使用机器学习揭开个人的节奏能力
Simone Dalla Bella1,2,3,4, Stefan Janaqi5, Charles-Etienne Benoit6
1International Laboratory for Brain, Music, and Sound Research (BRAMS), Montreal, Canada. simone.dalla.bella@umontreal.ca.
Scientific reports
|January 11, 2024
概括
机器学习模型揭示了个体的独特节奏形状,将音乐训练和经验与节奏能力的变化联系起来. 这种方法有助于理解音乐性的个体差异.
科学领域:
- 认知科学 认知科学
- 音乐的神经科学 音乐的神经科学
- 计算审计处理计算审计处理
背景情况:
- 人类的节奏能力,对于音乐和舞蹈至关重要,显示出显著的个体变化.
- 现有的研究往往难以建模这种变化的多维原因.
- 缺乏对音乐家和非音乐家节奏指纹的全面模型.
研究的目的:
- 为节奏能力开发一个节的机器学习模型.
- 为了捕捉不同音乐背景的个人之间节奏技能的变化.
- 识别关键的行为指标,定义节奏形状.
主要方法:
- 在79名参与者的行为数据上利用机器学习.
- 包括感知和运动任务来评估节奏能力.
- 与有和没有正式音乐培训的个人进行比较.
主要成果:
- 最少的一组行为测量有效地捕获了节奏能力配置文件.
- 证明了与音乐体验相关的可变性成功建模.
- 突出了机器学习在提炼节奏指纹中的有效性.
结论:
- 机器学习提供了一个强大的工具来模拟个人的节奏能力.
- 节奏形状受到正式的音乐训练和非正式的音乐体验的影响.
- 这种方法提供了对音乐性和个人差异的神经认知基础的见解.


