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

Este trabalho apresenta um protótipo de sistema que utiliza modelos de linguagem de grande escala (LLMs) para transformar dados de EEG e sinais cardiovasculares em relatórios terapêuticos interpretáveis e recomendações musicais personalizadas, visando democratizar o monitoramento do progresso da musicoterapia em dispositivos domésticos de baixo custo.

O essencial

🎵 O "Tradutor de Almas" Musical: Como a IA está transformando ondas cerebrais em música personalizada

Imagine que o seu cérebro é uma orquestra invisível. Quando você está estressado, os violinos tocam freneticamente e os tambores batem sem ritmo; quando você está relaxado, a música é suave, como um piano ao entardecer. O problema é que, até agora, só os "maestros especialistas" (os médicos e neurocientistas) conseguiam entender o que essa orquestra estava tocando. Para o resto de nós, o som do nosso cérebro é apenas um ruído incompreensível.

Este estudo apresenta uma tecnologia que funciona como um tradutor universal para essa orquestra interna.

🧠 O Problema: O "Muro de Vidro" da Ciência

Hoje, se você usar um dispositivo para medir suas ondas cerebrais (EEG) em casa, você terá uma montanha de gráficos complicados e números estranhos. É como se você recebesse uma partitura musical escrita em uma língua antiga que você não sabe ler. Você sabe que algo aconteceu, mas não sabe se a sua "música interna" está em harmonia ou em caos.

💡 A Solução: O "Maestro de Inteligência Artificial"

Os pesquisadores criaram um sistema que usa a Inteligência Artificial (LLM) — o mesmo tipo de tecnologia por trás do ChatGPT — para agir como um intérprete.

O processo funciona assim:

1. O Microfone Sensível (Sensores): Você usa uma faixa na testa (como uma testeira de atleta, mas tecnológica) que "ouve" os sinais elétricos do seu cérebro e mede seus batimentos cardíacos.
2. O Analista de Dados (O Processamento): O sistema pega esses sinais brutos e os transforma em informações organizadas (como separar os instrumentos da orquestra).
3. O Intérprete Inteligente (A IA): Em vez de te entregar um gráfico de linhas confuso, a IA lê esses dados e escreve um relatório em português claro. Ela te diz algo como: "Olha, seus batimentos estão calmos, mas sua atividade cerebral mostra que você ainda está um pouco ansioso, como se estivesse esperando um susto".
4. A Receita Musical (Recomendação): Com base nesse "diagnóstico", a IA não apenas te explica o que aconteceu, mas também te dá a "cura" musical. Ela escolhe músicas com o ritmo (BPM) e as frequências exatas para ajudar seu cérebro a voltar ao equilíbrio.

🎼 Uma Analogia para Entender o Sistema

Pense no sistema como um Personal Trainer para a sua mente:

• O EEG é o seu relógio inteligente medindo o suor e o cansaço.
• A IA é o treinador que olha para os dados e diz: "Você está muito tenso nos ombros, vamos fazer um alongamento suave agora".
• A Música é o alongamento propriamente dito, ajustado exatamente para o que o seu corpo precisa naquele momento.

🚀 Por que isso é importante? (A Democratização)

O grande objetivo aqui é a democratização. Atualmente, a musicoterapia de alta precisão é cara e exige especialistas. Este projeto mostra que, com dispositivos de baixo custo e uma IA inteligente, qualquer pessoa pode ter um "terapeuta musical particular" em casa, ajudando a gerenciar o estresse, a ansiedade e o sono de forma científica, mas sem precisar de um doutorado para entender os resultados.

Em resumo: Eles criaram uma ponte entre a ciência complexa do cérebro e o conforto de uma boa música, permitindo que você entenda sua própria mente através do som.

