基于主动推理模型的节拍感知与音乐律动冲动研究

《Annals of the New York Academy of Sciences》：An Active Inference Model of Meter Perception and the Urge to Move to Music

　　本综述创新性地提出一个贝叶斯主动推理模型，首次量化了节奏复杂性通过预期预测误差减少（Δ surprisal）驱动音乐律动冲动（PLUMM）的神经认知机制。模型揭示中等复杂度节奏因能通过律动反馈最大化降低节拍基预测误差，从而引发最强律动欲望，为理解音乐-运动交互提供了计算框架。

　　

引言：音乐时序预测与律动冲动的关联

音乐通过其时间结构化特征产生可预测性，促进感知加工和社会联结。节奏复杂性作为音乐核心特征，为通过预测加工理论探究听觉-运动-动机过程关联提供了理想范式。愉悦性音乐律动冲动（PLUMM）与律动感概念相关，预测加工理论认为精度加权预测误差驱动了节奏复杂性与PLUMM间的倒U型关系，但具体机制尚不明确。

贝叶斯节拍推理模型构建

研究建立离散时间步贝叶斯推理模型，模拟听者对节奏是否基于节拍（metered）的先验概率更新过程。模型包含节拍化与非节拍化两种期望模板：节拍模板采用Longuet-Higgins和Lee的32步概率序列，体现4/4拍强弱层次；非节拍模板为均匀概率分布。通过贝叶斯规则计算后验概率，并以切换概率（P_switch）控制模板间转换速率。惊奇值（surprisal）作为预测误差指标，通过负对数概率计算得出。

节奏刺激与实验设计

采用9种五音符节奏模式，通过同步值量化复杂度（低/中/高）。通过添加四分音符节拍器模拟律动反馈，定义Δ惊奇值为有无节拍器条件下的惊奇值差值。在线评分研究招募178名参与者，对算法生成的两种节奏集（按Δ惊奇值/同步值分布）进行律动欲望评分。

模型验证与参数分析

结果显示：惊奇值随节奏复杂度线性增加，而Δ惊奇值呈现倒U型曲线，与既往PLUMM评分模式高度一致。动力学分析表明，中等复杂度节奏的节拍后验概率波动显著，添加节拍器可消除强拍位休止符引发的惊奇峰值；高复杂度节奏则因节拍器反馈强化节拍推断反而增加惊奇值。参数敏感性分析显示，低P_switch（0.01）和高节拍对比度（C=1.00）时倒U型最显著。参数拟合证实多数参与者参数接近模拟值，个体差异主要源于节拍模板分化程度。

讨论与理论意义

本研究通过计算模型明确PLUMM由预期预测误差减少驱动，而非预测误差本身。中等复杂度节奏通过律动反馈（如填补强拍休止）最大化学习进度，契合主动推理框架下动作模拟优化感知的ASAP假说。模型为解释年龄、帕金森病等因素对PLUMM的影响提供了参数化工具，未来需整合相位推断、多流处理等扩展模型生态效度。

结论

该贝叶斯主动推理模型首次量化了节拍基预测误差减少对音乐律动冲动的驱动作用，为理解音乐诱发的运动响应提供了计算神经科学基础，对音乐治疗、神经康复等领域具有启示意义。