Search

Submitted by Christianne Fontes de Andrade (cfontes@ct.ufrj.br) on 2019-10-22T14:23:11Z No. of bitstreams: 1 877657.pdf: 1739243 bytes, checksum: 98f496931c4a563383685aa682a71f2b (MD5) Made available in DSpace on 2019-10-22T14:23:11Z (GMT). No. of bitstreams: 1 877657.pdf: 1739243 bytes, checksum: 98f496931c4a563383685aa682a71f2b (MD5) Previous issue date: 2017-08 Atividades cerebrais em resposta à música têm sido investigadas de diferentes maneiras nos últimos anos. Porém, o mapeamento contínuo da atividade cerebral ao ouvir música, em combinação com a modelagem de características musicais, é uma abordagem recente. Os chamados “modelos de codificação” permitem capturar os efeitos de múltiplas variáveis do estímulo na resposta cerebral. Ainda, estes modelos podem ser utilizados para decodificar ou identificar estímulos a partir da atividade cerebral. Este trabalho utiliza essas novas abordagens de codificação e decodificação da atividade cerebral em resposta à música. Primeiro, características musicais extraídas do sinal de áudio são mapeadas para a atividade cerebral, registrada por ressonância magnética funcional. A partir desse mapeamento, as representações espaciais e multivariadas são decodificadas para identificar qual música foi escutada. Numa investigação sistemática, os parâmetros internos da modelagem que levam ao desempenho ótimo do modelo são revelados e discutidos. Entre os parâmetros mais importantes são a escolha ideal da dimensão espacial e a consideração da entropia das músicas, resultando em acurácias máximas de até 95%. The neural correlates of listening to music have been investigated in several ways. However, mapping ongoing brain activity during naturalistic music listening combined with detailed models of musical features is an emerging approach. The socalled “encoding models” allow capturing the effects of multiple stimulus variables on brain responses that can be used subsequently to decode or identify stimuli from brain activity. This work applies methods for encoding and decoding brain activity in response to naturalistic music listening. First, musical features are extracted from the audio signal and mapped to brain activity, measured by functional magnetic resonance imaging. Building on this mapping, multivariate spatial representations are decoded in order to identify a specific music which is listened as the activity is measured. Further, a systematic investigation reveals internal parameters that maximize model performance. Among the most important parameters are the ideal point in the spatial dimension and the consideration of entropy of the music pieces, resulting in maximum accuracies of up to 95%.