复发结构能否并置音乐与抑郁脑电：以缺隙度与局部密度相似性做跨域比较

英文题目：MUSICAL AND NEUROLOGICAL PATTERNS OF RECURRENCE: AN APPLICATION TO MAJOR DEPRESSIVE DISORDER

会议身份：conference:eusipco:2026:conference-paper-id:0000941

✅ 来源为官方会议 PDF；表格与 Figure 按原文证据绑定。PDF 公式以原页区域图片展示，未冒称作者原始 TeX。

会议来源：官方记录 · 官方 PDF

标签：#信号处理 #音乐 #脑信号 #音乐理解

评分：5.5/10 | 创新 1.1/2 | 技术严谨 1.0/1.5 | 实验充分 0.5/1.5 | 清晰度 0.7/1 | 影响力 0.5/1.5 | 开源 1.0/1.5 | 可复现 0.1/0.5 | 工程/实践 0.6/1.5

排名：前50% | 文档类型：应用研究

👥 作者与机构

• Mannone, Maria：机构信息未能从会议 PDF 纯文本可靠映射
• Ribino, Patrizia：机构信息未能从会议 PDF 纯文本可靠映射
• Fazio, Peppino：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

本文输入为管弦乐曲首分钟旋律音程序列与任务态脑电额叶导联时间序列，输出为递归量化特征、缺隙度曲线与跨模态局部密度相似度，难点在于音乐与脑电尺度语义迥异却需统一的非线性动力学可比描述。方法链第一步由钢琴卷帘提取每帧主导音高并经去重差分得到音程序列，对脑电则裁剪时间窗并降采样以控制计算量，输出可比的一维序列进入递归分析。第二步以固定阈值构建递归矩阵并计算递归率、层流性与确定性等指标，同时计算缺隙度曲线以刻画多尺度异质性与聚集结构。第三步将递归图分块平均为密度矩阵并向量化，以最大二维互相关作为局部密度相似度，度量粗粒化聚集结构的相似程度。相对需逐点对齐的传统交叉递归做法，该相似度只比较粗粒化密度并允许空间平移，因而能揭示不对齐却结构相似的隐藏关联并提升计算效率。在额叶导联任务态脑电测试条件下，重性抑郁障碍被试的层流性指标为0.42，高于正常对照的层流性指标0.34。上述结论适用边界受限于仅两名明确标注被试、六个额叶导联与三首曲目开端，不支持向抑郁诊断与作曲家心境因果解释的外推。原文未披露训练、推理或部署成本。

🔗 开源与复现资源

• 代码相关资源：https://codeberg.org/medusamedusa/music — 链接不可用（HTTP 404）
• 数据相关资源：https://openneuro.org/datasets/ds003478/versions/1.1.0 — 链接可访问（HTTP 200）
• 数据相关资源：https://openneuro.org/ — 链接可访问（HTTP 200）
• 第三方资源：https://www.pik-potsdam.de/∼donges/pyunicorn/ — 链接不可用（HTTP 404）
• 第三方资源：https://github.com/ToBra — 链接可访问（HTTP 200）
• 第三方资源：https://www.kunstderfuge.com/ — 链接可访问（HTTP 200） 可达状态仅表示本次链接检查结果，不代表许可证、本文权重或运行复现已验证。

🧭 深度解读

输入是什么，目标是什么，本文要解决哪类困惑？

本文的输入是两类时间序列。一类来自音乐，把管弦乐作品的开头转成旋律音程序列；另一类来自人脑，把执行编码任务时的多通道脑电转成采样后的电压序列。目标不是证明音乐引起脑电变化，也不是用音乐分类抑郁，而是检验复发特征在抑郁与非抑郁脑电之间是否存在差异，以及这些差异是否在结构上类比于不同性格管弦乐引子的复发模式差异。作者在摘要与引言中反复强调，这是一种结构相似性的设想，不是耦合或直接关联的寻找，这个限定决定了后文所有比较的解释边界。

对于刚进入音频与脑信号交叉领域的读者，第一个困惑是为什么缓慢乐章或反复出现的念头会被放在一起谈。原文的起点是现象类比，深沉悲伤状态的颜色可能是慢速运动与反复思维，而同样灵感的乐曲也渗透着类似气质。问题是如何把这种类比定量化。本文选择复发分析作为共同语言，因为音乐与脑电都可以表达为时间序列，而复发图能把何时回到相似状态画出来，递归定量分析能量化这种回到行为。学习依赖上，先要接受音乐被看作自主动力系统，保留创作所需的心理过程痕迹，再接受脑电正常与异常行为可以用复发度量区分，两条路线汇合才有跨域比较的动机。

