跟著音樂起舞吧
很多時候聽到自己喜歡的音樂，不知不覺中手指隨著節拍輕點桌面，或是腳隨著音樂打響節奏，這是怎麼達成的呢？目前為止這還是個未知的謎，因為其中牽涉到數個部份的認知功能：從耳朵收到音樂訊號後，要先認知曲子的節奏，再辨認出節奏的週期（period）與相位（phase），如此才能使運動相關腦區驅動肢體週期性的運動，且還要時時注意是否跟在節拍上。這裡要介紹一個十分有趣的模型，這個模型著重於節奏跟隨（beat tracking）的部分，描述如何運用簡單的仿神經迴路達成跟隨已知節拍週期與相位，也就是說在假定我們能明確知道每個節奏點的情況下，怎麼跟上這個規律行為。
整個網路的構成有：輸入端姑且稱作節奏神經元（S），接收來自穩定的節奏刺激，因此也表現相同的活動模式，每個節拍脈衝一次動作電位；輸出端節奏跟隨神經元（BG），一開始隨機以某頻率震盪，透過一旁注入的偏移電流（bias current）調控BG的震盪頻率，以期達到跟隨S神經元的目標；第三個部分是模型的關鍵，文章裡面稱作伽馬數量比較器（gamma count comparator, GCC），其實可以當作一個比較S和BG兩神經節奏的儀器，儀器內建一個相對於音樂的高頻率時鐘（約40Hz）作為基準，分別計算S和BG兩拍之間間隔的時間，這裡的時間就用時鐘刻度表示，經由比較可以得知在「週期」上，兩者拍和拍之間的間隔，差了幾個時鐘單位，在「相位」上，則是同一拍間距離多少時鐘單位。本篇文章提出分別針對週期與相位的學習規則，透過這個規則調控注入BG的偏移電流，即得以漸漸將S和BG的節奏調至一致。
這篇研究是根據實用性為出發點而非生物基礎，因此不一定能反映我們事實上如何達成這件事，而且受過專業訓練的音樂家或許能表現大大優於這個簡單的模型，說明我們認知系統的奧妙。然而這算是非常特別的一個嘗試，節奏跟隨在音樂資訊檢索（music information retrieval, MIR）領域已經有許多不同的演算法嘗試解決，然而一直受限於龐大計算量難以即時化（real-time），從脈衝式神經網路切入，不排除是一個突破限制的途徑！
撰文：姚皇宇
原始文獻：
Bose, A., Byrne, Á. & Rinzel, J. A neuromechanistic model for rhythmic beat generation. PLOS Computational Biology 15, e1006450 (2019).
整個網路的構成有：輸入端姑且稱作節奏神經元（S），接收來自穩定的節奏刺激，因此也表現相同的活動模式，每個節拍脈衝一次動作電位；輸出端節奏跟隨神經元（BG），一開始隨機以某頻率震盪，透過一旁注入的偏移電流（bias current）調控BG的震盪頻率，以期達到跟隨S神經元的目標；第三個部分是模型的關鍵，文章裡面稱作伽馬數量比較器（gamma count comparator, GCC），其實可以當作一個比較S和BG兩神經節奏的儀器，儀器內建一個相對於音樂的高頻率時鐘（約40Hz）作為基準，分別計算S和BG兩拍之間間隔的時間，這裡的時間就用時鐘刻度表示，經由比較可以得知在「週期」上，兩者拍和拍之間的間隔，差了幾個時鐘單位，在「相位」上，則是同一拍間距離多少時鐘單位。本篇文章提出分別針對週期與相位的學習規則，透過這個規則調控注入BG的偏移電流，即得以漸漸將S和BG的節奏調至一致。
這篇研究是根據實用性為出發點而非生物基礎，因此不一定能反映我們事實上如何達成這件事，而且受過專業訓練的音樂家或許能表現大大優於這個簡單的模型，說明我們認知系統的奧妙。然而這算是非常特別的一個嘗試，節奏跟隨在音樂資訊檢索（music information retrieval, MIR）領域已經有許多不同的演算法嘗試解決，然而一直受限於龐大計算量難以即時化（real-time），從脈衝式神經網路切入，不排除是一個突破限制的途徑！
撰文：姚皇宇
原始文獻：
Bose, A., Byrne, Á. & Rinzel, J. A neuromechanistic model for rhythmic beat generation. PLOS Computational Biology 15, e1006450 (2019).
留言
張貼留言