XiaoMi-AI文件搜索系统
World File Search Systemmusic
残疾儿童，父母和神经系统治疗师的脑膜间脑之间同步
患有身体和认知障碍的儿童可以隔离，因为他们表达了他们的需求和感受的能力有限（Lindsay＆McPherson，2012年）。这些孩子的父母经常为了解孩子的情绪而挣扎（Currie＆Szabo，2020）。医疗保健提供者与患有神经发育障碍和有限表达性沟通的儿童互动时，他们可能会面临类似的挑战。许多研究集中在自闭症谱系障碍儿童（ASD）儿童社会障碍的神经基础上（Kleinhans等，2009; White等，2014; Williams等，2006）。此外，限制社会关系和活动的运动挑战已在脑瘫中进行了广泛的研究（Beckung＆Hagberg，2002）。但是，在涉及这些临床人群的社交互动过程中，对协调的二元大脑活动的了解较少。需要对ASD和脑瘫，标准化和客观测量（即生物标志物）进行社交互动的延迟或有限的社交技能的异源性节日（Jeste等，2015）。尤其是，坚固的父母 - 儿童（Guild等人，2021年）和治疗师 - 儿童关系（Särkämö等，2016）对于在临床环境中最大程度地提高表达结果至关重要。由于残疾儿童的社交技能在很大程度上取决于健康的家庭关系（Bennett＆Hay，2007年）和治疗融洽的关系（Mössler等，2019），因此保证了与这些相互关系相关的神经机制的调查。在社交环境中与音乐同步会导致行为和生理反应。所有三个年龄段的孩子（2.5、3.5和4.5岁）与人类伴侣的鼓声比扬声器或鼓机的鼓声更好（Kirschner＆Tomasello，2009年）。随着越来越多的人聚集在一起，一致的拍手频率增加（Thomson等，2018）。实际上，音乐可以促进个体之间生理和神经反应的一致性。例如，一起听音乐可以提高皮肤电导和心率（Liljeström等，2013）。心血管和呼吸节奏可以
声音潮流：探索声音激发青少年音乐学生和本科音乐教育专业学生创造性批判意识的潜力
引言 ................................................................................................................................................................................ 140 创造力是感知、认识和批判世界的一种方式 ................................................................................................................ 142 研究目的和研究问题 ................................................................................................................................................ 145 研究参与者 ...................................................................................................................................................................... 145 连帽衫下的见解：并非在我们可能思考的时刻适合所有人 ............................................................................. 149 方法论 ............................................................................................................................................................................. 150 研究方法 ............................................................................................................................................................................. 151 声音会议工作坊 (SSW) ............................................................................................................................................. 152 声音收集和 C分类（SCC）表................................................................................................ 154 声音片段（SP）................................................................