必须保留的关键信息是探索性与方法学定位。作者明确说本研究是探索性和方法学的，样本很小，音乐只取每首作品的前 60 秒，脑电只选 2 名标注清晰的被试。因此任何音乐像抑郁或健康脑电的说法都只能读作复发结构在粗粒化密度上更对齐，不能读作诊断或审美判断。输出上，本文提供 3 组比较，音乐与音乐比较，脑电与脑电比较，以及用新量度做的音乐与脑电交叉比较，并讨论缺隙度曲线的多尺度行为。本文解读将沿着任务与相关路线、方法全景、组件计算、构造与推理流程、实验条件、结果与反证、复现与收束展开，所有数字回到原文证据核对。

已有路线做到哪里，本文的并置与它们有何不同？

在音乐一侧，已有工作把递归定量分析用于音乐时间序列，包括把音乐序列发展为最可能模式的预测算法、所谓非线性音乐分析，以及度量音乐作品结构相似性。这些工作的输入、目标和运行阶段都在音乐内部，监督来源是音乐自身的后续事件或结构标注，不涉及病理脑电。本文继承的是结构相似性度量这条线，但把它从音乐与音乐比较推广到音乐与脑电的交叉比较，这是运行阶段的变化，需要新的对齐工具。

在神经一侧，复发图帮助区分脑时间序列的正常与异常行为。在认知域，有工作用复发度量研究听者区分正确与错误句子的能力；在抑郁分类中，有工作把脑电非线性特征与机器学习结合区分正常与重性抑郁障碍患者，并报告抑郁组有更高的复发率。另有文献报告抑郁患者前额叶与边缘系统之间特定频带相干增强，以及任务相关脑活动在某些情况下组织性下降的相反观察。本文在脑电内部比较时沿用层流性、确定性和复发率等已有量，保持与文献可对话，但明确区分直接报告与有限解释，不把相关性说成因果。

本文的不同在于显式并置。作者说发展了已有文献中关于递归定量分析与缺隙度的成熟应用，走向音乐与病理脑电复发模式的显式平行比较，并形式化点密度相似性的直觉，提出局部密度相似性，以揭示需要对齐点的技术可能隐藏的结构。教学上可以这样理解，同输入的比较是音乐比音乐、同目标的比较是脑电分健康与抑郁，而本文新增的是跨域的结构类比层。类别差异不能当作同条件胜负，例如不能因为某乐段复发图看起来像健康脑电就说该乐段健康，原文也声明不做作品美丑评价，杰作也可以诞生于深重痛苦。

要回答的具体问题与不回答的问题是什么？

具体问题有 3 个。第一，不同性格的管弦乐引子在复发图上是否呈现可区分的层流性、确定性、复发率和缺隙度。第二，健康与重性抑郁障碍被试在执行任务时的脑电，在相同复发框架下是否呈现系统性差异，缺隙度是否一致地一侧更高。第三，能否构造一个允许平移的密度相似度量，使音乐引子与脑电通道的复发团块对齐程度可计算，并观察哪首引子更贴近健康动力学，哪首相对更贴近抑郁动力学。

不回答的问题同样重要。本文不回答音乐能否诊断抑郁，不回答脑电与音乐是否存在生理耦合，不回答作曲家心理状态与作品病理痕迹的对应关系。原文明确指出，乐曲中的病理元素一般不应被视为作者精神状态的痕迹，而应视为艺术家想要再现的过程之图像；柴可夫斯基本人抑郁史的传闻只作为美学讨论的注脚，不能作为证据链。对于初学者，常见误解是把结构相似读成因果或分类性能，本文没有训练分类器，没有报告敏感性特异性，也没有测量误判率与延迟，因此不能承诺任何诊断改善。

从可核对角度，问题必须绑定实验条件。音乐侧是三首作品的首 60 秒，脑电侧是 2 名青年男性被试的多通道记录，通道聚焦与前额认知情绪相关的若干导联，比较在固定阈值与降采样下进行。任何复述都应带上这些条件，否则数字失去意义。

