当一段旋律响起，后背泛起一阵战栗，胳膊冒出鸡皮疙瘩 —— 这种被称为 “音乐 chills” 的体验，是音乐带来的极致愉悦，背后藏着大脑奖励系统的强烈激活。但每个人的音乐偏好天差地别，神经反应更是千人千面，想持续获得这种 “颅内高潮” 远比想象中困难。

2026 年 1 月发表于《iScience》的一项研究，为音乐爱好者带来了福音。来自庆应义塾大学、VIE 公司等机构的团队，研发出一款 “Chill Brain-Music Interface（C-BMI）” 脑机接口系统，通过入耳式脑电图（EEG）实时解码大脑的音乐愉悦感，动态生成个性化歌单，不仅让 chills 次数显著增加，还能提升情绪沉浸感与心理幸福感，重新定义了音乐与大脑的互动方式。

一、音乐快感的困境：个体差异下的 “可遇不可求”

音乐 chills 是伴随强烈愉悦感的生理反应，与 goosebumps、脊柱战栗等体感紧密相关，其本质是大脑奖励系统（腹侧纹状体、前扣带回皮层等区域）被激活的外在表现 —— 就像美食、运动带来的满足感一样，是神经层面的 “正向反馈”。这种体验虽普遍，但很难刻意复制：

• 个体偏好差异极大：有人沉迷古典乐的交响高潮，有人执着流行乐的副歌转折，实验者挑选的 “神曲” 往往无法让他人产生共鸣；
• 神经敏感度不同：有些人天生易被音乐打动，而有些人即使聆听公认的经典曲目，也难有 chills 体验；
• 现有增强方式局限：此前通过经颅磁刺激（TMS）或多巴胺药物虽能提升快感，但要么需要专业设备，要么存在安全风险，无法日常应用；
• 推荐算法不足：Spotify 等平台仅基于聆听历史推荐，无法实时适配大脑当下的情绪与神经状态，常出现 “越听越无感” 的情况。

为破解这些难题，研究团队聚焦 “闭环神经反馈” 理念，将非侵入式入耳式 EEG 与机器学习结合，打造出 C-BMI 系统 —— 它不只是 “猜你喜欢”，而是 “实时读懂你的大脑愉悦感”，动态调整歌单，让每首歌都精准击中神经兴奋点。

二、C-BMI 核心设计：四步打造 “大脑专属歌单”

C-BMI 系统通过 “Recording（记录）-Modeling（建模）-Generating playlists（生成歌单）-Playlist evaluation（评估）” 四大闭环阶段，实现从神经信号到个性化音乐的精准转化，整个流程清晰高效（图 1）。

图 1 直观呈现了 C-BMI 的工作逻辑：从被试聆听歌曲、记录 EEG 与愉悦度评分，到构建双模型解码愉悦感，再到生成四组差异化歌单，最终通过主观评分与神经数据验证效果。入耳式 EEG 的融入让系统兼具便携性与非侵入性，完美适配日常聆听场景。

（一）Recording：捕捉大脑与音乐的 “共鸣信号”

研究招募 24 名被试（10 男 14 女，平均 23.8 岁），首先完成 “音乐筛选与数据采集”：

• 被试需提供 3 首自己曾多次产生 chills 的歌曲（self-selected），并标注 chills 高发片段；同时随机分配 3 首其他被试选择的歌曲（other-selected），确保风格与偏好差异；
• 每首歌播放 90 秒，被试在体验到 chills 时按下键盘按键，播放结束后通过视觉模拟评分（VAS，0-100 分）评估愉悦度；
• 全程使用 VIE CHILL 设备记录入耳式 EEG，电极置于左右耳道，参考电极贴于颈后，采样率 600Hz，同时实现音乐播放与神经信号采集，无需额外设备，佩戴体验与普通耳机无异。

（二）Modeling：双模型解码 “愉悦密码”

研究构建两个核心模型，分别从 “声学特征” 和 “神经信号” 双维度捕捉愉悦感，确保歌单推荐的精准性与实时性。

1. Model 1：从声学特征预测愉悦度

通过 VGGish 预训练神经网络提取 6 首歌曲的 128 维声学特征（涵盖频谱、节奏等低中阶特征），采用线性 LASSO 回归模型，以被试的 VAS 愉悦度为因变量，声学特征为自变量，公式如下：

