Democratizing Music Therapy: LLM-Based Automated EEG Analysis and Progress Tracking for Low-Cost Home Devices

本論文は、LLM（大規模言語モデル）を活用して脳波や心血管データを解析し、専門知識のないユーザーでも自宅で治療の進捗を理解できるよう、解釈可能なレポートとパーソナライズされた音楽推奨を提供する低コストな音楽療法支援システムの提案です。

要約

タイトル：あなたの「心の音」を読み解く、AI音楽セラピスト

想像してみてください。あなたは最近、少し疲れが溜まっていて、リラックスしたいと思っています。家で音楽を聴いて癒やされようとしているけれど、「今の自分に本当に必要な音楽って何だろう？」「この音楽を聴いて、本当にリラックスできているのかな？」と、ふと不安になることはありませんか？

この論文は、そんな**「自分にぴったりの癒やし」を、AIが科学的なデータに基づいて教えてくれる魔法のようなシステム**についての研究です。

1. 今までの悩み：専門家がいなきゃいけない「難解なデータ」

これまでの技術では、脳波（脳の電気信号）を測ることはできても、そのデータはまるで「宇宙人の暗号」のように複雑でした。
「脳波のアルファ波がどうこう…」と言われても、一般の人にはさっぱり分かりません。その暗号を解読して、「あなたは今、少し緊張していますね。こういう音楽がおすすめですよ」と優しく教えてくれるには、高価な機材と、何年も勉強した専門家が必要だったのです。

これでは、お家で気軽に音楽セラピーを楽しむことはできません。

2. この研究のアイデア：AIを「通訳者」にする

そこで研究チームは、「最新のAI（大規模言語モデル）」を、脳波の暗号を解読する「超優秀な通訳者」として雇うことにしました。

仕組みはこんな感じです：

1. センサーでキャッチ： 安価なヘッドバンド型のデバイスを頭につけて音楽を聴くと、脳波や心拍数が記録されます。
2. AIが分析： AIがその複雑な数字の羅列を読み取り、「あ、今はリラックスしているけれど、少しだけ不安な波も混ざっていますね」と、まるで人間のように理解します。
3. レポートを作成： AIは、その結果を「専門用語だらけの難しいグラフ」ではなく、**「あなたへの手紙」**のような分かりやすい言葉で教えてくれます。
   • 例：「今日は少し脳が興奮気味です。次は、もっとゆったりしたリズムの曲を聴くと、深い眠りに入りやすくなりますよ」
4. 音楽を提案： さらに、その時のあなたの状態にぴったりの曲を、AIが自動で見つけてきてくれます。

3. 例え話で言うなら：「パーソナル・トレーナー」

このシステムは、いわば**「音楽版のパーソナル・トレーナー」**です。

ジムに行って、ただ走り続けるだけでは、自分が成長しているか分かりませんよね？ でも、プロのトレーナーが「今の心拍数はこれくらいだから、もう少しペースを上げましょう」「今日は疲れが見えるので、ストレッチにしましょう」とアドバイスをくれたら、もっと効果的にトレーニングできます。

この研究は、「音楽を聴く」という体験に、AIというトレーナーを付けることで、ただの娯楽を「確かな癒やしの時間」に変えるものなのです。

4. 何がすごいの？

• 安くて簡単： 高価な医療機器ではなく、家庭で使えるような手軽なデバイスで動くことを目指しています。
• 「なぜ？」が分かる： 単に「この曲を聴いて」と言うだけでなく、「あなたの脳の状態がこうだから、この曲です」という理由を教えてくれるので、納得感があります。
• 成長が見える： 毎日記録することで、「以前よりリラックスしやすくなってきたな」と、自分の心の変化を実感できます。

まとめ

この研究は、「科学的なデータ」と「心に響く音楽」の間に、AIという架け橋を架けるものです。これにより、誰もが自宅にいながらにして、自分専用の音楽セラピーを受けられる未来を目指しています。

技術概要

技術要約：LLMを用いた低コスト家庭用デバイス向け自動EEG解析および音楽療法進捗管理システム

1. 背景と課題 (Problem)