方法全景：从波形到复发图再到跨域相似度如何走通？

沿一个样本走完全程有助于建立依赖关系。以贝多芬第七交响曲第四乐章开头为例，输入是管弦乐录音对应的文件，经处理得到主导音高序列，再差分得到旋律音程序列，取首 60 秒对应的事件序列作为待分析时间序列。对该序列计算两两欧氏距离，与阈值比较得到复发矩阵，画出来就是复发图，再从图上统计复发率、层流性、确定性，并计算缺隙度随盒子尺度的曲线。

脑电一侧以 1 名被试的一个通道为例，输入是连续电压记录，经选择时间窗与降采样得到待分析序列，同样计算复发矩阵与上述指标。最后把一首音乐的复发图与一个脑电通道的复发图分别做分块平均得到密度矩阵，归一化后做 2 维互相关并取最大值为局部密度相似性。

复发图 × 递归定量分析： 复发图负责把时间序列中任意两时刻状态是否足够接近画成黑白点阵，保留何时回到相似状态的全局结构；递归定量分析负责在该点阵上计数对角线、垂直线和点密度，分别得到确定性、层流性和复发率等可比指标，二者搭配的原因是前者提供可视结构而后者提供可统计量，组合后才能把音乐与脑电放在同一非线性框架下比较。

全景中的关键选择是阈值与距离。原文对音乐与脑电的复发可视化与度量使用欧氏距离，音乐侧经验阈值为固定值，脑电侧分两个测试用不同阈值与采样间隔，缺隙度用专门工具计算。这种安排的理由是计算可行性与可比性，在完整长时间脑电上用更小阈值与更稀疏采样以控制复发矩阵规模，在较短的 6 至 8 分钟窗内用较大阈值以保留足够点密度。初学者应先记住输入到表示到组件到目标的顺序，表示是复发矩阵，组件是各类计数与密度平均，目标是组间差异与跨域对齐，输出是可复述的表格与曲线，而不是标签预测。

复发矩阵与三个基本量如何计算？

复发矩阵的元素定义是核心操作。给定时间序列的状态向量、范数与阈值，若两个时刻状态之间的距离小于阈值，则对应矩阵元素为 1，否则为 0，这由阶跃函数实现。矩阵对称，对角线恒为 1。对角线段反映轨迹在一段时间内平行演化，垂直线段反映状态在一段时间内被捕获或缓慢变化。

基于此，复发率是矩阵中 1 的密度，层流性是构成长度不小于最小长度的垂直线的复发点占比，确定性是构成长度不小于最小长度的对角线的复发点占比，分布函数分别记为垂直线长度分布与对角线长度分布。原文给出这些量的求和表达式，教学时只需抓住分子是满足线结构条件的加权计数，分母是全部线结构的加权计数。

层流性 × 确定性： 层流性负责统计构成垂直线的复发点占比，反映系统停留在相近状态或缓慢变化的层流段多少；确定性负责统计构成对角线的复发点占比，反映轨迹段平行演化的可预测成分多少，二者搭配的原因是垂直与对角分别捕捉停留与跟随两种不同的回归方式，组合后可以区分持续音型多的悲伤乐段与快速级进多的紧张乐段。

计算目标与实现细节需要区分。原始目标是刻画动力学回归，近似是把连续距离二值化为是否回归，阈值选择决定近似的松紧。阈值过大则几乎全为回归点，层流性与确定性趋近于 1 而失去区分力；阈值过小则点过稀而统计不稳。原文提到若不做跨小节去重与音程化处理，所有乐曲的层流性与确定性都接近于 1，这说明表示构造直接影响指标有效性。原文未报告对角线最小长度与垂直最小长度的具体取值，这是一个具体缺项，复现时只能先沿用所用工具的默认值并明确记录，不能从方法名称推定实现。

复发率 × 粗粒化密度矩阵： 复发率负责计算复发矩阵中 1 元素占全部元素的比例，给出全局回归密度；粗粒化密度矩阵负责把复发图按输入网格尺寸划分为互不重叠块并在块内平均复发点，得到低分辨率的密度图以降低计算量并突出团块位置，二者搭配的原因是前者是单值全局量而后者保留空间分布，组合后局部密度相似性才能在分布层面比较音乐与脑电，而不是只比一个平均密度数。

