作为音乐治疗的一种新形式,可视音乐治疗通过视觉和听觉的感官刺激来增强患者的视听感官体验,对于焦虑、抑郁等消极情绪的舒缓具有良好的效果。然而,现有的音乐可视化技术较少考虑到音乐与情感的关联性,从而导致患者对可视音乐的情绪感知不强。因此,本文分别构建音乐情感分类模型和脑电情感识别模型,对于情感贡献度大的音乐特征进行可视化表达,生成视听同步、感染力强的可视音乐,最后通过构建的脑电情感识别模型监测舒缓效果。为了准确地反馈出患者的情感状态,本文提出一种基于优化变分模态分解（Variational mode decomposition,VMD）的脑电情感识别模型。首先,利用磷虾群优化算法（Krill Herd,KH）自适应搜索VMD的最优分解层数和惩罚因子,完成脑电的数据层优化。其次,从分解后的固有模态分量中提取幅度差、平均能量、功率谱密度和样本熵作为特征子集训练分类器。最后,研究不同分类器在不同时间窗口、不同分解方法下的分类性能。结果表明,在4s时间窗口下,Catboost分类器的情感识别性能优于各基本分类器,在效价、唤醒度两个维度下的准确率分别为92.08%和89.78%。与传统分解方法相比,KH-VMD方法避免了信号的过度分解与模态混叠,保留了低频分量的波动趋势,脑电情感识别准确率提高了9%左右。针对现有可视音乐设计形式单一、抽象,难以表达出音乐的深层次情感等问题,本文提出一种用于生成舒缓可视音乐的情感音乐可视化技术框架。为了探究不同音乐特征与情感之间的关联,充分提取音乐的低、中高层次特征构成特征子集,送入Catboost分类器构建音乐情感分类模型。分析结果表明,音高、频谱质心、节奏和旋律走势等音乐特征对于放松情绪的情感贡献度较大,更适合音乐情绪舒缓的可视化技术的集成。最后,利用Processing设计由可控实体填充的虚拟自然场景,建立起音乐特征与可控实体之间同步变化的映射,生成具有舒缓情绪作用的情感可视音乐。本文设计了可视音乐情绪舒缓实验,分别从脑电情感识别模型、SAM自评量表及脑电频带变化三个方面评估被试的情绪舒缓效果。在观看可视音乐后,脑电情感识别结果由LVLA/LVHA变到HVLA/HVHA,即从抑郁、烦躁变为舒缓、积极;被试SAM评分中愉悦程度提高4.1分,兴奋程度降低2.1分;Alpha波的频带功率升高9.78d B/Hz,而Beta波的频带功率降低2.84d B/Hz,反映被试大脑激活水平的提高,受抑制程度的减少。实验结果表明,构建的脑电情感识别模型可以实现情感的准确识别,生成的情感可视音乐具有一定的情绪舒缓作用。