其中y^i是第 i 首歌的预测愉悦度，β0^为截距，β^为声学特征系数向量，xi为第 i 首歌的声学特征向量。模型通过 L1 正则化（λ∥β∥）压缩冗余特征，避免过拟合，最终实现从音乐本身的声学属性预测愉悦感的能力。

2. Model 2：从 EEG 解码愉悦状态

采用广义 LASSO 分类模型，将 self-selected 歌曲对应的 EEG epoch 标注为 “高愉悦（1）”，other-selected 对应的标注为 “低愉悦（0）”，核心是从神经信号中识别愉悦状态。

• EEG 预处理：通过 4 阶 Butterworth 滤波器（3-40Hz）去噪，独立成分分析（ICA）移除肌电等伪影，滑动窗口（4 秒，50% 重叠）提取功率谱特征；
• 模型性能：训练集准确率达 83.6%，测试集达 73.6%，训练集 AUC 值 0.90，测试集 0.80（图 2）， permutation 检验证实模型性能显著（所有 p<0.05），说明入耳式 EEG 足以稳定解码大脑的愉悦状态。
  

图 2 清晰展示了核心验证结果：A、B 图证明 self-selected 歌曲确实能引发更多 chills 和更高愉悦度；C 图为混淆矩阵与 ROC 曲线示意图；D-G 图通过直方图呈现模型的训练 / 测试准确率与 AUC 值，直观印证了模型的可靠性。

（三）Generating playlists：生成四组差异化歌单

基于双模型，研究为每位被试生成 4 组个性化歌单（每组 7 首歌，每首 90 秒），候选歌曲来自 2018-2022 年日本 GfK 周榜的 7225 首热门歌曲，核心差异在于是否结合 EEG 实时更新：

• AugEEG（增强型 + EEG）：基于实时 EEG 解码结果更新 Model 1，从排名前 1% 的歌曲中随机选择，动态适配大脑状态；
• AugNoEEG（增强型 - EEG）：仅用初始 Model 1，从排名前 6% 的歌曲中选择，不进行实时更新，类似传统个性化推荐；
• DimEEG（减弱型 + EEG）：基于实时 EEG 更新 Model 1，从排名后 1% 的歌曲中选择；
• DimNoEEG（减弱型 - EEG）：仅用初始 Model 1，从排名后 6% 的歌曲中选择。

每组歌单的第一首歌均从排名中间区域（3577-3649 名）随机选择，作为基线对照，确保后续歌曲的效果对比不受初始差异影响。

（四）Playlist evaluation：验证歌单效果

被试以随机顺序聆听 4 组歌单，过程中记录 chills 次数，聆听完每组后完成 14 项 VAS 评分（7 项情绪指标：愉悦感、兴奋度等；7 项幸福感指标：人生目标、减压效果等），最终 20 名被试的数据纳入分析（4 人因未满足纳入标准或数据噪声过多被排除）。

三、核心结果：AugEEG 歌单完胜，愉悦感与幸福感双重提升

实验结果清晰证实了 C-BMI 的优势，尤其是 AugEEG 歌单在各项指标中表现突出：

（一）chills 次数显著增加

AugEEG 的 chills 次数达 10.50±9.52，显著高于 DimEEG（4.90±6.37，p Holm<0.001），虽高于 AugNoEEG（9.50±12.15）但无统计学差异，说明 EEG 实时更新能更精准地捕捉愉悦点，让 “鸡皮疙瘩” 体验更频繁。

（二）主观愉悦感大幅提升

AugEEG 的愉悦度评分达 69.47±20.04，显著高于 DimEEG（49.17±20.05，p Holm=0.003）和 DimNoEEG（51.06±21.90，p Holm=0.005），意味着大脑 “认可” 这种实时适配的歌单，主观体验更愉悦（图 3B）。