缺隙度是另一类组件，度量复发图异质性程度。做法是在不同盒子尺度下统计每个盒子内点分布的均值与标准差，得到随尺度变化的曲线。曲线在较大盒子尺寸上振荡更大，长程成团与持续结构会抬高大尺度值，而在特定尺度上的异质行为会表现为下降。原文比较了不同盒子总数与尺寸范围下的曲线，说明多尺度视角是必要的，单点缺隙度值不足以代表纹理。

新量度局部密度相似性如何允许错位比较？

局部密度相似性的动机是克服逐点对齐的局限。音乐引子中更悲伤的序列可能不在开头第一拍，而是随时间略有偏移，若要求逐点对齐就会漏掉结构相似。做法是把每个复发图按输入网格尺寸划分为互不重叠块，在块内平均复发点得到密度矩阵，把高分辨率点阵压缩为低分辨率密度图以提高计算效率并突出团块。再把两个密度矩阵向量化并归一化为零均值单位方差，计算 2 维互相关在所有相对位移上的最大值作为相似值。接近 1 表示粗粒化团块非常相似，接近 0 表示无关，小于 0 表示反相关。

缺隙度 × 局部密度相似性： 缺隙度负责度量单个复发图内部点分布的非均匀与多尺度成团程度，回答一个图自身是否斑驳；局部密度相似性负责度量两个复发图经分块平均后的粗粒化密度矩阵之间的最大 2 维互相关，回答两个图在允许平移错位下是否具有相似的成团位置，二者搭配的原因是前者做图内异质性刻画而后者做图间结构对齐，组合后既能看健康与抑郁脑电各自的纹理，又能看音乐纹理更接近哪一类脑电。

沿样本走一遍，输入是贝多芬引子的复发矩阵与健康被试某通道的复发矩阵，网格尺寸决定分块数，输出是一个相似值与最优位移。归一化保证比较的是分布形状而非绝对密度，取最大互相关保证允许平移错位。原文还计算了由复发率、确定性、平均对角线长度、平均对角线熵、层流性和捕获时间组成的向量之间的欧氏距离作为对照，发现该距离的判别性不如局部密度相似性，且抑郁与柴可夫斯基引子之间的反向关系可能反映对齐差异，这正是引入新量度的理由。需要指出，该量度针对线性相似，原文在局限中承认更高级的非线性相似与完整曲式结构有待未来研究。

本研究训练了什么，没有训练什么，真实计算是什么？

本研究没有训练神经网络，没有优化器更新权重，没有梯度路径，没有训练集验证集划分下的模型拟合，也不能把参数冻结等同于确定性求解。该节按要求明确说明无训练阶段，真实计算是信号构造、复发矩阵计算与相似度搜索。音乐侧的构造是文件读取、钢琴卷帘采样、主导音高提取、重复坍缩与差分；脑电侧的构造是格式导入、时间窗裁剪与降采样；分析侧是距离矩阵阈值化、线结构计数、缺隙度多尺度计算与密度矩阵互相关最大值搜索。

主导音高 × 旋律音程序列： 主导音高负责在钢琴卷帘每 1 帧中取力度最大的音高编号并把连续重复帧坍缩为一个事件，解决多声部管弦乐如何压缩为单旋律线的问题；旋律音程序列负责对主导音高做 1 阶差分得到相邻事件的音高变化量，把关注点从绝对音高移到进行方向与步伐，二者搭配的原因是前者去复调化和去时值重复而后者突出乐思运动，组合后复发分析比较的是进行模式的回归而非音名重复。

伪代码层面，原文给出 4 个算法。音乐预处理对每首作品加载文件并计算钢琴卷帘，选首分钟，按帧取主导音高并坍缩重复，再差分得到序列后调用复发分析。脑电预处理对每个被试加载数据，对每个通道提取序列、选择时间窗与降采样后调用复发分析。复发分析输入序列、阈值与度量，输出复发率、层流性与确定性。局部密度相似性输入两个复发矩阵与网格尺寸，经粗粒化密度图、归一化、2 维互相关与取最大得到相似值与最优位移。

工具上，可视化与递归定量分析度量使用特定复发分析库，缺隙度使用专门工具，局部密度相似性的计算借助人工智能辅助实现。原文未报告降采样是抽取还是平均、未报告脑电是否滤波与去伪迹，仅说明未做额外伪迹校正，这些缺项在复现时必须原样保留不做自作主张的清洗。

