語(yǔ)音和音樂(lè)是人類(lèi)對(duì)聲音最復(fù)雜、最獨(dú)特的認(rèn)知方式。這兩個(gè)領(lǐng)域在多大程度上依賴(lài)于可分離的神經(jīng)機(jī)制?這種專(zhuān)業(yè)化的神經(jīng)基礎(chǔ)是什么?對(duì)于這兩個(gè)問(wèn)題，雖然已經(jīng)有了部分認(rèn)識(shí)，但是對(duì)具體細(xì)節(jié)仍舊知之甚少。一些研究已經(jīng)提出，左半球的語(yǔ)音神經(jīng)專(zhuān)門(mén)化和右半球的基于音高的音樂(lè)方面的專(zhuān)門(mén)化來(lái)自于對(duì)左右聽(tīng)覺(jué)皮層(ACs)對(duì)聲學(xué)線索處理的差異。然而，domain-specific的研究表明，語(yǔ)音和音樂(lè)是由專(zhuān)門(mén)的神經(jīng)網(wǎng)絡(luò)處理的，但這種神經(jīng)網(wǎng)絡(luò)的偏側(cè)化不能用低水平的聽(tīng)覺(jué)線索來(lái)解釋。那么其專(zhuān)門(mén)網(wǎng)絡(luò)的聲學(xué)基礎(chǔ)是什么呢？

來(lái)自加拿大蒙特利爾實(shí)驗(yàn)室的研究者對(duì)這一問(wèn)題進(jìn)行了研究，成果發(fā)表在Science雜志上。本文通過(guò)有選擇地過(guò)濾時(shí)間或頻譜調(diào)制的歌唱語(yǔ)音刺激（語(yǔ)音刺激中的口語(yǔ)和旋律內(nèi)容是交叉平衡的，是由無(wú)樂(lè)器旋律和句子語(yǔ)音合成的）。結(jié)果發(fā)現(xiàn)，語(yǔ)音感知只隨著時(shí)間信息的調(diào)制而下降，而旋律感知只隨著頻譜信息的調(diào)制而下降。功能性磁共振成像數(shù)據(jù)顯示，語(yǔ)音和旋律的神經(jīng)解碼分別依賴(lài)于左右聽(tīng)覺(jué)區(qū)域的活動(dòng)模式。這種不對(duì)稱(chēng)性是由每個(gè)區(qū)域?qū)︻l譜-時(shí)間調(diào)制速率的特定靈敏度所支持的。最后，信息減少對(duì)感知的影響與它們對(duì)神經(jīng)分類(lèi)的影響是平行的。本文研究結(jié)果表明，語(yǔ)言和音樂(lè)混合信號(hào)的聲學(xué)特性與適應(yīng)這一目的神經(jīng)專(zhuān)門(mén)化之間存在匹配。

注釋?zhuān)?/span>在文中為了方便表述，句子一律為語(yǔ)音處理即語(yǔ)言的聽(tīng)覺(jué)處理，旋律一律為音樂(lè)處理。用材料特性來(lái)代表他們所代表的實(shí)質(zhì)對(duì)象。 