（三）情绪与幸福感全面优化

除核心的愉悦感与 chills 外，AugEEG 在多项指标中显著优于减弱型歌单：

• 情绪指标：兴奋度（63.27±22.32 vs 45.24±21.25，p Holm=0.036）、沉浸感（69.42±23.34 vs 50.11±24.38，p Holm=0.010）、唤醒度（66.05±20.32 vs 47.71±27.15，p Holm=0.041）、效价（68.75±18.30 vs 56.61±18.73，p Holm=0.021）、偏好度（68.24±22.95 vs 42.79±20.33，p Holm<0.001）均显著高于 DimEEG；
• 幸福感指标：人生目标感（50.93±24.25 vs 36.65±19.77，p Holm=0.034）、减压效果（63.08±19.10 vs 47.10±21.88，p Holm=0.012）显著高于 DimEEG，且减压效果还显著优于 DimNoEEG（p Holm=0.011）。
  

图 3 通过箱线图直观呈现了所有 14 项指标的对比，AugEEG 的箱体整体上移，尤其是 chills、愉悦感、偏好度等核心指标，与减弱型歌单的差异一目了然，证明其不仅能提升音乐体验，还能带来情绪与心理层面的附加价值。

（四）EEG 解码愉悦度验证

通过贝叶斯广义线性混合模型（GLMM）分析 EEG 解码的愉悦度，结果显示：排除歌曲数量的递减趋势后，AugEEG 的解码愉悦度显著高于 DimEEG（估计差异 0.034，95% HPD 区间 [0.011,0.056]）和 AugNoEEG（估计差异 0.038，95% HPD 区间 [0.015,0.060]）（图 4），从神经层面印证了 AugEEG 能更有效地维持大脑的愉悦状态。

图 4A 展示了各组歌单的解码愉悦度变化趋势，AugEEG 呈现上升态势，与其他组形成鲜明对比；图 4B 的 pairwise 比较进一步证实了 AugEEG 的优势，为系统效果提供了客观神经证据。

（五）个体差异的影响

研究还发现，音乐训练水平高、对音乐情绪敏感度强的被试，从 AugEEG 中获得的愉悦感更强；而本身习惯用音乐调节情绪的被试，从 AugNoEEG（仅声学特征推荐）中获益较少，说明 C-BMI 的 EEG 实时更新更能适配复杂的个体神经差异。

四、讨论与意义：重新定义音乐推荐的未来

C-BMI 的突破意义不仅在于 “让音乐更易引发 chills”，更在于开辟了 “神经层面个性化推荐” 的新路径：

• 相比传统推荐算法：它不依赖历史聆听数据，而是实时捕捉大脑当下的愉悦反应，动态调整歌单，解决了 “越听越腻” 的痛点；
• 相比 TMS、药物等增强方式：它非侵入、无安全风险，仅需入耳式设备即可实现，适配日常通勤、居家等多种场景；
• 拓展价值：除了提升音乐体验，还能通过音乐调节情绪、减轻压力、增强人生目标感，为情绪障碍辅助治疗、日常心理保健提供了新工具。

研究也客观指出了局限性：未纳入皮肤电导、心率等生理指标，仅依赖主观报告与 EEG；入耳式 EEG 空间分辨率有限，无法定位奖励系统等具体脑区；长时间聆听可能存在疲劳效应，影响解码准确性。未来可通过多模态生理信号融合、提升 EEG 空间分辨率、优化模型更新机制等方向完善。

五、论文信息

• 标题：A chill brain-music interface for enhancing music chills with personalized playlists
• 期刊：iScience
• 发表年份：2026 年 1 月
• 作者：Sotaro Kondoh, Takahide Etani, Yuna Sakakibara, Yasushi Naruse, Yasuhiko Imamura, Takuya Ibaraki, Shinya Fujii
• 通讯作者：Shinya Fujii（fujii.shinya@keio.jp）
• 通讯单位：Graduate School of Media and Governance, Keio University, Japan；VIE, Inc., Japan
• DOI：https://doi.org/10.1016/j.isci.2025.114508
• 核心贡献：研发 C-BMI 脑机接口系统，通过入耳式 EEG 实时解码音乐愉悦感，结合双模型生成动态个性化歌单，显著提升 chills 次数、主观愉悦感与心理幸福感，实现非侵入、日常化的神经层面音乐推荐。
• 数据与代码：数据存储于 OSF 仓库（https://osf.io/kx7eq/），自定义代码可联系通讯作者获取