在爱尔兰传统音乐的背景下探究对人工智能作者的喜爱与信任之间的关系
摘要 过去的研究调查了人类听众在知道音乐是由人工智能 (AI) 创作的情况下对音乐的偏见程度。虽然这些研究没有发现统计学上显著的关系，但听力实验是针对当代古典音乐或自由爵士乐等对技术相当欢迎的音乐流派进行的。在这项工作中，我们在对真实性和技术有强烈看法的典型背景下探索这种偏见：爱尔兰传统音乐 (ITM)。我们与 ITM 的从业者进行了一项听力实验，要求每个受试者首先听一段由计算机以 ITM 风格生成的音乐的人类演奏（听众不知道其出处），然后对他们对这首曲子的喜欢程度进行评分。在对所有六首曲子进行评分后，每个受试者再次听每一首曲子，但对他们相信它是由计算机创作的可能性进行评分。我们的初步研究结果表明，ITM 从业者对曲调的喜爱程度越高，他们对 AI 作者的信任度就越低。
在一个月出生的婴儿中选择性皮质反应的初步证据
图3对成人听觉和语言皮层中所有刺激的响应。（a）在独立5％的体素中，对所有刺激的响应响应，比听觉皮层中的扫描仪噪声更多地反应所有刺激（Hg，蓝色突出显示）。在非主要听觉皮层（NPAC）（左侧，以红色突出显示），时间语言（中间，以黄色）和额叶语言（右侧语言突出显示）（左侧强调）（右图）（右图，在黄色）中，在独立的，剩下的数据中，对音乐选择性（B）和语音选择性（C）体素的响应。条形图描述了对音乐（紫色），模型匹配的音乐（蓝绿色），语音（粉红色）和模型匹配的语音（黄色）的平均反应。误差条表示受试者内部SE（Cousineau，2005年）。符号用于报告线性混合效应模型的单尾统计信息：N.S.p> 0.1; †p <0.1; * p <0.05; ** p <0.01; *** p <0.001。
AR 与 AI 相遇 - aec-music.eu
塞巴斯蒂安·特朗普 纽伦堡音乐大学 Sebastian.trump@hfm-nuernberg.de 塞巴斯蒂安·特朗普在纽伦堡音乐大学学习爵士萨克斯和古典萨克斯，并在柏林艺术大学学习声音研究。他的数字乐器 Orphion 引起了全世界的关注，并在卡尔斯鲁厄 ZKM 媒体博物馆（2012 年）和渥太华加拿大科学技术博物馆（2013 年）等地展出。自 2009 年以来，他一直在纽伦堡音乐大学教授音乐和数字媒体，自 2015 年以来在纽伦堡理工学院教授音乐和数字媒体。他的研究重点是技术与表演之间的接口。凭借 STAEDTLER 基金会的奖学金，他于 2019 年获得了音乐即兴创作进化算法的博士学位。他是纽伦堡大学的助理教授
自然音乐聆听过程中的皮质活动反映了基于长期经验的短期预测
摘要 期望塑造了我们的音乐体验。然而，听众形成旋律期望的内部模型仍然存在争议。期望是源于格式塔原则还是统计学习？如果是后者，长期经验是否起着重要作用，还是短期规律就足够了？最后，多长的情境可以影响情境期望？为了回答这些问题，我们向人类听众展示了西方古典音乐的各种自然主义作品，同时使用 MEG 记录神经活动。我们使用各种音乐计算模型（包括最先进的变压器神经网络）量化了音符级的旋律惊喜和不确定性。时间分辨回归分析显示，额颞传感器上的神经活动跟踪旋律惊喜，特别是在音符开始后约 200 毫秒和 300-500 毫秒内。这种神经惊喜反应与感觉声学和适应效应无关。神经惊喜最好由结合长期统计学习的计算模型来预测，而不是简单的格式塔式原则。然而，有趣的是，惊喜主要反映了少于十个音符的短距离音乐环境。我们在公开的 EEG 数据集中展示了我们新颖的 MEG 结果的完整复制。总之，这些结果阐明了在自然音乐聆听过程中塑造旋律预测的内部模型。
情感算法作曲
摘要：众所周知，情感音乐创作系统可以触发人类的情感。然而，设计这种系统来刺激用户的情感仍然是一个挑战，因为汇总该领域现有文献以帮助推进研究和知识的研究有限。本研究对情感算法创作系统进行了系统的文献综述。根据系统综述协议，从 IEEE Xplore、ACM 数字图书馆、SpringerLink、PubMed、ScienceDirect 和 Google Scholar 数据库中选择了 18 项主要研究。研究结果表明，缺乏一个独特的定义来概括各种类型的情感算法创作系统。因此，提供了一个独特的定义。研究结果还表明，大多数情感算法创作系统都是为游戏设计的，以提供背景音乐。生成创作方法是最常用的创作方法。总体而言，该领域的研究数量相当少。这些趋势的可能原因是缺乏情感音乐创作系统的共同定义，以及缺乏对现有系统的设计、实施和评估的详细记录。
听觉处理和相关共激活轨道皮质的年代学取决于音乐专业知识