Resumo técnico

Resumo Técnico: Democratização da Musicoterapia via LLM

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

1. O Problema

A musicoterapia é eficaz para tratar estresse, ansiedade e distúrbios do sono, mas a transição para o ambiente doméstico enfrenta dois obstáculos principais:

• Barreira de Especialização: A interpretação de sinais fisiológicos, especialmente o Eletroencefalograma (EEG), exige especialistas treinados. Usuários comuns possuem dados, mas não conseguem interpretá-los para saber se a terapia está funcionando.
• Lacuna de Interpretabilidade: Sistemas atuais focam em adaptação em tempo real (mudar a música enquanto se ouve), mas negligenciam a análise post-hoc (pós-sessão). Ferramentas clínicas geram gráficos técnicos incompreensíveis para leigos, enquanto dispositivos de consumo fornecem dados brutos sem contexto.

2. Metodologia

Os autores propõem um sistema baseado em um agente de Inteligência Artificial (LLM) integrado a um "Pod de Musicoterapia". A arquitetura divide-se em três componentes principais:

• Processamento de Sinais (Módulo de Extração de Características):

  • EEG: Utiliza um headband de canal único (AF3) para coletar dados de voltagem. O sinal passa por filtragem passa-banda (Butterworth de 4ª ordem) para decompor as ondas em quatro bandas canônicas: Delta (0.5-4 Hz), Theta (4-8 Hz), Alpha (8-13 Hz) e Beta (13-30 Hz).
  • Análise de Envelope e Tendência: Utiliza a Transformada de Hilbert para extrair o envelope de amplitude e a Transformada Rápida de Fourier (FFT) para identificar a frequência dominante. Compara-se a mediana da primeira e segunda metade da sessão para determinar tendências de energia (crescente ou decrescente).
  • Cardiovascular: Coleta frequência cardíaca (HR) e saturação de oxigênio (SpO2) via oxímetro de pulso.

• Agente de Raciocínio Cognitivo (LLM):

  • Utiliza o modelo Qwen3 32B como motor de raciocínio.
  • Framework de Chamada de Função (Function Calling): Em vez de pedir ao LLM para "adivinhar" o sinal (o que causa alucinações), o sistema usa uma ferramenta de processamento de EEG. O LLM invoca a função process_eeg, recebe os dados estruturados (JSON) e, então, sintetiza um relatório em linguagem natural.
  • Prompt Engineering: O modelo é configurado com o papel de "Especialista em Análise de Sinais Cerebrais e Musicoterapia".

• Motor de Recomendação Musical:

  • Utiliza Geração Aumentada de Recuperação (RAG) para cruzar os dados fisiológicos com uma biblioteca de músicas curadas.
  • A recomendação é baseada em dois contextos: Relaxamento (BPM da música próximo ou abaixo da frequência cardíaca de repouso) ou Atividade Física (BPM elevado).

3. Principais Contribuições

• Integração Multimodal: Unifica a análise de sinais neurofisiológicos com o planejamento musical em um único pipeline interpretável.
• Abordagem de Baixo Custo: Demonstra que é possível obter insights terapêuticos significativos usando hardware de consumo (headbands de ~$200 USD) em vez de equipamentos clínicos caros.
• Foco na Interpretabilidade: Transforma dados complexos de oscilações neurais em relatórios humanizados que incluem: análise do estado psicofisiológico, recomendações de protocolos sonoros (ex: batidas binaurais) e sugestões de músicas específicas.

4. Resultados

• Avaliação de Especialistas: O método proposto (LLM + Ferramentas de Processamento) superou significativamente os modelos de linguagem puros (Qwen-plus e GPT-5) em termos de qualidade clínica e precisão analítica. O método proposto obteve uma pontuação média de 15.15, enquanto o GPT-5 (sem ferramentas) obteve apenas 2.12, evidenciando que o uso de ferramentas de processamento de sinal elimina o problema de "alucinação" do LLM.
• Estudo com Usuários: O sistema mostrou capacidade de refletir estados emocionais reais. Grupos com altos níveis de emoção positiva apresentaram escores de tendência emocional significativamente maiores nos relatórios gerados, validando a precisão da análise de sentimento do sistema.

5. Significância

O trabalho demonstra a viabilidade de democratizar o acompanhamento da musicoterapia. Ao mover o foco da análise técnica para a interpretação baseada em linguagem natural, o sistema permite que usuários comuns monitorem seu progresso terapêutico de forma autônoma, transformando dispositivos de bem-estar passivos em ferramentas de autogestão de saúde mental baseadas em evidências.