音楽療法はストレスや不安、睡眠障害の改善に有効ですが、家庭での導入には大きな障壁があります。

• 専門知識の欠如: 脳波（EEG）などの生理学的信号を解釈し、治療効果を判断するには専門家が必要であり、コストとスケーラビリティの面で家庭利用には不向きです。
• データの解釈不能: 消費者向けデバイスは生のデータを提供しますが、ユーザーが「治療が効果的か」「次にどう調整すべきか」を理解するための、人間が読める形式のレポートや具体的なアドバイスが不足しています。
• 既存研究の限界: 従来の生理学的音楽システムは「聴取中のリアルタイムな音楽変化」に焦点を当てており、セッション後の「事後分析」や「長期的な進捗の可視化」という、ユーザーの理解を助ける機能が軽視されてきました。

2. 提案手法 (Methodology)

本研究では、大規模言語モデル（LLM）を活用して、生の生理学的信号を解釈可能なレポートとパーソナライズされた音楽推奨へと変換する、エンドツーエンドのフレームワークを提案しています。

システムアーキテクチャ

システムは以下の3つの主要コンポーネントで構成されています。

1. EEG信号処理モジュール (Feature Extraction):
   • 単一チャネルのEEGデータに対し、バンドパスフィルタリングとヒルベルト変換を適用。
   • デルタ、シータ、アルファ、ベータの4つの周波数帯域における「エネルギー傾向（増加/減少）」と「優勢周波数（Dominant Frequency）」を算出します。
2. LLM駆動型認知推論エージェント (Cognitive Reasoning Agent):
   • モデル: Qwen3 32Bを採用。
   • ツール利用 (Function Calling): LLMが直接信号を読み取るのではなく、Pythonで記述された信号処理ツール（process_eeg）を呼び出し、計算結果（JSON形式）を受け取ることで、数値的な正確性を担保し、ハルシネーション（もっともらしい嘘）を抑制します。
   • プロンプトエンジニアリング: 「脳信号解析および音楽療法エキスパート」としての役割を与え、解析結果を神経科学的知見に基づいた自然言語のレポートへと統合します。
3. 生理学的情報に基づく音楽推奨エンジン (Music Recommendation Engine):
   • RAG (Retrieval-Augmented Generation): 心拍数（BPM）に基づき、事前に用意された音楽ライブラリから最適な楽曲を検索します。
   • 統合戦略: EEGから得られた精神状態と、心拍数から得られた身体状態の両方を組み合わせ、リラクゼーションまたは運動に適した音楽を推奨します。

3. 主な貢献 (Key Contributions)

• LLMの新しい応用領域の開拓: 生の生理学的信号を「解釈可能な治療レポート」および「実行可能な音楽パラメータ」へと変換する、音楽療法におけるLLMの活用可能性を実証しました。
• ツール統合型エージェント設計: LLMの推論能力と、従来の信号処理アルゴリズムの正確性を組み合わせることで、専門家レベルの解析を低コストな環境で実現する設計指針を示しました。
• 事後分析への焦点: リアルタイム制御だけでなく、ユーザーが自身の進捗を追跡できる「事後レポート」に重点を置いたことで、音楽療法の民主化（アクセスの容易化）に貢献しました。

4. 実験結果 (Results)

専門家による評価 (Expert Evaluation)

生成されたレポートの臨床的妥当性を、神経科学および音楽療法の専門家がブラインドテストで評価しました。

• 提案手法: 平均スコア 15.15
• 比較対象 (Qwen-plus): 平均スコア 12.73
• 比較対象 (GPT-5直接プロンプト): 平均スコア 2.12
• 結論: ツールを利用した提案手法が、直接LLMに信号を読み込ませる手法よりも圧倒的に高い精度と一貫性を示しました。

ユーザー調査 (User Study)

33名のボランティアを対象に、レポートの感情的傾向を分析しました。

• 高感情グループ（リラックス状態など）のレポートには、ポジティブなキーワード（"relaxed", "focused"等）が多く含まれており、システムの解析結果がユーザーの主観的な感覚と一致していることが確認されました。

5. 意義 (Significance)

本研究は、高価な臨床設備や専門家がいなくても、安価な消費者向けデバイス（EEGヘッドバンドやパルスオキシメータ）とLLMを組み合わせることで、「高度な生理学的知見に基づいたパーソナライズド音楽療法」を家庭で実現できることを示しました。これは、メンタルヘルスケアのスケールアップと、ユーザー主導のセルフケアを促進する重要な一歩となります。