研究背景

盡管以往的經(jīng)驗(yàn)性證據(jù)支持雙側(cè)聽(tīng)覺(jué)皮層對(duì)不同聲學(xué)線索的處理，但是從當(dāng)前研究的內(nèi)容看，聲學(xué)線索的復(fù)雜性被嚴(yán)重低估了：諸如spectrotemporal resolution、time integration window和振蕩（oscillation）等信息雖然已經(jīng)被用來(lái)解釋半球特異性，但是卻很難在一個(gè)可行的神經(jīng)框架內(nèi)直接測(cè)試這些概念，特別是使用自然的語(yǔ)音或音樂(lè)刺激（這里的“自然”指的是我們?cè)趯こ５纳钪新?tīng)到的語(yǔ)音或者音樂(lè)。實(shí)驗(yàn)刺激為了更好的分離神經(jīng)響應(yīng)和刺激之間的對(duì)應(yīng)關(guān)系，需要對(duì)語(yǔ)音或者音樂(lè)進(jìn)行聲學(xué)特征上的分解，例如從頻率上聲學(xué)信息進(jìn)行調(diào)制）。頻譜-時(shí)間接受域（spectrotemporal receptive fields）的概念為聽(tīng)覺(jué)線索的神經(jīng)分解提供了一個(gè)在計(jì)算上嚴(yán)謹(jǐn)且在神經(jīng)生理學(xué)上合理的方法。該模型基于動(dòng)物的單細(xì)胞記錄和人類(lèi)的神經(jīng)成像，提出了聽(tīng)覺(jué)神經(jīng)元作為頻譜-時(shí)間調(diào)制(STM)的速率過(guò)濾器的作用。STM可能為解釋ACs的偏側(cè)性提供了一種機(jī)制基礎(chǔ)，但聲學(xué)STM特征、大腦半球的不對(duì)稱(chēng)性和處理復(fù)雜信號(hào)(如語(yǔ)音和音樂(lè))時(shí)的行為表現(xiàn)之間的直接關(guān)系尚未得到研究。

為此，本文的作者創(chuàng)造了一個(gè)刺激組，其中10個(gè)原始的句子與10個(gè)原始的旋律相交叉，產(chǎn)生了100首自然主義的無(wú)伴奏合成歌曲。這種跨刺激的語(yǔ)音和旋律域的正交化使得語(yǔ)音特異性(或旋律特異性)與非特異性的聲學(xué)特征分離，從而便于控制任何潛在的聲學(xué)偏差。作者創(chuàng)建了兩個(gè)獨(dú)立的刺激組，一個(gè)是法語(yǔ)組，另一個(gè)是英語(yǔ)組，以保證再現(xiàn)性和測(cè)試在語(yǔ)音間的通用性。然后，使用STM框架對(duì)聲音信號(hào)進(jìn)行了處理，并在時(shí)域和頻域?qū)Ω鞔碳みM(jìn)行了參數(shù)化處理。

研究方法

首先在一個(gè)行為實(shí)驗(yàn)中調(diào)查了STM rate對(duì)句子或旋律識(shí)別分?jǐn)?shù)的重要性。以法語(yǔ)為母語(yǔ)的人(n = 27)和以英語(yǔ)為母語(yǔ)的人(n = 22)被出示成對(duì)的刺激物，并被要求辨別講話內(nèi)容或旋律內(nèi)容。因此，兩項(xiàng)任務(wù)設(shè)置的刺激是相同的，只有被試受到的任務(wù)說(shuō)明的差異（即使用相同的聲音材料，但判斷不同的任務(wù)）。如圖1所示，為了能夠達(dá)到對(duì)材料在時(shí)域和頻譜上的degradation，作者對(duì)由10句話和10句歌詞混合成的100首自然歌曲分別在時(shí)域上做了5次高通濾波（分別是3.5H、2.5Hz、2Hz、1.5Hz和1Hz），在頻譜密度進(jìn)行了5次截止值分別為3、2、1.8、1.5和0.6cyc/kHz的濾波。通過(guò)這樣的方法，一共產(chǎn)生了1000個(gè)刺激材料。

圖1 刺激材料的制作流程

作者為了驗(yàn)證上述的實(shí)驗(yàn)材料的操作對(duì)被試的行為表現(xiàn)是有顯著影響的，因此先進(jìn)行了行為學(xué)實(shí)驗(yàn)。從圖2A中可以看出，被試需要對(duì)相同的實(shí)驗(yàn)測(cè)量進(jìn)行判斷，這些材料分為兩類(lèi)，要么是被進(jìn)行了時(shí)域上的處理，要么是被進(jìn)行了頻譜上的處理。被試在聽(tīng)完材料后，需要判斷聽(tīng)到的兩個(gè)句子的語(yǔ)音內(nèi)容或者旋律內(nèi)容是否匹配，并進(jìn)行按鍵反應(yīng)。