数据、划分、采样与参数条件如何设置才可比？

音乐数据来自在线乐谱门户的数字乐谱文件，其中威尔第作品使用手抄钢琴版文件。考虑的三首作品是柴可夫斯基天鹅湖第二幕第十场、威尔第命运之力序曲开头、贝多芬第七交响曲第四乐章开头。只取每首作品前 60 秒，理由是乐曲身份常已由引子勾勒。数字乐谱经程序库转成采样率为 100 赫兹的钢琴卷帘，每帧取最大力度对应的音高编号为该帧主导音高，若连续帧主导音高相同则坍缩为单个事件，再做差分得到音程序列。只保留跨多小节的音符变化 1 次，聚焦变化而非孤立音符。

医疗数据来自开放平台的抑郁静息脑电数据集，包含大学生被试在编码任务中的记录，研究者根据抑郁量表高低分与临床访谈给出明确标注。本研究选 2 名标注清晰者，1 名为 19 岁男性当前重性抑郁障碍并共病惊恐与强迫障碍伴强迫行为，另 1 名为 18 岁男性不符合当前或既往重性抑郁障碍标准。电极排布遵循扩展 10-20 个系统，分析聚焦与认知情绪相关的前额通道。脑电以常用脑电分析包导入，为可比长度并避开起止瞬态，在其中一个测试中裁剪为每次记录第 6 至 8 分钟的 2 分钟区间，未做额外伪迹校正。

参数条件分两个测试。测试一用完整时间序列，每 10 个值采样一个，阈值较小；测试二用 6 至 8 分钟窗，每 3 个值采样一个，缺隙度每 10 个值采样一个，阈值较大。音乐侧固定阈值与欧氏距离，缺隙度在不同盒子数与尺寸范围下计算。公平性上，音乐内部比较共享同一音乐预处理与阈值，脑电内部比较共享同一测试内的阈值与采样，跨域比较经由粗粒化密度与归一化降低绝对密度差异的影响，但样本量极小仍是主要限制。

下表整理音乐侧层流性比较所用的条件与数值写法，表前提出的问题是三首引子在相同复发框架下层流性排序是否成立，公平条件是同为首 60 秒音程序列与同一阈值，指标方向是层流性越高表示停留型回归越多。

该表的主要收益是以可核对数字固定排序，柴可夫斯基高于威尔第并远高于贝多芬，支持持续音型与慢速运动带来更多垂直结构的直觉。具体代价是该结论依赖去重与音程化，若保留逐帧重复则三者都趋近于 1 而不可比；未胜出项是贝多芬引子层流性最低，但其确定性更高，不能单凭层流性判定结构丰富度。未评测边界是只用引子而非全曲，和声配器与力度等表现维度未进入序列。

复发计算的阈值与采样如何对应两个测试？

复述可运行策略需要把阈值、距离、时间窗与采样间隔放在同一视图。原文音乐侧用欧氏距离与固定阈值，脑电侧测试一用小阈值加稀疏采样处理完整序列，测试二用大阈值加较密采样处理中间 2 分钟窗，缺隙度因计算量单独用更稀疏采样。这种分工的理由是机器计算限制与点密度平衡，不是模型选择。初学者常见错误是把阈值当作普适常数，实际上阈值必须与序列幅度、长度和采样共同解读，跨测试直接比绝对值会误导。

下表整理两个测试与音乐分析的计算条件，表前提出的问题是在复现时如何不混淆阈值与采样，公平条件是按测试分别记录阈值、窗长与采样间隔，指标方向不涉及好坏，只涉及可运行性与可比性。

该表的主要收益是防止把测试一的小阈值结果与测试二的大阈值结果混为同一指标，复发率、层流性与确定性都随阈值单调敏感。具体代价是降采样细节未完全报告，抽取与平均会改变距离分布；反例是若在完整序列上沿用大阈值，矩阵规模与密度可能超出计算预算。未评测边界是未报告最小线长与嵌入参数，复现时需固定工具默认值并声明。