声音处理的年代和横向化对大脑中听觉刺激的处理的理解显着贡献。There is ample evidence that the temporal hierarchy and the interactions between the right- and left-sided auditory pathways significantly determine the circuits between the peripheral to the cortical level ( Tervaniemi and Hugdahl , 2003 ; Eggermont and Moore , 2012 ), pointing out that the left hemisphere is specialized for temporal processing, whereas the right hemisphere subserves processes domiciled in空间/光谱域（Zatorre和Belin，2001; Poeppel，2003; Boemio等人，2005年； Schönwiesner等。，2005年）。人类听觉皮层被细分为具有多个互连的三个主要部分：核心（主要的听觉皮层），皮带（次级听觉皮层）和正确分子区域（Hackett等人（Hackett等），1998; Rauschecker和Scott，2009年），它们从皮质下边缘投影获得皮质输入（Kraus and Nicol，2005； Wong等人。，2007年； Kraus和Chandrasekaran，2010年； Kraus and Anderson，2014年； Kraus等。，2017年）和来自较高认知水平和触发连接的自上而下的预测（Zatorre等人，2007年； Rauschecker和Scott，2009年）。音乐大脑是显示听觉处理的神经可塑性的绝佳模型（Münte等人，2002年； Wan and Schlaug，2010年）。积极的音乐制作涉及众多对感知，认知，行为和大脑活动的神经过程（Hyde等人。，2009年； Moreno等。，2009年； Skoe等。，2015年； Slater等。，2015年； Habibi等。，2018年至青春期（Tierney等人。，2015年）和成年（Pantev等人，1998; Herdener等。，2010年； Benner等。，2017年；詹姆斯等人。，2020）。此外，在了解神经处理与音乐专业知识（指音乐能力和音乐训练）和杰出的听觉技能方面的关系方面获得了宝贵的见解（Zatorre等人。，2007年； Kraus和Chandrasekaran，2010年； Zatorre and Salimpoor，2013年； Kraus and Anderson，2014年； Wengenroth等。，2014年）。发现，在听觉皮层中心的Heschl Gyri（HG）平均比非音乐家的灰质平均多130％（Schneider等人。，2002）。音乐家还具有扩大的听觉诱发响应模式（Schneider等人，2005年； Benner等。，2017年）。可以通过磁脑摄影（MEG）定位于第一HG的中心部分，包括早期中等潜在的P30和随后发生的P50响应模式，发生在刺激后，刺激性30和50 ms。听觉带和偏对区域的随后的次级N1和第三纪P2响应更多地源于第一hg的周围带区域（Schneider等人，2005年）。晚期听觉诱发领域的P1-N1-P2复合物通常与基本声音感知，注意因素，特征识别和
在爱尔兰传统音乐的背景下研究对人工智能作者的喜好和信仰之间的关系
摘要 过去的研究调查了人类听众在知道音乐是由人工智能 (AI) 创作的情况下对音乐产生偏见的程度。虽然这些研究没有发现统计学上显着的关系，但听力实验是针对当代古典音乐或自由爵士乐等对技术相当欢迎的音乐流派进行的。在这项工作中，我们在对真实性和技术有强烈看法的典型背景下探索这种偏见：爱尔兰传统音乐 (ITM)。我们与 ITM 的从业者进行了一项听力实验，要求每个受试者首先聆听由计算机以 ITM 风格生成的人类演奏的音乐（听众不知道这种出处），然后评价他们对这首曲子的喜欢程度。在对所有六首曲子进行评分后，每个受试者再次聆听每首曲子，但评价他们认为它是由计算机创作的可能性。我们的初步研究结果表明，ITM 从业者对 AI 创作的信任度越高，他们对曲调的喜爱程度就越低。
论计算模型和人脑中自然音乐的编码
本文讨论了音乐神经科学的最新发展和进步，以了解音乐情感的本质。特别是，它强调了系统识别技术和音乐计算模型如何促进我们对人类大脑如何处理音乐的纹理和结构以及处理后的信息如何唤起情感的理解。音乐模型将刺激的物理属性与称为特征的内部表征联系起来，预测模型将特征与神经或行为反应联系起来，并根据独立的未见数据测试它们的预测。新框架不需要在受控实验中使用正交刺激来建立可重复的知识，这开启了自然神经科学的新浪潮。当前的评论重点关注这一趋势如何改变音乐神经科学领域。