對(duì)行為學(xué)實(shí)驗(yàn)中被試對(duì)在時(shí)域上不同濾波值的聲學(xué)材料的分辨得分和不同的濾波截止值進(jìn)行線性回歸發(fā)現(xiàn)高通濾波的截止值和被試標(biāo)準(zhǔn)后的句子分辨得分顯著正相關(guān)（圖2b中左上淡藍(lán)色），對(duì)行為學(xué)實(shí)驗(yàn)中被試對(duì)在頻譜上不同截止濾波的聲學(xué)材料的判斷得分和不同的截止值進(jìn)行線性回歸分析發(fā)現(xiàn)，對(duì)旋律的分辨得分和頻譜濾波截止值顯著正相關(guān)。在進(jìn)行了2*2的ANOVA分析后發(fā)現(xiàn)，正如線性回歸結(jié)果所示，對(duì)頻譜濾波的操作顯著影響對(duì)旋律的分辨得分，但不影響對(duì)句子的分辨得分。而對(duì)時(shí)域的操作則顯著影響對(duì)句子的分辨得分，對(duì)旋律的影響不顯著。圖2b和圖2c分別是法語(yǔ)被試和英語(yǔ)被試對(duì)各自語(yǔ)音相同條件的實(shí)驗(yàn)操作的反應(yīng)，可以看出跨語(yǔ)音背景得到的結(jié)果是一致的。這說(shuō)明，在時(shí)間-頻譜上的不同調(diào)制方法對(duì)語(yǔ)音和旋律的影響可能是特定的。并且不受到語(yǔ)音差異的影響。

圖2 英語(yǔ)和法語(yǔ)被試的行為學(xué)實(shí)驗(yàn)結(jié)果

接著，作者要驗(yàn)證這種在行為學(xué)中表現(xiàn)明顯的STM rate 調(diào)制帶來(lái)的影響是如何在大腦中表征的。作者進(jìn)行記錄了15名法國(guó)人參與過(guò)行為實(shí)驗(yàn)的法國(guó)人的血氧水平依賴(lài)(BOLD)活動(dòng)，實(shí)驗(yàn)為Block設(shè)計(jì)，每個(gè)Block 包含5個(gè)句子歌曲（Block里要么是受到頻譜調(diào)制，要么是受到時(shí)域調(diào)制，兩種類(lèi)型不會(huì)出現(xiàn)在同一個(gè)block，共110個(gè)Block，分為兩個(gè)run進(jìn)行，每個(gè)run55個(gè)Block），這些歌曲要么在時(shí)域上受到調(diào)制要么在頻譜上受到調(diào)制。實(shí)驗(yàn)過(guò)程如圖3A所示，為了能夠讓被試在實(shí)驗(yàn)過(guò)程中集中注意力，在Block中有兩個(gè)1-back任務(wù)，作者需要對(duì)特定trail進(jìn)行判斷，這個(gè)歌曲受到的調(diào)制影響在之前的句子中是否出現(xiàn)過(guò)（對(duì)時(shí)域調(diào)制來(lái)說(shuō)是3.5Hz，對(duì)頻譜調(diào)制來(lái)說(shuō)是3.5cyc/kHz）。

MRI采集參數(shù)和處理

T1采集參數(shù)：192 層，矢狀位采集;TR = 2300 ms; TE = 2.98 ms; flip angle = 9°; matrix size = 256× 256; field of view = 256 × 256 mm²; voxel size = 1 × 1 × 1 mm³。

EPI采集參數(shù)：48層，軸位采集，multiband 采集，factor為6，TR 570ms，2.5mm層厚，matrix size, 84 x84, FOV 210 x 210mm²; voxel size, 2.5 x 2.5 x 2.5 mm^3。預(yù)處理使用SPM12，時(shí)間層校正，頭動(dòng)校正，然后使用兩步配準(zhǔn)法配入MNI標(biāo)準(zhǔn)空間。最后進(jìn)行5mm空間平滑。然后作者進(jìn)行了全腦的單變量分析，一階建模建立了時(shí)域調(diào)制和頻譜調(diào)制兩個(gè)contrast，在voxel-wise進(jìn)行FWE校正。然后是多體素模式識(shí)別分析。

