你是否有音樂天賦？讓機器學習來告訴你

源Rankred譯翟向洋

在過去的幾年中機器學習有著令人驚奇的發展。其中的一些可能導致數以億人使用的技術的突破。人工智慧領域發展迅速，雖然它有很大的前途，但在快速推進這些系統集成到更大的平台方面，我們仍然面臨許多挑戰。

最近，Jyv?skyl?大學、AMI中心（芬蘭）和Aarhus大學（丹麥）的科學家已經開發出一種通過在你聽音樂時監控你的大腦揭示你是否接受過音樂方面的訓練的系統。

通過在聽音樂時收集到的腦圖像數據上應用數字音樂分析和機器學習的方法，研究小組能夠（非常準確地）判斷聽眾是否是專業音樂家。

研究

這份研究利用功能性磁共振成像（fMRI）的大腦數據--該小組收集了來自36名音樂家和非音樂家（18人）的在他們正在聽多種體裁歌曲的數據。採用不同的計算方法提取播放的音樂的特徵。

通過對在一段時間內處理曲調和旋律的大腦建模比依靠人腦活動的靜態表象是更好的。這正是研究人員所做的。他們考慮了暫存的動態圖像，顯著地提高了結果。作為建模的最後一步，他們用機器學習技術來創建一個組合不同的大腦區域準確地估計音樂感的模型。

最準確預測音樂感的區域主要位於大腦右半球的顳葉區和額葉區。他們發現這些與注意力、音樂習慣的處理方式以及音調、音高等聲音特徵有關。

結果表明，排出了音樂熟悉度和偏好等因素的干擾，對於神經對歌曲的反應音樂訓練與否有很大的影響，這在一定程度上可以區分非音樂家的大腦和音樂家的大腦。

機器學習模型

從音樂家和非音樂家聽三種不同類型的音樂風格時，我們收集到整個大腦的功能性磁共振成像（fMRI）數據。從聲學信號中測量出代表音樂感知方面的高階（音調和節奏）、低階（音色）的6個音樂特徵。然後基於fMRI數據的時間序列和音樂特徵分成非音樂家和音樂家兩類。用到大腦的9個區域包括額葉和顳葉皮質區、扣帶回皮質區的機器學習模型預測聽眾的音樂感的準確性為77%。

準確性

從邊緣區、聽覺和運動區以及值得注意的內側眶額區、右側顳上回、前扣帶皮層獲得其準確性。通過線性回歸將不同的音樂特徵結合到已編碼的三維fMRI圖像取得了令人印象深刻的77%的準確率。

當涉及到從依賴於時間序列的血氧水平中解碼音樂特徵時，對於大多數聽眾的節奏和音色特徵有顯著地的精度提升。然而，在聽眾中對於高階的關鍵特徵的準確率差異很大，這表明在神經處理中存在內部參與的變異性。

簡單地說，這項技術的新穎之處在於將功能性神經成像測量（在聽力環境中獲得）與計算聲學特徵提取相結合，並考慮到神經處理的動態性。

這代表了重大的貢獻，補充了最新的大腦閱讀技術，解碼了聽者在現實環境中大腦活動的數據。這項研究也加深了我們對大腦如何處理特定的聲學特徵和語音語調的理解。

-END-

譯者 翟向洋

北京理工大學研究生一枚，吃瓜群眾，熱愛學習。

了解如何加入我們

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！