脑放松程度的数据Rex1：

其中，E(θ)代表脑电信号中的θ波的能量，E(α)代表脑电信号中的α波的能量，E(β)代表脑电信号中的β波的能量、E(γ)脑电波的γ波的能量；

对所述脑电信号进行非线性LZ复杂度分析，得到第二表征大脑放松程度的数据Rex2；

对所述Rex1和Rex2进行线性加权处理，得到用户的大脑放松程度Rex：

Rex＝ξ·Rex1+(1-ξ)·Rex2

其中，ξ为加权系数，ξ的取值范围为0.5至0.7；

计算所有的预设时间段内的大脑放松程度Rex的平均值，作为用户当前的大脑放松程度。

作为一种可实施方式，在对所述脑电信号进行时频分析和非线性LZ复杂度分析之前，还包括以下步骤：

对截取的每个预设时间段内的脑电信号进行降噪滤波。

作为一种可实施方式，对截取的每个预设时间段内的脑电信号进行降噪滤波，包括以下步骤：

滤除所述脑电信号中的50Hz的工频干扰；

在滤除工频干扰后，滤除所述脑电信号的有效频带以外的干扰；

在滤除有效频带以外的干扰之后，滤除所述脑电信号的有效频带内的生物电信号的干扰。

作为一种可实施方式，所述对得到的用户的大脑放松程度以及该用户当前的“用户-音乐”评价矩阵进行加权融合，得到用户当前的音乐偏好预测分数，具体的加权融合公式为：

S_MN＝η·p+(1-η)·q

其中，p代表用户M的大脑放松程度，q代表用户M对音乐N在当前的“用户-音乐”评价矩阵中的评分，S_MN代表用户M对音乐N的音乐偏好预测分数,η为加权系数,η的取值范围为0.4至0.8。