作者使用了多種方法來(lái)進(jìn)行分類(lèi)的機(jī)器學(xué)習(xí)。作者首先是建立了對(duì)每個(gè)句子和每種旋律的一階GLM，提取取每個(gè)句子和旋律的Beta圖。然后將其用于機(jī)器學(xué)習(xí)的分類(lèi)分析，作者使用了the Decoding Toolbox和LibSVM兩個(gè)工具包進(jìn)行了基于線性核的分類(lèi)模型的分析（之所以使用較為簡(jiǎn)單的線性核，是因?yàn)樽髡哒J(rèn)為過(guò)于復(fù)雜的非線性核或者卷積神經(jīng)網(wǎng)絡(luò)可能會(huì)導(dǎo)致特征值和非線性驅(qū)動(dòng)的交互影響導(dǎo)致過(guò)擬合的出現(xiàn)）。

對(duì)于每個(gè)被試，作者都使用的是個(gè)體空間的Beta map進(jìn)行的分類(lèi)模型的訓(xùn)練和驗(yàn)證。這是因?yàn)榕錅?zhǔn)和空間平滑會(huì)帶來(lái)更多的噪聲，可能導(dǎo)致全腦信號(hào)的anti-correlation。作者的模型訓(xùn)練是多分類(lèi)模型，使用每個(gè)個(gè)體空間所有條件下的Beta map，利用searchlight的方法，以4mm小球在全腦進(jìn)行分類(lèi)訓(xùn)練，分類(lèi)對(duì)象是10個(gè)旋律或者是10個(gè)句子。每次訓(xùn)練都會(huì)給這個(gè)小球中心的voxel賦值這次預(yù)測(cè)的準(zhǔn)確性，通過(guò)searchlight的方法就可以將全腦所有的voxel都進(jìn)行預(yù)測(cè)準(zhǔn)確性的賦值，使用留一交叉驗(yàn)證進(jìn)行模型驗(yàn)證。然后每個(gè)被試就可以得到針對(duì)旋律或者句子進(jìn)行分類(lèi)的準(zhǔn)確性的map，然后再對(duì)這些map進(jìn)行配準(zhǔn)，配準(zhǔn)到標(biāo)準(zhǔn)空間中。最后進(jìn)行group wise的統(tǒng)計(jì)檢驗(yàn)。通過(guò)單樣本t檢驗(yàn)對(duì)兩類(lèi)map進(jìn)行組水平閾值化（補(bǔ)充圖1）。

補(bǔ)充圖1 能夠顯著分類(lèi)10個(gè)句子/旋律的團(tuán)塊結(jié)果

圖3 核磁單變量分析結(jié)構(gòu)和多體素模式的分類(lèi)模型

研究結(jié)果

單變量分析發(fā)現(xiàn)，處理句子信息或者旋律信息的這些區(qū)域位于初級(jí)ACs(左右聽(tīng)覺(jué)皮層)的外側(cè)，與信息處理的腹側(cè)聽(tīng)覺(jué)流相對(duì)應(yīng)，包括Pbelt區(qū)和外側(cè)前顳上回（圖3B），但兩個(gè)維度的大腦半球反應(yīng)均無(wú)顯著差異(全腦雙樣本配對(duì)t檢驗(yàn);所有p > 0.05)。這說(shuō)明，單變量分析沒(méi)有足夠的敏感性探測(cè)到聽(tīng)覺(jué)區(qū)域?qū)@兩種不同加工對(duì)象的反應(yīng)。

多體素模式識(shí)別的分類(lèi)分析發(fā)現(xiàn)，句子的神經(jīng)編碼在很大程度上依賴(lài)于左A4的神經(jīng)活動(dòng)模式，而旋律的神經(jīng)編碼在很大程度上依賴(lài)于右側(cè)A4區(qū)域的神經(jīng)活動(dòng)。從圖3D中可以看出，左側(cè)A4和右側(cè)A4區(qū)域?qū)渥雍托傻姆诸?lèi)的準(zhǔn)確性均顯著高于機(jī)會(huì)概率10%，但是對(duì)于句子分類(lèi)而言，左側(cè)A4區(qū)域的分類(lèi)正確率顯著高于右側(cè)，而對(duì)于旋律的分類(lèi)，右側(cè)A4顯著高左側(cè)A4區(qū)域。

