脑电信号（Electroencephalogram,EEG）的研究表明,音乐是调节情绪的有效媒介。已有研究证实,正性和负性的音乐对情绪调节都有一定效果,积极的音乐可以激发愉快的情绪,而积极和消极的音乐都可以减轻负面的情绪,但正负性音乐在调节负面情绪方面的异同尚未得到研究。因此,在论文的研究中,针对脑电信号数据,通过机器学习和统计理论分析,探讨了不同维度下正、负性音乐调节负面情绪时的异同。论文的主要研究内容及结果如下:1、通过情绪诱发实验范式的设计,建立了基于被试者的EEG数据集。本文设计了多情绪唤醒样本以及正、负性音乐调节负面情绪的实验范式,选取了40名身心健康的在校大学生参与实验（24名女性和16名男性）,获取了被试者在实验过程中的EEG数据。之后提取了脑电信号的功率谱数值,将功率谱分为正性、负性和中性三种情绪状态组,两两情绪状态组之间采用基于蒙特卡洛方法的聚类置换检验算法,得出颞叶和额叶前皮层与情绪加工有关,最终选取了这两个部位之间差异较大的16个通道的原始信号作为数据集。2、提出了基于EEG特征的情绪预测模型。在数据集中分离出了频段δ和β的EEG数据,对预处理过后的EEG数据进行时域和频域分析,提取了这两个频段的PSD和DE特征。实验过程中记录的被试者效价和唤醒度评分作为数据集的标签,采用梯度上升决策树（GBDT）算法建立了情绪评分预测模型,使用R-Square和均方根误差（RMSE）评估模型的性能。为了进一步说明研究课题的可行性,论文基于提取的特征集,采用了K近邻、Ada Boost、随机森林和逻辑回归等主流算法分别建立了模型,并进行了对比分析。之后对标签组进行了行为数据分析,选取了两类音乐调节后的情绪评分组,采用Wilcoxon符号秩检验方法分别从效价和唤醒度评分角度比较出这两类音乐调节负面情绪后的异同。3、通过情绪预测模型,显示了被试者在负面情绪调节过程中聆听负性和正性音乐后的情绪状态。首先采用五类机器学习算法分别建立情绪预测模型,在预测性能上,GBDT算法取得了最佳的结果,关于效价评分预测,R-Square和RMSE分别为0.72和1.22;就唤醒度评分预测而言,R-Square和RMSE分别是0.54和1.26,五种模型都达到了较好的性能。与文中另外两种算法相比较,三种集成算法（GBDT、RF和Ada Boost）在本研究中的数据集上取得了更突出的效果。行为数据的分析显示了正性的音乐比负性的音乐更能增加被试者的愉悦感,而负性音乐更能有效地将唤醒度从高度强烈的负面情绪转换成较为轻松的状态,这与模型的情绪预测结果达到了一致。两类音乐调节负性情绪后对情绪等级的有效预测正好体现了本次研究主题。论文的研究表明,EEG可作为一种有效的特征对情绪状态进行准确地预测,进而能够体现正、负性音乐调节负面情绪的效果。因此,通过对EEG的检测,人们可以判断正、负性音乐对情绪调节所带来的影响,这有利于提升音乐治疗在脑-机接口等领域中的应用潜力。