Mon Cerveau à l'école

Que représentent les tons musicaux et de quoi sont-ils composés?

Notre expérience des « tons » musicaux est liée à la fréquence de répétition des ondes sonores qui atteint nos oreilles. Par exemple, lorsqu’on appuie sur les touches d’un piano en allant de la gauche vers la droite, la fréquence de répétition des ondes sonores qui sont produites augmente de façon linéaire (Figure A)

Par conséquent, nous percevons des tons qui semblent de plus en plus hauts à mesure que nous avançons sur le piano. Pourtant les notes musicales qui sont issues via ce processus reviennent de façon cyclique à l’intérieur de chaque octave. Curieusement, les notes qui portent le même nom (C correspond à “DO” en français, G correspond à « SOL ») sont caractérisées par différentes fréquences dépendant de leur octave mais malgré cela, elles sont perçues de façon très similaire. Ce phénomène est appelé “ l’équivalence d’octave” et il est utilisé par toutes les échelles musicales qui existent ou qui ont existé dans le passé.

En prenant en compte toutes ces considérations, les psychologues décrivent le ton musical comme composé de 2 dimensions (Figure B) : une première linéaire (hauteur) et l’autre cyclique (« chroma » ou la qualité ou la couleur du son). En ce qui concerne cette dernière, il existe une controverse depuis plus de 2 siècles. Selon certains auteurs, chroma correspond à un attribut basique perceptuel du son provenant de contraintes biologiques. Selon d’autres auteurs, nous apprendrions à reconnaître les mêmes notes à travers les octaves grâce à l’éducation musicale.  En d’autres termes, « chroma » est considérée par ces  derniers auteurs comme une composante de haut niveau secondaire à l’exposition à la musique occidentale, exigeant de l’attention et de l’apprentissage dans le but d’être traité.

Des capacités à distinguer les tons musicaux à 3 mois et endormis!

Afin de résoudre ce débat, nous avons exposé des bébés de 3 mois à des séquences de sons d’orchestre répétés couvrant 4 “hauteurs” et 2 “chromas” (cf Figure A). Alors que les bébés étaient pour la plupart du temps endormis, nous avons collecté leurs réponses cérébrales avec de l’électroencéphalographie à haute densité et nous avons analysé les données avec des techniques d’intelligence artificielle (“machine learning”). Nous avons constaté que les nourrissons traitaient les tons musicaux le long de deux dimensions : hauteur et chroma. Plus spécifiquement, nous avons observé que la fréquence particulière des notes (hauteur) pouvait être reconstruite juste après le début des sons (Figure C).

Le “chroma” ou la couleur du son, un aspect fondamental du son

Après environ 600ms, le cerveau du nourrisson retire l’information relative à la hauteur et traite la représentation du “chroma ” (qui est donc l’identité de la note indépendamment de la fréquence de répétition du son (donc de l’octave)). Par ailleurs, nous avons dé couvert que les bébés continuaient de représenter le chroma (mais pas la hauteur) à travers les séquences auditives et même lorsque les sons avaient stoppé.

En conclusion, nous avons démontré que la hauteur et le chroma constituaient des principes d’organisation fondamentaux de la perception auditive observables dès les premiers mois.

 Afin de contribuer au débat mentionné plus haut, le fait que le chroma soit traité par des cerveaux pré-verbaux durant le sommeil suggère que cet attribut constitue un aspect fondamental du son plutôt qu’une composante de haut niveau (et donc exigeante sur le plan cognitif) lié à la culture. Pour aller plus loin, nous proposons que les deux dimensions sont traitées à des temps différents, ceci étant dû à leur fonction différente : alors que la hauteur fournit de l’information sur la source du son (violon VS violoncelle), le chroma fait passer le message (e.g. il définit la mélodie) et pour cette raison a besoin d’être traqué dans le temps de façon continue.

Résumé initial anglais de Giulia GENNARI.

Comment le sens du nombre apparait chez l’être humain?