音乐之间、脑电之间各测出什么，主数字如何读？

音乐与音乐比较显示，天鹅湖选段层流性高于命运之力序曲引子，并远高于贝多芬第七交响曲第四乐章开头。原文进一步描述调性与节奏，柴可夫斯基选段为小调并有较长持续音程，威尔第与贝多芬引子呈快速级进，前者为小调后者为大调，贝多芬确定性更高且复发率最低。缺隙度在较大盒子尺寸上威尔第与贝多芬值更高而柴可夫斯基较低，曲线随盒子尺寸振荡，大尺寸振荡更大。教学例子是把持续音想成垂直线的来源，把级进模进想成对角线的来源，但这只是帮助记忆的例子，不能当作性质证明。

脑电与脑电比较显示，在所考虑的全部通道上，抑郁时间序列呈现更高的层流性、确定性和复发率，缺隙度则一致地正常脑电更高。原文说这证实了多数文献关于抑郁复发率更高的结果，同时与个别报告任务态抑郁活动组织性下降的发现冲突。通道覆盖前额与额中央区，作者联系前额与边缘系统相干增强的文献，但强调皮层脑电不能直接捕获杏仁核等深部结构，只能经网络活动间接近似。重提结果时增加的新对照是测试一与测试二趋势一致，尽管绝对值因阈值与采样不同而变化，这支持方向性判断而非数值本身。

跨域的局部密度相似性显示，贝多芬引子与健康脑电在所有通道上的相似度最高，健康减去抑郁的差值平均后，贝多芬最大，威尔第居中，柴可夫斯基最小。下表固定该差值平均的排序，表前提出的问题是哪首引子的复发团块更贴近健康动力学，公平条件是同一网格粗粒化与归一化互相关，指标方向是差值越大表示健康相对抑郁更贴近该音乐。

该表的主要收益是把视觉对应转为可计算排序，贝多芬引子复发结构更贴近健康动力学，抑郁脑电与这些音乐引子结构的对齐较弱。具体代价是样本仅 2 例且通道有限，总体趋势不等于每通道每步都成立；未胜出项是柴可夫斯基引子差值最小，原文明确说这不意味着柴可夫斯基与抑郁动力学直接对应。反证是基于向量欧氏距离的对照判别性较弱，且抑郁与柴可夫斯基的反向关系可能只是对齐偏移，恰好说明允许平移的局部密度相似性有增量作用。

缺隙度侧的平行证据是贝多芬或威尔第引子与正常脑电同为较高缺隙度，柴可夫斯基引子与抑郁同为较低缺隙度，但相关性不是因果，仍待验证。

去掉哪一步会怎样，哪些对照支持新量度的必要性？

原文没有神经网络意义上的消融，但有 3 类可视为对照的操作。第一，音乐预处理中若不做跨帧重复坍缩与音程化，层流性与确定性对所有乐曲都接近于 1。这说明表示构造是必要条件，去掉后指标失效，但不能反说加上后必然正确，只是恢复了区分力。第二，跨域比较中用递归定量向量欧氏距离作为对照，其判别性弱于局部密度相似性，且出现抑郁与柴可夫斯基引子的反向关系，作者解释为对齐问题。

这支持新量度处理平移错位的增量价值，但原文也承认该量度只针对线性相似。第三，缺隙度在不同盒子数与尺寸范围下重复计算，曲线形态随尺度变化，这说明单尺度值不可靠，多尺度是必要视角。

失败条件也值得记录。测试一的复发图与测试二的补充材料图在阈值与采样不同时绝对值不可直接比较，只能比较组间方向。向量距离对照的失败不是技术错误，而是证据表明逐点或向量整体距离会掩盖团块位置相似。对于初学者，关键是区分论文直接报告、有限解释与未验证推测。直接报告是组间均值方向与排序，有限解释是持续音型与层流的联系，未验证推测是悲伤音乐与抑郁动力学的美学联想，原文已用大量篇幅声明后者是过度简化的直觉，需听觉认知实验验证。

在什么边界内结论成立，哪些验证还没有做？

适用边界首先是样本量。音乐仅三首引子各 60 秒，脑电仅 2 名被试，足以做首次方法学演示，不足以支撑总体推断。任何把排序推广到作曲家风格或抑郁群体的说法都超出证据。其次是音乐表示的简化。序列只保留主导音高差分，和声组合、响度与配器等表现力来源未进入分析，原文明确说这是过度简化。

