音乐治疗民主化：基于大语言模型的自动化脑电图分析与进展追踪，面向低成本家用设备
人机交互
2026-04-27 v2
摘要
家用音乐治疗设备需要经济实惠且易于获取的解决方案，以便用户理解和追踪其治疗进展。传统的生理信号分析，尤其是脑电图解读，高度依赖领域专家，这为可扩展性和家庭普及设置了障碍。同时，鲜有专家既能解读生理信号数据，又能给出有针对性的音乐推荐。尽管大语言模型（LLMs）在诸多领域展现出潜力，但其在音乐治疗中用于自动化生理报告生成的应用仍是一项未被探索的任务。我们展示了一个原型系统，利用大语言模型弥合这一差距——将原始脑电图和心血管数据转化为人类可读的治疗报告和个性化音乐推荐。与先前专注于聆听过程中实时生理适应的研究不同，我们的方法强调会话后分析与可解读的报告，使非专业用户能够理解其心理生理状态，并随时间追踪治疗结果。通过将信号处理模块与基于大语言模型的推理智能体相结合，该系统为家庭音乐治疗环境中的短期进展监测提供了一种实用且低成本的解决方案。这项工作证明了将大语言模型应用于一项新任务的可行性——通过自动化、可解读的报告，使生理驱动的音乐治疗得以普及。
引用
@article{arxiv.2601.12280,
title = {Democratizing Music Therapy: LLM-Based Automated EEG Analysis and Progress Tracking for Low-Cost Home Devices},
author = {Huixin Xue and Guangjun Xu and Shihong Ren and Xian Gao and Ruian Tie and Zhen Zhou and Hao Liu and Yue Gao},
journal= {arXiv preprint arXiv:2601.12280},
year = {2026}
}
备注
Withdrawn by the authors due to issues in the experimental validation and interpretation of EEG-derived measures, which may affect the reliability of the reported results and conclusions. The current version should not be cited as a reliable reference