我們輕而易舉就能分辨出大提琴與鋼琴、單簧管與長號。即使樂器以相同的音量演奏著同一音符，它們各自的音色特徵依然獨樹一幟。
這種特質，我們稱之為音色。
然而，這種差異究竟源自何處？它僅僅存在於聲音本身嗎？抑或每種樂器都會在大腦活動中留下獨特的印記？
一項於2026年發表在《NeuroImage》期刊上的最新研究揭示，透過單一短暫的腦電圖（EEG）片段，機器學習演算法能夠以高於隨機猜測的準確度，判斷受試者當時正在聆聽的五種音色中的哪一種。
大腦的電生理活動不僅保留了關於聲音音高和響度的訊息，更包含了其獨特的個別特徵。
一個音符 — 五個音色世界
這項研究由加拿大紐芬蘭紀念大學的專家——普拉維娜·薩特庫納拉賈（Pravina Satkunarajah）、莎拉·鮑爾（Sarah Power）和班傑明·贊德爾（Benjamin Zendel）共同完成。
該文章於2026年5月19日線上發表，並收錄於《NeuroImage》期刊的八月刊中。
共有10名聽力正常的受試者參與了這項實驗。他們之中包含了音樂家、自學成才者以及未受過音樂訓練的人。
受試者聆聽了同一個音符——第三個八度音的A音（A3），其基頻為220赫茲。該音符以五種不同的音色呈現：
- 鋼琴；
- 單簧管；
- 大提琴；
- 長號；
- 無泛音的純粹正弦波音。
每個聲音持續一秒鐘。所有音色的音量都經過調整以保持一致，以避免音量成為受試者或後續分析的簡單提示。
這五種聲音各被呈現了200次，同時使用腦電圖（EEG）和73個電極持續記錄大腦活動。
因此，首要改變的便是音色——也就是我們藉以辨識聲音來源的特徵。
何謂音色？
音色常被形容為聲音的「色彩」，但這個定義並未能完全涵蓋其所有的複雜性。
它不單純是塗抹在音符表面的顏色。
它是聲音的傳記。
同一個音符，無論在鋼琴、單簧管或大提琴上，都具有相同的基頻音高。然而，伴隨基頻而來的，是大量額外的頻率——即泛音。這些泛音的數量、強度與分佈，共同構成了樂器獨特的頻譜模式。
其他特徵也各有不同：
- 起音——聲音產生的速度；
- 其增強與衰減；
- 泛音之間的能量分佈；
- 亮度；
- 粗糙度；
- 樂器材料與琴身的共振。
對於大提琴而言，聲音源自於琴弓、琴弦、木質琴身及其內部空氣的相互作用。
單簧管的聲音則由樂手的呼吸驅動簧片振動，再透過樂器內部的空氣柱形成共鳴。
在鋼琴中，琴槌敲擊琴弦，隨後響板和琴身會放大並轉化由此產生的震動。
因此，音色並非單純的裝飾或副產品。
它是聲音的誕生方式，是震動所經歷的物質媒介，也是促使震動產生的運動。
能否透過腦電圖（EEG）辨識樂器？
研究人員檢視了是否能透過單一的腦電圖（EEG）片段，判斷受試者當時所聽到的音色。
這並非一項簡單的任務。人類接收的是完整的聲學資訊，而演算法僅分析在頭皮表面記錄到的電氣訊號。
為了處理這些數據，研究使用了四種機器學習演算法：
- 線性判別分析（Linear Discriminant Analysis）；
- 梯度提升（Gradient Boosting）；
- 支持向量機（Support Vector Machine）；
- K-近鄰演算法（K-Nearest Neighbors）。
科學家們比較了幾種不同類型的數據：原始腦電圖片段、誘發電位的特徵，以及諧波和頻譜特徵。
如果演算法只是從五個選項中隨機猜測，預期準確度約為20%。
然而，在分析原始腦電圖片段時，所有四種模型都展現出高於隨機猜測的結果：
- 梯度提升演算法（Gradient Boosting）——約35%；
- 線性判別分析（Linear Discriminant Analysis）——約34%；