同時(shí)，為了進(jìn)一步分析這種分類(lèi)性是不是在所有被試中都是顯著存在的，作者基于顳葉mask進(jìn)行了information prevalence analysis。對(duì)于句子的解碼，在左A4中觀察到高達(dá)70%的概率值(p = 0.02，校正后，這說(shuō)明在70%以上的被試中可以由左側(cè)A4區(qū)域?qū)渥臃诸?lèi)的預(yù)測(cè)達(dá)到組水平的預(yù)測(cè)精度)，而在右A4中觀察到高達(dá)69%的概率值對(duì)旋律的解碼（p=0.03，校正后，這說(shuō)明在69%以上的被試中可以有右側(cè)A4區(qū)域?qū)π煞诸?lèi)的預(yù)測(cè)達(dá)到組水平的預(yù)測(cè)精度，圖3E）。最后，作者使用計(jì)算偏側(cè)化的方法計(jì)算了最后，右半球A4和左半球A4對(duì)句子或旋律的分類(lèi)準(zhǔn)確率是否更好。作者計(jì)算了準(zhǔn)確性評(píng)分的偏側(cè)指數(shù)[(R- L)/(R + L)]（具體操作就是把每一個(gè)被試的分類(lèi)正確率map進(jìn)行flip，然后對(duì)flip后和沒(méi)flip的圖進(jìn)行相減或者相加，這樣得到右側(cè)減去左側(cè)的圖和左側(cè)加上右側(cè)的圖，然后再對(duì)這兩張圖相除）。

結(jié)果發(fā)現(xiàn)在A4區(qū)域?qū)渥雍托傻姆诸?lèi)正確率在相反的方向上存在顯著的不對(duì)稱(chēng)性(圖3F，p < 0.05，全腦水平校正)?？梢钥闯觯?b>句子分類(lèi)正確率的偏側(cè)化指數(shù)明顯是左側(cè)，而旋律分類(lèi)正確率的偏側(cè)化指數(shù)明顯是右側(cè)。這說(shuō)明，不同分析方法不影響結(jié)果的一致性。

然后作者測(cè)試了左右腦的語(yǔ)音和旋律內(nèi)容的神經(jīng)專(zhuān)門(mén)化與這兩個(gè)區(qū)域的行為處理之間的關(guān)系。通過(guò)計(jì)算從神經(jīng)數(shù)據(jù)分類(lèi)中提取的混淆矩陣(對(duì)于每個(gè)被試的全腦，利用上述分析中由searchlight獲得的對(duì)每個(gè)刺激的預(yù)測(cè)準(zhǔn)確率和其本來(lái)的標(biāo)簽所構(gòu)建起來(lái)的混淆矩陣，混淆矩陣又稱(chēng)為可能性表格或是錯(cuò)誤矩陣。它是一種特定的矩陣用來(lái)呈現(xiàn)算法性能的可視化效果，通常是有監(jiān)督學(xué)習(xí)用來(lái)表征模型效能的方法。其每一列代表預(yù)測(cè)值，每一行代表的是實(shí)際的類(lèi)別。這個(gè)名字來(lái)源于它可以非常容易的表明多個(gè)類(lèi)別是否有混淆（也就是一個(gè)class是否被預(yù)測(cè)成另一個(gè)class)和從離線記錄的行為數(shù)據(jù)使用相同的分類(lèi)器對(duì)所有trail的行為學(xué)數(shù)據(jù)進(jìn)行分類(lèi)所得到的混淆矩陣來(lái)進(jìn)行分析，從而估計(jì)由神經(jīng)數(shù)據(jù)和行為學(xué)數(shù)據(jù)所得到的對(duì)10個(gè)句子（要么是10個(gè)句子，要么是10個(gè)旋律，和任務(wù)態(tài)分析里是對(duì)應(yīng)的）的分類(lèi)準(zhǔn)確性的不同混淆矩陣之間的線性和非線性統(tǒng)計(jì)相關(guān)性。

