Soutenance de thèse de LALANDE Paul
Titre de thèse
Codage prédictif dans la musique naturelle
Predictive coding in natural music
Résumé de la thèse
La musique est conçue pour stimuler le cerveau : elle peut nous faire danser, susciter une grande diversité d'émotions et générer un plaisir intense. Ces effets découlent de la capacité de notre système perceptif à prédire automatiquement les sons à venir sur la base du contexte et de nos expériences passées. Les prédictions musicales peuvent être simulées à l'aide de modèles computationnels, que ce soit pour évaluer les théories fondamentales de la perception auditive et leur implémentation biologique, pour étudier la manière dont la musique mobilise d'autres fonctions cognitives, ou encore pour examiner ses effets bénéfiques sur la santé. Cependant, les modèles existants sont limités à des musiques simplifiées, assez éloignées des morceaux écoutés dans la vie quotidienne. Afin d'étendre ces approches à des musiques plus naturelles, nous avons entraîné un réseau de neurones artificiels (PolyRNN) pour modéliser les attentes musicales à partir d'enregistrements réels de musique polyphonique. Dans un premier temps, nous avons validé le modèle en testant sa capacité à prédire les réponses cérébrales à de la musique naturelle. Nos résultats montrent que PolyRNN permet d'identifier des marqueurs neuraux d'erreur de prédiction dans le cortex auditif pendant l'écoute. Dans un second temps, nous avons utilisé PolyRNN pour évaluer la façon dont les attentes musicales influencent la mémorisation de la musique. Nos analyses révèlent une relation en U, selon laquelle les morceaux les plus mémorables sont soit les plus surprenants soit les plus prédictibles. De plus, ces deux extrêmes sont encodés par des mécanismes neuraux distincts dans le gyrus temporal moyen. Enfin, nous montrons que les représentations musicales internes apprises par PolyRNN lors de son entraînement sont de bons prédicteurs des réponses neurales à la musique dans l'ensemble du système auditif, et mettent en évidence une activité pré-stimulus associée aux prédictions perceptives.
Thesis resume
Music is designed to stimulate the brain: it can make us dance, evoke a wide range of emotions and generate intense pleasure. These effects arise from the capacity of our perceptual system to automatically predict upcoming sounds based on context and past experience. Musical predictions can be simulated using computational models, whether to evaluate fundamental theories of auditory perception and their biological implementation, to investigate how music engages other cognitive functions, or to examine its beneficial effects on health. However, existing models are restricted to simplified musical materials, quite far from the pieces we listen to in everyday life. To extend these approaches to more naturalistic music, we designed and trained an artificial neural network (PolyRNN) to model musical expectations in real recordings of polyphonic music. First, we validated the model by testing its ability to predict brain responses to natural music. Our results show that PolyRNN captures neural markers of prediction error in the auditory cortex during listening. Second, we used PolyRNN to assess how musical expectations influence memory for music. Our analyses reveal a U-shaped relationship, in which the most memorable pieces are either highly surprising or highly predictable. Moreover, these two extremes are encoded by distinct neural mechanisms (i.e., neural pattern similarity and separability) in the middle temporal gyrus. Finally, we show that the internal musical representations learned by PolyRNN during training are strong predictors of neural responses to music throughout the auditory system, and reveal pre-stimulus activity associated with perceptual predictions.