第三是脑电条件。记录来自编码任务态而非静息，通道只选若干前额相关导联，未做额外伪迹校正，降采样与阈值在两测试中不同，跨测试数值不可比。第四是量度本身。局部密度相似性针对线性相似，网格尺寸选择影响粗粒化程度，原文未系统报告网格敏感性。

未测量的量必须点名。未测量分类误判率、延迟、计算成本与帧率，未测量听众对乐段情绪的共享感知，未测量全曲结构与主题记忆的作用。原文在结论中提出未来可用保持能量的随机采样技术扩展大数据集，可做听觉认知测试验证感知一致性，可结合主题记忆与非马尔可夫性研究重复作为邻近点的含义。这些都是待验证方向，不是已验证收益。相关性不是因果，缺隙度同高或局部密度相似度高都不能读成音乐具有健康效应或悲伤音乐导致抑郁倾向。

复现先做什么，需要哪些代码数据与参数？

复现的第一步是拿到数据与确认可达状态。医疗数据当前可用，可从开放平台指定数据集版本下载，这是资源状态为可用时唯一可写的表述。在线乐谱门户当前可用，可获取数字乐谱文件，其中威尔第文件为手抄版本需单独确认。代码链接当前不可用，原文给出的代码地址返回缺失，补充材料地址同样不可用，因此不能写代码已公开或当前可用，只能写本次未能通过该链接获取代码，需按伪代码自行实现并记录版本。第三方复发分析库与缺隙度工具、钢琴卷帘处理库与脑电导入包需分别固定版本，原文已给出欧氏距离与阈值条件，缺失的最小线长与嵌入参数需声明采用默认值。

第二步是按算法重放。音乐侧加载文件并计算钢琴卷帘，选首分钟，按帧取主导音高并坍缩重复，差分后调用复发分析；脑电侧导入数据，按测试选择完整序列每 10 个值采样或 6 至 8 分钟窗每 3 个值采样，缺隙度每 10 个值采样，分别用小阈值与大阈值计算。第三步是核对中间物。先看复发图是否出现天鹅湖团块更弥散而贝多芬更具对角结构的视觉差异，再核对层流性排序与脑电组间方向，最后计算局部密度相似性差值排序。

任何一步若阈值或采样与原文不一致，应先回到原文核对而不是调参凑结论。硬件预算原文未报告，复现时应记录矩阵规模、内存与耗时，以补上成本证据的缺项。

何时值得尝试这种并置，研究者应带走什么？

当研究目标是为音乐与脑电寻找共同的动力学术语，而非证明因果或构建诊断器时，这种并置值得尝试。它的价值在于把回归、停留、跟随与异质性变成可计算的图与数，使不同性格乐段与不同组脑电可以在同一坐标下讨论。若目标是分类性能，应另选有监督学习与交叉验证路线，本文不提供该证据。若目标是感知验证，应补听觉实验，让听众对乐段与全曲的情绪判断与复发特征对照，这是原文明确留出的下一步。

带走的具体动作有三项。一是表示先行，先固定主导音高坍缩与差分、时间窗与采样，再谈阈值，否则复发率与层流性不可比。二是多尺度阅读缺隙度，不只看单点值，看曲线随盒子尺寸的抬升、下降与振荡，并区分长程成团与特定尺度异质。三是跨域比较时优先用允许平移的密度相似，而非逐点距离或单向量距离，同时保留向量距离作为反证，观察判别性差异。最终判断应保留为探索性，在小样本与引子限制下，贝多芬引子更贴近健康脑电的复发团块，柴可夫斯基引子相对差异最小，但这只是结构相似的设想，有待更大样本、完整曲式与非线性相似方法的验证。

📐 原文公式与排版

以下展示论文原页中的数学表达区域，保留原始上下标、分式和符号排版。区域序号仅用于本文导航，不是论文公式编号。

区域 1 · 查看论文原页

区域 2 · 查看论文原页

区域 3 · 查看论文原页

区域 4 · 查看论文原页

区域 5 · 查看论文原页

另有 11 个候选区域因边界不明确或图片数量、尺寸限制未展开；请查看完整论文中的原始排版。

⚖️ 评分明细

评分属于系统判断，不是论文实验结果；八维数值与总分见页首，原始审计记录保留在后端。

• 评分规则：type-aware-v1
• 评分模型：muse-spark-1.3-contributor
• 评分请求协议：openai_responses

← 返回 eusipco-2026 论文汇总