A Minimalist Brain-Computer Musical Interface for Real-Time Emotion-Driven Sonification: System Design and Preliminary Evaluation

Resumen Técnico: Una Interfaz Cerebro-Música Minimalista para la Sonificación en Tiempo Real Impulsada por las Emociones

Planteamiento del Problema
Las Interfaces Cerebro-Música (BCMI) existentes suelen depender de matrices densas de electrodos de EEG, configuraciones complejas de laboratorio o procesos de aprendizaje automático computacionalmente costosos, lo que limita su portabilidad y accesibilidad. Además, aunque la hipótesis de la Asimetría Alfa Frontal (AFA) es un modelo bien establecido para vincular la actividad neural prefrontal con la valencia emocional (motivación de aproximación-evitación), su fiabilidad como señal de control voluntario en un contexto de bucle cerrado y en tiempo real sigue siendo poco explorada. El artículo aborda el desafío de determinar si una configuración de EEG minimalista de dos canales puede soportar eficazmente la generación de música impulsada por emociones en tiempo real y si los usuarios pueden modular voluntariamente esta señal para inducir estados emocionales específicos (alegre vs. triste).

Metodología
El estudio empleó un diseño experimental de medidas repetidas dentro de los sujetos con 22 participantes sanos. La arquitectura del sistema integra cuatro subsistemas primarios:

1. Hardware: Un sensor inalámbrico BITalino (r)evolution Plugged Kit BT adquirió señales de EEG de dos electrodos prefrontales (AF7 y AF8) a 1000 Hz, referenciados a A2.
2. Procesamiento de Señales: Una aplicación multihilo basada en Python procesó las señales en tiempo real. La densidad espectral de potencia (PSD) se calculó mediante el método de Welch para extraer la potencia alfa (8–13 Hz) y beta (14–29 Hz). La valencia emocional se estimó utilizando la Hipótesis de la Actividad Frontal Asimétrica (AFAH), calculando una puntuación normalizada basada en la diferencia de la potencia alfa entre AF7 y AF8.
3. Generación de Música: Un motor estocástico basado en reglas, adaptado de Ehrlich et al., mapeó la estimación continua de la valencia a parámetros musicales. Una valencia alta activó modos mayores (ej. Lidio, Jónico), tempos rápidos, densidad rítmica alta y registros de tono más altos. Una valancia baja activó modos menores (ej. Frigio, Locrio), tempos lentos, texturas dispersas y registros más bajos. El sistema generó progresiones de acordes I–IV–V–I de cuatro compases dentro de una tradición tonal occidental.
4. Integración de Bucle Cerrado: El sistema operó a través del protocolo Lab Streaming Layer (LSL), sincronizando los datos de EEG, los marcadores de eventos y la salida MIDI hacia Ableton Live 11. Los participantes recibieron instrucciones auditivas para inducir estados "alegres" o "tristes" mientras escuchaban la música generada por su propia actividad neural.

El experimento consistió en 16 ensayos (8 alegres, 8 tristes) por participante, cada uno incluyendo una línea base silenciosa, una instrucción auditiva y una fase de retroalimentación musical de 30 segundos. El análisis de datos utilizó Modelos Mixtos Lineales (LMM) para evaluar el impacto de la emoción objetivo y el tiempo sobre la señal de emoción predicha, controlando variables de confusión a nivel de participante como el entrenamiento musical, la experiencia actoral y el uso de medicación.

Contribuciones Clave
El artículo presenta tres contribuciones primarias:

1. Arquitectura del Sistema: Un marco de BCMI plenamente especificado y reproducible utilizando una configuración de EEG prefrontal de dos canales, adquisición de bioseñales inalámbricas y un motor de música generativa parametrizable integrado con una estación de trabajo de audio digital (DAW) comercial.
2. Formalización del Mapeo: Una descripción detallada del mapeo emoción-música, definiendo la transformación de las estimaciones continuas de valencia en modos armónicos específicos, tempo, densidad rítmica, registro de tono y sonoridad mediante reglas probabilísticas.
3. Evaluación Empírica: Una evaluación experimental preliminar (N=22) que establece una línea base empírica para las limitaciones de los enfoques impulsados por la AFAH en contextos volitivos de bucle cerrado, reportando explícitamente hallazgos nulos respecto a la capacidad del sistema para distinguir estados emocionales instruidos.

Resultos
Los resultados experimentales indicaron que la señal de neurofeedback del sistema no diferenció de manera fiable entre los estados emocionales instructivos "alegre" y "triste".

• Efectos Primarios: El análisis de modelos mixtos lineales reveló que no hubo un efecto principal significativo de la emoción objetivo ($p = .124$) y no hubo una interacción significativa entre la emoción objetivo y el tiempo ($p = .666$). Las trayectorias de la señal de emoción predicha se solaparon significativamente entre las condiciones.
• Descomposición de la Varianza: La manipulación experimental (emoción objetivo) explicó solo el 0.40% de la varianza total de la señal. La mayor parte de la varianza fue no explicada (76.45% residual) o atribuida a fluctuaciones de ensayo a ensayo (16.98%).
• Diferencias Individuales: Las variables de confusión a nivel de participante explicaron más varianza que la manipulación experimental. Específicamente, el entrenamiento musical formal se asoció positivamente con la señal ($p = .005$), mientras que la formación actoral formal se asoció negativamente ($p = .026$).

Significancia y Reivindicaciones
Los autores afirman explícitamente que estos hallazgos no deben interpretarse como un fallo del concepto de BCMI en un sentido amplio, sino como una caracterización empírica transparente de las limitaciones del enfoque impulsado por la AFAH en un contexto volitivo de bucle cerrado. El artículo sostiene que:

• Línea Base Metodológica: El estudio establece una línea base empírica necesaria para futuros refinamientos metodológicos, destacando que la asimetría alfa frontal puede carecer de la sensibilidad para detectar la modulación emocional voluntaria cuando los usuarios están simultáneamente comprometidos en la regulación emocional y la apreciación musical.
• Implicaciones de Diseño: Los resultados subrayan la brecha entre los modelos teóricos validados en paradigmas pasivos y su desempeño en interacciones activas de bucle cerrado. La alta proporción de varianza no explicada sugiere que una sonificación afectiva robusta podría requerir la integración fisiológica multimodal (por ejemplo, combinando EEG con actividad electrodérmica o variabilidad de la frecuencia cardíaca).
• Especificidad del Usuario: La influencia significativa de las diferencias individuales (musicalidad, experiencia actoral) refuerza la necesidad de estrategias de calibración personalizada en futuros sistemas BCMI afectivos.
• Ciencia Abierta: El artículo contribuye con una base reproducible para el campo al hacer que la arquitectura del sistema, la implementación del software y el conjunto completo de datos experimentales estén disponibles públicamente, con el fin de facilitar la replicación y extensión por parte de la comunidad de computación afectiva.