Введение
Прослушивание музыки эффективно при широком наблюдении за разными областями мозга. Декодирующий подход, целью которого является описание стимулов или условий, с точки зрения изменений нейронных активаций, был использован для исследования обработки нейронами мозга восприятия музыки. При этом показания снимались с использованием функциональной магнито-резонансной визуализации (ФМРВ) прямо во время прослушивания музыки. Умеренная точность была достигнута при прогнозировании низких и высоких музыкальных характеристик. Уровни точности указывают на предметно-специфические различия в восприятии мозгом музыкального материала. В одном из немногих исследований, по предметно-специфическим различиям в задействованном наборе нейронов при прослушивании музыки Бурунат и др. (2015) связали музыкальное обучение с увеличением функциональной симметрии во многих регионах мозга.
Уделяется повышенное внимание расшифровке демографических признаков, таких как психические состояния, основываясь на связности всего мозга. Тем не менее, этот тип подхода не использовался с музыкальными стимулами и музыкально значимыми переменными, такими как мелодичность. Более того, прошлые исследования не пытались смоделировать предметно-специфические различия на основе паттернов реакции мозга на функции музыкального стимула. Ниже будет рассмотрена расшифровка музыкальности на основе нейронной обработки музыкальных особенностей при прослушивании музыки.
Материалы и методы
Сбор и предварительная обработка данных ФМРВ
Равное количество музыкально подготовленных (n = 18) и неподготовленных (n = 18) участников приняли участие в эксперименте с ФМРТ. Использовались три музыкальных произведения, охватывающие различные музыкальные жанры: (1) "Поток сознания" группы Dream Theater (рок/металл); (2) " Прощай, Нонино " Астора Пьяццоллы (танго); и (3) "Обряд весны", первую часть, эпизоды 1-3 Игоря Стравинского (классическая музыка). Реакция мозга участников была получена в то время, как они внимательно слушали каждый из музыкальных стимулов. Сканирование проводилось с помощью сканера всего тела, и срезы, охватывающие весь мозг, были получены на частоте 0,5 Гц. Данные ФМРВ были предварительно обработаны. Наконец, объемы ФМРВ были разделены на 116 областей в соответствии с атласом Автоматизированной Анатомической Маркировки (ААМ). Региональные средние временные ряды оценивались с помощью внутрирегионального воксельного усреднения.
Обработка музыкальных функций
Двадцать пять музыкальных особенностей, связанных с тембром, ритмом и тональностью, были извлечены из стимулов (музыкальных композиций) с помощью MIRToolbox. Временная эволюция признаков была получена с использованием подхода, основанного на временных рамках. Чтобы сделать данные сопоставимыми с данными ФМРВ, каждая из функций была свернута с двойной гамма-функцией гемодинамического отклика, динтрендированной сплайновой интерполяцией и временной фильтрацией, с понижением частоты дискретизации до 0,5 Гц. Затем музыкальные функции были подвергнуты анализу основных компонентов (АОК) и ротации Varimax для сопоставления данных с шестью компонентами, помеченными как «Полнота», «Яркость», «Активность», «Тембральная сложность», «Четкость импульса» и «Четкость ключа».
Декодирование
Для декодирования использовался многоступенчатый подход моделирования. Во-первых, региональные данные ФМРВ для всех участников были объединены по времени, и каждая область была преобразована в Z-оценку нулевого среднего и единичного стандартного отклонения. Затем Группа-АОК, с помощью небольшого количества компонентов, была запущена с данными для сглаживания шума и уменьшения размерности. Далее данные по каждому участнику были выровнены по времени с музыкальными композициями и произведен перекрестный подсчет различий между областями и элементами, а затем полученная матрица для каждого участника была векторизована. Следующим шагом было выполнено преобразование z-оценки для всех участников. L1-нормализованный линейный классификатор метода опорных векторов (МОВ) был обучен предсказывать музыкальность из перекрестной проверки (ПП), так как он устойчив к нерелевантным признакам. Параметр стоимости, контролирующий количество сохраненных объектов, был оптимизирован для каждой модели в цикле внутренней перекрестной проверки.
Чтобы получить реалистичные оценки эффективности декодирования, внешний цикл ПП для участников был запущен десять раз в соответствии со стратегией «оставь одного субъекта на группу». При каждом запуске использовалась случайная разбивка участников и полученные погрешности суммировались. Три музыкальных стимула были объединены по времени для основного анализа, адаптировав полное представление о нейронной обработке связанной, с несколькими музыкальными стилями.
Результаты и обсуждение
Точность классификации, полученная с помощью связанных стимулов, зависела от количества используемых основных компонентов, достигая максимума при трех компонентах (М = 0,681, SD = 0,026). Эта точность будет статистически значима при p <0,05 на основе выборки Монте-Карло. При обучении и тестировании с каждым индивидуальным стимулом, средняя точность классификации не достигала уровня значимости p = 0,05, за исключением произведения Пьяццолла по трем компонентам. Это может свидетельствовать о недостаточной изменчивости музыкального материала в пределах этих стимулов, приводя к менее стабильным ковариациям.
Вклад различных нейронных областей и музыкальных особенностей в оптимальные модели (три компонента, связанные стимулы) оценивался путем изучения особенностей коэффициентов в моделях МОВ, а также основных компонентных нагрузок, усредненных через ПП прогонов и сгибов. Наиболее важной особенностью предопределяющей принадлежность участника к группе, была повышенная активность в слуховой сети у музыкантов и в сети внимания у не музыкантов в моменты высокой тембральной сложности и низкой полноты. Это может свидетельствовать о большей способности музыкантов эффективно обрабатывать сложный музыкальный материал. Кроме того, моменты высокой активности и неясной тональности были связаны с более высокой активацией в сетях исполнительного контроля и внимания и фронтальных областях у музыкантов. Это может свидетельствовать о том, что музыканты, благодаря своему образованию, более эффективно предсказывали тональности. Наконец, было обнаружено, что высокая общая активация в моменты высокой яркости предсказывает музыкальность. Это может свидетельствовать о повышении эффективности тембральной обработки у музыкантов.
Заключение
Умеренно высокая точность была достигнута при декодировании музыкальности от нейронной обработки музыкальных особенностей, а также были обнаружены определенные шаблоны обработки в различных областях мозга, для различных музыкальных особенностей между музыкантами и не-музыкантами. Это говорит о глубокой связи между музыкальным обучением и музыкальным восприятием. Это также подчеркивает необходимость учитывать демографические атрибуты при изучении обработки музыки в области нейроинформатики. Однако не высокая и нестабильная точность, достигаемая с помощью стимулов, представляющих отдельные музыкальные стили, требует дальнейшего изучения влияния музыкальных стилей на восприятие и обработку музыки.
