生理信号能够从多方面反映出人类的生理和心理状态,对判断情绪,诊断疾病等具有重要的意义。音乐是一种非语言的听觉艺术形式,很多人类活动中的生物信号都包含着类似音乐的节律,例如呼吸、心跳等。因此,将生理信号转换成音乐,有希望获得隐藏的生理状态信息,增加了分析的维度。而本研究就是利用深度学习和可听化的方法对生理信号进行分析,生成能够反映生理状态的音乐。本文采用的数据来自说谎检测实验,数据集中包含了心电信号、皮电信号和表情信号三种生理信号,每一组信号分别对应说实话、说谎话、静息这三种状态。本文使用了两种方法来对这个多模态生理信号数据集进行分析:第一种方法是利用深度神经网络直接分类:对经过预处理的生理信号,将其放入卷积神经网络中进行分类。随后又在模型中加入更善于处理时序信号的长短期记忆网络,将卷积神经网络和长短期记忆网络结合起来做分类并取得了更好的效果。之后,通过多次实验,对比了各种防止过拟合的方法以及Batchsize大小对实验效果的影响,选择了适合模型的方法和参数,使最终的分类准确率提高到了86.1%。与传统的机器学习方法和经过特征提取的LSTM网络进行对比,本文中的模型在分类性能上有较大优势。证明本文提出的模型能够更好的学习到当前生理信号数据集中不同生理状态之间的差异,分类效果更好。第二种方法是应用音乐解纠缠模型,生成含有生理信息的音乐:本文将深度学习应用到生理信号生成音乐上,先是通过参数映射法生成带有无标度性质的生理音乐,再应用并改进了音乐解纠缠中的EC2-VAE模型,解决了在音乐生成过程中难以对其进行控制的难题。通过以上改进,得到了含有生理信息的音乐。之后,还进行了以下四个实验以验证通过生理音乐能够区分不同状态的生理信号。（1）根据五线谱进行对比,不同状态对应生成音乐的五线谱有着明显的差别;（2）开展音乐聆听实验,被试者对不同状态对应生成音乐的分辨准确率达到80.4%;（3）使用数据挖掘软件Weka对生成的音乐进行分类,准确率达到88.89%;（4）对比改进前后模型效果的差别,发现改进后的模型能够更好的学到音乐数据集中的和弦信息。最后,还将实验结果和前人所生成的生理音乐进行对比,本文所生成的音乐在各个实验中效果都要更好。利用本文中方法所生成的生理音乐可以通过直接聆听来区分不同的生理状态,音乐效果好,可听性强,且具有无标度性质。该方法不仅能够应用于本文的数据集上,还可以类比迁移到其他生理信号数据集中。生理音乐可以辅助对生理信号的研究,可以被用于失眠治疗,疼痛缓解和说谎检测等领域,具有较大的实用价值。