解码大脑对音乐音色的预期：基于EEG信号在音符缺失时的神经表征研究

研究人员通过EEG技术探究大脑在音乐感知过程中对音色(timbre)的预期机制。在音符缺失(omission)时，利用支持向量机(SVM)解码发现高可预测性条件下EEG信号能反映特定乐器音色的预测信息，而传统事件相关电位(ERP)如oN1成分未显示差异。该研究首次证实大脑对音乐音色的特征特异性预测，为理解音乐认知的预测编码理论提供新证据。

　　

音乐如同大脑的"预言游戏"——当我们聆听熟悉的旋律时，大脑会不断预测下一个音符的音高、节奏和音色。这种预测能力是音乐带来愉悦感的关键，但科学家们对大脑如何预测音乐中复杂的音色特征仍知之甚少。音色(timbre)作为区分不同乐器的声学特征，其神经表征机制一直是听觉研究的难点。虽然已有研究表明大脑能预测音高(pitch)，但音色预测是否具有特征特异性仍存在争议。

这项发表在《Cortex》的研究开辟了新视角。Kai Ishida团队创新性地采用"音符缺失范式"(tone omission paradigm)，让35名参与者在观看无声电影时聆听特殊设计的旋律。这些旋律包含四种目标音色(钢片琴celesta、电钢琴electric piano、马林巴marimba、管风琴organ)，通过高低两种可预测性条件(high/low predictability)来操控音色序列的规律性。当预期出现的音符被刻意省略时，研究人员记录脑电图(EEG)信号，结合支持向量机(SVM)解码技术和传统事件相关电位(ERP)分析，揭示了大脑音色预测的神经机制。

关键技术包括：1) 采用64导联EEG记录系统，采样率1000Hz；2) 设计具有相同和声与节奏结构的旋律序列；3) 应用独立成分分析(ICA)去除眼动伪迹；4) 通过sLORETA进行神经源定位；5) 记录心跳诱发电位(HEP)分析内感受处理；6) 使用线性支持向量机进行多变量模式分析。

3.1 预期与非预期缺失的神经响应差异

对比分析显示，意外缺失(unexpected omission)比预期缺失(expected omission)在94-114ms时间窗诱发更强的oN1成分(振幅差异-0.36μV)，源定位显示该反应主要源于颞上回(STG)。SVM解码能显著区分两种缺失类型(准确率>50%)，证实oN1反映对声音呈现预期的违反。

3.2 音色可预测性对ERP的影响

出乎意料的是，高、低可预测性条件间的oN1振幅无显著差异(高:-1.93μV vs 低:-2.07μV)。但sLORETA分析发现两类条件均激活右侧颞叶皮层(颞中回MTG和颞上回STG)，且与真实音符诱发的N1反应具有不同的空间分布模式。

3.3 音色特征的神经解码

关键发现是：仅在高度可预测条件下，SVM能在64-85ms时间窗成功解码四种目标音色(准确率25.91%，显著高于随机水平25%)，而低可预测条件未达显著性。对实际呈现音符的解码则不受可预测性影响，表明EEG信号中的音色预测信息具有情境依赖性。

3.4 内感受处理的神经标志

心跳诱发电位(HEP)分析显示，缺失期间(348-388ms)的神经活动比实际音符更强，源定位指向脑岛(insula)区域。SVM能有效区分三种刺激类型的HEP模式(167-485ms窗口准确率>33%)，提示内感受处理与外部预测存在交互。

这项研究首次证实：1) EEG信号在音符缺失时包含特定音色的预测信息，但这种信息不体现在传统ERP振幅上；2) 音色预测具有特征特异性，仅在高度可预测的音乐语境中显现；3) 缺失处理涉及独特的神经机制，表现为STG/MTG的激活模式与真实声音不同；4) 内感受处理在预期违反时增强。这些发现深化了对音乐认知的预测编码理论的理解，为开发基于神经解码的音乐接口技术提供理论基础。特别值得注意的是，该研究通过严格控制旋律的和声与节奏结构，首次将音色预测从其他音乐特征中分离出来，为后续研究音乐多维特征的神经整合机制确立了方法学范式。