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