作者使用了NMI來(lái)衡量這兩組混淆矩陣之間的關(guān)系，（NMI衡量的是對(duì)一幅圖像的了解在多大程度上減少了對(duì)另一幅圖像的不確定性，這種方法常用于分析聚類(lèi)結(jié)果和真實(shí)的社團(tuán)劃分之間的差異，值在0-1之間，這種方法用在這里可以評(píng)估行為學(xué)構(gòu)建的一組混淆矩陣數(shù)據(jù)與神經(jīng)影像數(shù)據(jù)所構(gòu)建的混淆矩陣之間的關(guān)系，值越大就說(shuō)明這兩種矩陣間的距離越近）。作者通過(guò)searchlight結(jié)合上述方法，就可以在全腦每個(gè)體素上進(jìn)行NMI值的賦值，這樣的情況下，體素的NMI的值越大，就越代表了由這些體素所構(gòu)建的預(yù)測(cè)模型而得到的混淆矩陣和行為學(xué)構(gòu)建的混淆矩陣越相似。作者同樣是利用前面所提到的偏側(cè)化方法來(lái)處理得到的NMI值的全腦圖，對(duì)全腦圖進(jìn)行flip，相減和相加，然后相除。這樣得到一張偏側(cè)化的圖，進(jìn)行單樣本T檢驗(yàn)，然后團(tuán)塊水平的校正。

結(jié)果發(fā)現(xiàn)，如圖4B所示，由句子刺激建立的NMI圖像表現(xiàn)出明顯的左側(cè)化，區(qū)域?yàn)樽髠?cè)A4聽(tīng)覺(jué)區(qū)。而由旋律刺激建立的NMI圖像表現(xiàn)出明顯的右側(cè)化，區(qū)域?yàn)橛覀?cè)A4區(qū)域。這說(shuō)明，左側(cè)A4聽(tīng)覺(jué)區(qū)所表現(xiàn)出的對(duì)句子分類(lèi)正確率的神經(jīng)響應(yīng)和行為數(shù)據(jù)中表現(xiàn)出的分辨能力是顯著相關(guān)的。而右側(cè)A4聽(tīng)覺(jué)區(qū)則對(duì)行為學(xué)中對(duì)旋律分辨分?jǐn)?shù)負(fù)責(zé)。

      最后，作者研究了語(yǔ)音和旋律內(nèi)容的半球化是否與左、右ACs對(duì)STMs的聲學(xué)敏感性差異直接相關(guān)。為了研究這個(gè)問(wèn)題，作者首先使用所有trail作為神經(jīng)影像數(shù)據(jù)對(duì)于句子和旋律的分類(lèi)準(zhǔn)確率進(jìn)行預(yù)測(cè)建立模型，通過(guò)和上文在分析中所述的相同方法提取出全腦的分類(lèi)準(zhǔn)確率map，然后使用特定頻譜變化或者時(shí)域的特定頻率變化的trail（也就是進(jìn)行了反應(yīng)的那些trail，那些trail都是特定的）作為分類(lèi)對(duì)象，使用神經(jīng)影像數(shù)據(jù)進(jìn)行模型預(yù)測(cè)，得到全腦的分類(lèi)準(zhǔn)確率map。然后對(duì)每個(gè)被試得到的map進(jìn)行兩樣本配對(duì)t。

