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

Resumo Técnico: Uma Interface Cérebro-Música Minimalista para Sonificação Orientada por Emoção em Tempo Real

Problema
As Interfaces Cérebro-Música (BCMIs) existentes frequentemente dependem de arranjos densos de eletrodos de EEG, configurações laboratoriais complexas ou pipelines de aprendizado de máquina computacionalmente dispendiosos, o que limita sua portabilidade e acessibilidade. Além disso, embora a hipótese da Assimetria do Alfa Frontal (AFA) seja um modelo bem estabeleado para vincular a atividade neural pré-frontal à valência emocional (motivação de aproximação-retraimento), sua confiabilidade como um sinal de controle voluntário em um contexto de malha fechada (closed-loop) e tempo real permanece subexplorada. O artigo aborda o desafio de determinar se uma configuração de EEG minimalista de dois canais pode suportar efetivamente a geração de música orientada por emoção em tempo real e se os usuários podem modular voluntariamente esse sinal para induzir estados emocionais específicos (feliz vs. triste).

Metodologia
O estudo empregou um design experimental de medidas repetidas, dentro de sujeitos, com 22 participantes saudáveis. A arquitetura do sistema integra quatro subsistemas primários:

1. Hardware: Um sensor sem fio BITalino (r)evolution Plugged Kit BT adquiriu sinais de EEG de dois eletrodos pré-frontais (AF7 e AF8) a 1000 Hz, referenciados a A2.
2. Processamento de Sinal: Uma aplicação multithread baseada em Python processou os sinais em tempo real. A densidade espectral de potência (PSD) foi computada usando o método de Welch para extrair a potência alfa (8–13 Hz) e beta (14–29 Hz). A valência emocional foi estimada utilizando a Hipótese da Atividade Frontal Assimétrica (AFAH), calculando um escore normalizado baseado na diferença de potência alfa entre AF7 e AF8.
3. Geração de Música: Um motor estocástico baseado em regras, adaptado de Ehrlich et al., mapeou a estimativa contínua de valência para parâmetros musicais. A alta valência disparou modos maiores (ex: Lídio, Jônico), tempos rápidos, densidade rítmica alta e registros de tom mais elevados. A baixa valência disparou modos menores (ex: Frígio, Lócrio), tempos lentos, texturas esparsas e registros mais baixos. O sistema gerou progressões de acordes I–IV–V–I de quatro compassos dentro de uma tradição tonal ocidental.
4. Integração de Malha Fechada (Closed-Loop): O sistema operou via protocolo Lab Streaming Layer (LSL), sincronizando dados de EEG, marcadores de eventos e saída MIDI para o Ableton Live 11. Os participantes receberam instruções auditivas para induzir estados "felizes" ou "tristes" enquanto ouviam a música gerada pela própria atividade neural.

O experimento consistiu em 16 tentativas (8 felizes, 8 tristes) por participante, cada uma incluindo uma linha de base silenciosa, uma instrução auditiva e uma fase de feedback musical de 30 segundos. A análise de dados utilizou Modelos Mistos Lineares (LMMs) para avaliar o impacto da emoção alvo e do tempo no sinal de emoção previsto, controlando covariáveis de nível de participante, como treinamento musical, experiência em atuação e uso de medicamentos.

Principais Contribuições
O artigo apresenta três contribuições primárias:

1. Arquitetura do Sistema: Um framework de BCMI totalmente especificado e reprodutível utilizando uma configuração de EEG pré-frontal de dois canais, aquisição de sinais biológicos sem fio e um motor de música generativa parametrizável integrado a uma DAW comercial.
2. Formalização do Mapeamento: Uma descrição detalhada do mapeamento emoção-música, definindo a transformação das estimativas contínuas de valência em modos harmônicos específicos, tempo, densidade rítmica, registro de tom e sonoridade através de regras probabilísticas.
3. Avaliação Empírica: Uma avaliação experimental preliminar (N=22) que estabelece uma linha de base empírica para as limitações das abordagens baseadas em AFAH em contextos volitivos de malha fechada, relatando explicitamente achados nulos quanto à capacidade do sistema de distinguir estados emocionais instruídos.

Resultos
Os resultados experimentais indicaram que o sinal de neurofeedback do sistema não diferenciou de forma confiável entre os estados emocionais instruídos como "felizes" ou "tristes".

• Efeitos Primários: A análise de modelos mistos lineares não revelou um efeito principal significativo da emoção alvo ($p = .124$) e nenhum efeito de interação significativo entre a emoção alvo e o tempo ($p = .666$). As trajetórias da estimativa de emoção prevista sobrepuseram-se significativamente entre as condições.
• Decomposição de Variância: A manipulação experimental (emoção alvo) explicou apenas 0,40% da variância total do sinal. A maior parte da variância não foi explicada (76,45% residual) ou foi atribuída a flutuações de tentativa para tentativa (16,98%).
• Diferenças Individuais: Covariáveis de nível de participante explicaram mais variância do que a manipulação experimental. Especificamente, o treinamento musical formal foi positivamente associado ao sinal ($p = .005$), enquanto o treinamento formal em atuação foi negativamente associado ($p = .026$).

Significância e Alegações
Os autores afirmam explicitamente que esses achados não devem ser interpretados como uma falha do conceito de BCMI de forma ampla, mas sim como uma caracterização empírica transparente das limitações da abordagem baseada em AFAH em um contexto volitivo de malha fechada. O artigo alega que:

• Linha de Base Metodológica: O estudo estabelece uma linha de base empírica necessária para futuros refinamentos metodológicos, destacando que a assimetria alfa frontal pode carecer de sensibilidade para detectar a modulação emocional voluntária quando os usuários estão simultaneamente engajados na regulação emocional e na apreciação musical.
• Implicações de Design: Os resultados enfatizam a lacuna entre modelos teóricos validados em paradigmas passivos e seu desempenho em interações ativas de malha fechada. A alta proporção de variância não explicada sugere que a sonificação afetiva robusta pode exigir integração fisiológica multimodal (por exemplo, combinando EEG com atividade eletrodérmica ou variabilidade da frequência cardíaca).
• Especificidade do Usuário: A influência significativa de diferenças individuais (musicalidade, experiência em atuação) reforça a necessidade de estratégias de calibração personalizada em futuros sistemas de BCMI afetivo.
• Ciência Aberta: O artigo contribui para uma fundação reprodutível para o campo ao tornar a arquitetura do sistema, a implementação do software e o conjunto completo de dados experimentais publicamente disponíveis, visando facilitar a replicação e extensão pela comunidade de computação afetiva.