Nous utilisons tous les mathématiques dans notre vie de tous les jours, pour faire la monnaie dans un magasin, pour dire l’heure, pour choisir la file la plus courte au supermarché. La recherche suggère que le raisonnement numérique, essentiel pour notre fonctionnement, vient d’une capacité très basique qui est indépendante de la culture et de la langue: une capacité fondamentale d’estimer une quantité approximative d’items dans un ensemble sans les compter. Alors que de telles intuitions numériques sont communes à tous les adultes, leurs origines développementales sont pour l’instant méconnues. En fait, des études précédentes ont montrées que les bébés aussi jeunes que 6 mois pouvaient différencier des groupes d’objets composés de différents nombres d’items. Cependant ce n’est pas très clair de savoir si les bébés comparent ces groupes basés sur le nombre ou bien basés sur d’autres aspects non-numériques des quantités puisque les 2 sont inévitablement liés (Figure A)

Aujourd’hui, certaines théories suggèrent que notre sens du nombre est inné alors que d’autres maintiennent que les bébés peuvent seulement effectuer des jugements très généraux (de type “plus ou moins “) sans être capable de représenter les nombres indépendamment d’autres magnitudes parallèles.

Des capacités à distinguer les quantités à 3 mois et endormis!

Dans notre expérience, des nourrissons de 3 mois ont écouté des séquences composées soit de 4 sons, soit de 12 sons caractérisés par des durées et fréquences variables (Figure B).Pendant ce temps, nous avons enregistré leurs réponses cérébrales grâce à de l’electroencéphalographie à haute densité. Pour savoir si les nourrissons ont été capables d’estimer le nombre de tons dans les séquences, nous avons utilisé une technique basée sur l’intelligence artificielle. Plus précisément, nous avons entrainé des algorithmes  de machine learning afin de différencier les réponses neurales 4 VS 12 à travers des sessions multiples. Dans chaque session, nous avons seulement inclus certaines des séquences présentées dans la figure B.

Une fois l’apprentissage complété, nous avons testé si les algorithmes pouvaient deviner si c’était 4 ou 12 à partir des réponses neurales de séquences auditives non entraînées caractérisées par différentes caractéristiques quantitatives. Globalement cette stratégie nous a permis d’éviter de commettre des erreurs d’effets de fréquence et durée pour le traitement numérique.

Nous avons trouvé que les nourrissons encodaient les nombres approximatifs des sons composant les séquences d’une manière automatique (ils étaient endormis !!) et indépendamment d’autres quantités non-numériques qui définissaient les stimuli (telles que la fréquence et la durée).

Des capacités cross-modales!

Comment se fait-il que notre cerveau soit équipé avec un mécanisme primitif pour l’extraction de l’information numérique si précocement ? Après tout, à 3 mois et durant le sommeil, les nombres approximatifs ne semblent pas si pertinents à représenter… Nous pensons que les nombres puissent être spéciaux car c’est la seule quantité qui traverse/dépasse les sens, le temps et l’espace (par exemple “4 doigts”, “4 parfums”, “4 sons” n’ont perceptivement rien en commun mais partagent le même concept numérique). Etant donné cette considération, nous nous sommes demandés si les représentations numériques de nos jeunes participants étaient en effet abstraites. Certains des bébés ont pu être exposés à des présentations visuelles d’objets colorés (figure C).

Dans ce cas 4 et 12 étaient présentés dans un format complètement different:l’information était vue et plus entendue; c’était distribué dans l’espace (donc en simultané) et plus dans le temps (donc en séquentiel) et pour finir les bébés étaient réveillés et non endormis. De façon surprenante, nous avons trouvé que nos algorithmes de machine learning entraînés à distinguer 4 et 12 à partir des réponses cérébrales aux séquences auditives étaient capables d’estimer si le bébé avait vu 4 ou 12 objets à partir des réponses cérébrales collectées lors de la tâche visuelle.

En conclusion, nous avons prouvé que les très jeunes bébés extraient l’information numérique de l’environnement de façon automatique et ce indépendamment de sa modalité.

Résumé initial anglais de Giulia GENNARI.