- 支持向量機（Support Vector Machine）——約33%；
- K-近鄰演算法（K-Nearest Neighbors）——約26%。
準確度距離完美尚有差距。然而，主要目的並非要百分之百準確地識別樂器，而是要驗證音色資訊是否存在於單次大腦反應中。
該演算法並未聽到原始聲音，也沒有分析其聲學記錄。它僅僅接收了腦電圖（EEG）數據。
然而，這些電氣訊號中仍保留了足夠可辨識的資訊，足以讓演算法以高於隨機猜測的準確度判斷所感知的音色。
PubMed資料庫中的研究
大提琴留下最顯著的印記
科學家們也分析了聽覺誘發電位的N1和P2成分——這些是聲音出現後不久，大腦電氣活動的短暫變化。
N1成分的探討範圍約在聲音起始後的100至200毫秒之間，而P2成分則在150至290毫秒之間。
對於不同音色的反應，其出現時間和振幅均有所不同。
大提琴引發了最顯著的P2反應，而純粹的正弦波音則引發了最小的反應。大提琴的N1反應出現得較早，而單簧管的反應則是最晚的。
這並不意味著大腦「偏愛」大提琴。
這些差異可能與起音特徵、頻譜組成、粗糙度及泛音分佈有關。例如，實驗中所使用的單簧管聲音，其起音在所有樂器音色中最為平滑。
但這些結果揭示了關鍵一點：不同的音色確實會引起不盡相同的神經反應。
在樂器的聲音中，大腦所分辨的遠不止音高和響度。
人類表現遠優於演算法
實驗參與者也憑藉意識來辨識所聽到的聲音。人類辨識的平均準確度約為94%。
受試者對長號的辨識度最佳，約為97%。純音的辨識準確度約為96%，大提琴為95%，單簧管為92%，鋼琴則為89%。
這是一個重要的比較。
演算法目前還無法像人類辨識熟悉聲音那樣，自信地解讀感知。這項研究僅展示了第一步：音色資訊即使存在於短暫的單一腦電圖片段中，也能夠被部分解碼。
助聽器能否理解我們的注意力？
這項研究的一個潛在實用方向與助聽器相關。
現代助聽器雖然擅長語音放大，但對於音樂而言，卻仍是一個艱鉅的挑戰。當多種樂器同時演奏時，經過處理的眾多頻率和動態細微變化可能會混雜在一起，失去自然感或變得刺耳。
理論上，未來與大腦活動記錄相結合的助聽器，將能夠判斷使用者正試圖聆聽哪種樂器，並選擇性地放大該樂器的聲音。
例如，當聽者將注意力集中在管弦樂團中的大提琴時，助聽器便能協助將其聲部從整體音樂流中提取出來。
然而，要實現這樣的應用，還有很長的路要走。
此次實驗僅有10名受試者參與。實驗採用的是獨立的單秒音符，而真實的音樂則複雜得多：樂器同時演奏，不斷變化音高、音量、力度和演奏方式。
分類準確度也僅保持在中等水平——介於26%至35%之間。
因此，這並非一項成熟的讀心技術，而是對一個基本可能性進行的首次驗證：大腦的短暫反應確實包含了關於所感知音色的可辨識資訊。
這項發現為「地球之聲」增添了什麼？
這項發現顯示：意識所感知的聲音，並非只是無個性的頻率。
大腦能夠分辨與材料、觸感、呼吸以及聲音產生方式相關的振動特性。同一個音符，透過不同的樂器演奏，便能轉化為多個獨立的音色世界——且每一個音色世界都會在神經活動中留下獨特的印記。
音樂的產生不僅僅關乎於發出聲響的「是什麼」。
它更源自於振動「如何」傳遞、「透過什麼」以及「經由誰」而產生。
鋼琴、大提琴、單簧管和長號或許可以演奏同一個音符——但我們的意識卻將每個聲音視為一個獨立的存在。
音色，是振動的獨特個性。它是材料的記憶。是運動的印記。
是物質融入音樂的方式。
而我們越是仔細聆聽，就越能清晰地聽到：地球並非重複著相同的音符。
它透過木材、金屬、琴弦、樂手的呼吸以及聆聽者的感知意識，展現出其無限的多樣性。