統(tǒng)計(jì)結(jié)果發(fā)現(xiàn)，雙側(cè)ACs存在顯著的分類(lèi)正確率差異(左側(cè)和右側(cè)A4區(qū);p < 0.05，cluster wise校正;圖4C)。對(duì)于句子分類(lèi)，與頻譜調(diào)制相比，僅在時(shí)域的頻率調(diào)制上發(fā)現(xiàn)左A4區(qū)域出現(xiàn)顯著的準(zhǔn)確性損失(p < 0.001, Tukey校正;所有其他的，p > 0.16，即對(duì)特定頻率刺激的預(yù)測(cè)的正確率高于所有trail用于分類(lèi)的準(zhǔn)確率，這里的準(zhǔn)確性損傷是所有trail的預(yù)測(cè)模型相對(duì)于特定trail的預(yù)測(cè)模型而言的)，而相反的模式只觀察到旋律在右A4區(qū)域表現(xiàn)出來(lái)，即相對(duì)于時(shí)域的頻率改變，頻譜調(diào)制帶來(lái)的正確率損失顯著 (p = 0.003, Tukey糾正;其他的，p > 0.5)。在圖4c中，在左側(cè)可以看到在淡藍(lán)色的句子分類(lèi)模型中，左側(cè)A4區(qū)域在時(shí)域的頻率變化中相比于頻譜調(diào)制出現(xiàn)了顯著的正確率下降，而旋律則無(wú)顯著差異。在右側(cè)的柱狀圖中可以看出，右側(cè)A4區(qū)域?qū)π傻姆诸?lèi)預(yù)測(cè)在頻譜調(diào)制下相比于時(shí)域的頻率調(diào)制出現(xiàn)了顯著的正確率下降，而句子則未表現(xiàn)出明顯差異。這說(shuō)明，語(yǔ)音和旋律內(nèi)容的半球化與左、右ACs對(duì)STMs的聲學(xué)敏感性差異直接相關(guān)。特定的時(shí)域頻率的調(diào)制和特定的頻譜調(diào)制在左右ACs尤其是A4區(qū)域的神經(jīng)編碼是存在顯著差異的。      

除此以外，作者還在所有trail的基礎(chǔ)上研究了時(shí)域頻率和頻譜的degradation和左右偏側(cè)化的關(guān)系。使用了和我們上文中描述的一樣的NMI方法，構(gòu)建出了行為數(shù)據(jù)對(duì)不同類(lèi)型（句子和旋律）degradation的混淆矩陣和神經(jīng)影像數(shù)據(jù)的混淆矩陣，然后計(jì)算了NMI，并使用相同的偏側(cè)化計(jì)算方法，計(jì)算了degradation對(duì)行為數(shù)據(jù)和神經(jīng)影像數(shù)據(jù)之間的相關(guān)關(guān)系的影響。發(fā)現(xiàn)，對(duì)于句子，NMI在頻譜degradation時(shí)是偏側(cè)的(t(14) = 2.32, p = 0.03)，而在時(shí)域degradation時(shí)，NMI的偏側(cè)性消失了(t(14) = 0.44, p = 0.66)。相比而言，對(duì)于旋律，NMI在時(shí)域degradation時(shí)表現(xiàn)為右側(cè)化(t(14) = 3.46, p = 0.004)，而對(duì)于頻譜degradation表現(xiàn)為右側(cè)化(t(14) = 0.24, p = 0.80，圖4D)。這說(shuō)明，聽(tīng)覺(jué)半球?qū)τ?span>spectrotemporal的加工是有不同的編碼機(jī)制的，并且這種機(jī)制特定于時(shí)間線索和頻譜線索。

圖4 NMI分析結(jié)果

總結(jié)：    

本研究表明，音樂(lè)加工和語(yǔ)音加工這兩個(gè)領(lǐng)域利用了頻譜-時(shí)間連續(xù)體的兩個(gè)不同方面，在具有偏側(cè)化的兩個(gè)平行的神經(jīng)系統(tǒng)中，左右半球的聽(tīng)覺(jué)加工對(duì)聲學(xué)線索中頻譜-時(shí)間信息出現(xiàn)了不同的編碼方式，在聽(tīng)覺(jué)互補(bǔ)的過(guò)程中出現(xiàn)了特異的編碼方法，最大限度地提高了各自聲學(xué)特征的編碼效率。
原文：Distinct sensitivity to spectrotemporal modulation supports brain asymmetry for speech and melody

微信掃碼或者長(zhǎng)按選擇識(shí)別關(guān)注思影