Machine learning desvenda as características musicais que geram respostas fisiológicas e emocionais nas pessoas

A música tem uma influência poderosa sobre nossas experiências. Alguns aspectos da música são universais e provocam reações similares em qualquer população. Cientistas têm se perguntando por décadas como um fenômeno tão abstrato como a música pode ter respostas tão consistentes. Agora, uma equipe de pesquisadores da Escola de Letras, Artes e Ciência, e da Escola de Engenharia, ambas da Universidade do Sul da Califórnia, apresenta um estudo onde eles recorreram a técnicas de machine learning para identificar quais características musicais são relevantes para prever a reação causada nas pessoas.

O estudo envolveu a execução de três trechos emotivos de músicas que não continham letra e nem eram muito conhecidas, para evitar que o trecho tivesse alguma resposta atrelada à memória dos participantes. Três tipos de medidas, comumente realizadas em estudos envolvendo música, foram coletados. Para observar os padrões de ativação do cérebro, os pesquisadores realizaram ressonância magnética em 40 pessoas; as estruturas cerebrais ativadas dão uma indicação do tipo de resposta subjetiva experimentada pelo ouvinte. Para as respostas fisiológicas, foram observados os batimentos cardíacos e a condutância da pele (que tem correlação com a quantidade de suor) de 60 participantes. Por fim, esses mesmos participantes deram sua própria avaliação através de uma escala que dizia como estavam se sentindo no momento. Os dados foram então analisados por técnicas de machine learning: as avaliações emocionais puderam ser preditas usando modelos de série temporal multivariada com mecanismos de atenção, enquanto que as respostas involuntárias dos participantes foram determinadas por modelos auto-regressivos de vetor.

Entre os resultados, o timbre se mostrou um determinante relevante nas respostas corporais das pessoas. Timbre é a qualidade que muda, por exemplo, quando dois instrumentos diferentes tocam a mesma nota. O espaçamento temporal entre os timbres também teve influência. As notas maiores estavam associadas a emoções felizes, enquanto que as notas menores elicitavam emoções tristes. A complexidade, representada por quando um novo instrumento ou uma nova harmonia entrava na composição musical, foi outra característica que provocou o aumento da intensidade da reação emocional. O vídeo abaixo apresenta as principais conclusões do estudo (em inglês).

Até então, os neurocientistas que estudavam o fenômeno estavam limitados a usar as imagens obtidas por ressonância, em segmentos curtos de tempo, de no máximo dois segundos. A utilização de machine learning trouxe como novidade a possibilidade de observar as respostas subjetivas das pessoas numa escala de tempo maior, e não somente através de leituras de atividade cerebral, mas também usando dados provenientes de outros métodos.

A melhor compreensão da relação entre aspectos musicais e respostas multimodais de natureza fisiológica e subjetiva tem potencial terapêutico, já que a música pode acalmar estados de ansiedade e depressão, diminuir a dor, e ajudar pessoas com deficiência ou demência. Além da aplicação em terapia musical, é possível que finalmente tenhamos playlists eficientes para nos engajar nos exercícios da academia, nos estudos ou para nos ajudar a dormir melhor.

Sobre o autor

1 comentário em “Machine learning desvenda as características musicais que geram respostas fisiológicas e emocionais nas pessoas”

  1. A musica hindu já conhece isto a alguns muitos anos pois os sons mechem com os chakras do corpo humano enfim….. tudo no nosso mundo é som (vibração) cores……tudo. (Obs. meu about esta em construção)

Deixe um comentário

O seu endereço de e-mail não será publicado. Campos obrigatórios são marcados com *

Esse site utiliza o Akismet para reduzir spam. Aprenda como seus dados de comentários são processados.