Rock Les Expériences d’Analyse de Scène Auditive – Albert Bregman L’Illusion de Gamme

L’expérience perceptive humaine se déploie à travers une tapisserie sensorielle d’une complexité vertigineuse. Si le sens de la vue a longtemps monopolisé les débats épistémologiques et expérimentaux en psychologie cognitive, l’audition pose un défi computationnel singulier et fascinant : comment le système nerveux parvient-il à démêler, à partir d’une simple onde de pression acoustique composite fluctuant dans le temps au niveau du tympan, l’entrelacs des sources sonores physiques distinctes qui composent notre environnement ? Cette énigme, désignée sous le terme de problème de la source inverse, constitue le cœur battant des sciences cognitives de l’audition.

Face à ce défi théorique colossal, les travaux pionniers d’Albert Bregman ont révolutionné notre compréhension de l’architecture auditive à travers la formalisation de l’Analyse de Scène Auditive (ASA). S’inscrivant dans la filiation conceptuelle des recherches d’Irvin Rock sur la perception indirecte et l’inférence cognitive, Bregman a mis en lumière les heuristiques sophistiquées par lesquelles le cerveau organise le flux sonore en objets perceptifs discrets. Au confluent de ces explorations fondamentales se situe un phénomène expérimental remarquable : l’illusion de gamme (ou Scale Illusion) découverte par la psychoacousticienne Diana Deutsch. Cette illusion spectaculaire, où le cerveau réorganise spatialement des fréquences entrelacées pour privilégier la continuité mélodique au détriment de la vérité physique de l’espace dichotique, offre une fenêtre d’observation sans équivalent sur les principes de groupement et la dynamique constructive de l’esprit perceptif.

Le présent traité se propose d’explorer de manière exhaustive l’architecture théorique, les fondements psychoacoustiques et les implications neurobiologiques de l’analyse de scène auditive, en articulant les découvertes d’Albert Bregman avec les paradigmes constructivistes d’Irvin Rock et la phénoménologie saisissante de l’illusion de gamme. À travers l’examen minutieux des mécanismes de fusion, de ségrégation, de dynamique non linéaire et de traitement prédictif, nous mettrons en évidence la façon dont l’audition, loin d’être un simple enregistrement passif des vibrations moléculaires de l’air, s’affirme comme un acte cognitif hautement inférentiel, créateur de sens et de cohérence écologique face au chaos acoustique du monde physique.

1. Introduction aux fondements théoriques d’Albert Bregman et à l’analyse de scène auditive

1.1 Émergence du concept d’analyse de scène auditive (ASA)

L’analyse de scène auditive, conceptualisée de manière magistrale par le psychologue cognitif Albert S. Bregman au sein du département de psychologie de l’Université McGill au cours des décennies 1970 et 1980, trouve sa formalisation définitive dans son ouvrage monumental de 1990, Auditory Scene Analysis: The Perceptual Organization of Sound. Pour appréhender la genèse de cette théorie, il est nécessaire de mesurer la rupture conceptuelle qu’elle opère vis-à-vis des traditions psychoacoustiques classiques. Jusqu’alors, la psychoacoustique expérimentale se concentrait principalement sur des stimuli isolés, élémentaires et décontextualisés, tels que des tons purs émis dans un silence anéchoïque, évaluant des seuils absolus de détection ou de discrimination de fréquence et d’intensité. Bregman a compris que cette approche réductionniste échouait à saisir le mandat fondamental du système auditif : opérer dans un milieu saturé d’ondes sonores concurrentes se superposant de manière non linéaire avant même d’atteindre le récepteur sensoriel périphérique.

Bregman forge l’analogie fonctionnelle de la « scène auditive » en miroir direct de la scène visuelle issue de la psychologie de la forme (Gestaltpsychologie) et des travaux de David Marr en vision computationnelle. Cependant, là où la scène visuelle projette des configurations spatiales étendues sur une rétine bidimensionnelle conservant une certaine métrique spatiale, l’audition fait face à un signal acoustique fondamentalement unidimensionnel au niveau du conduit auditif. La pression de l’air n’oscille que selon une seule valeur scalaire à un instant t. Le système auditif est confronté à ce que les théoriciens de l’information nomment un problème inverse hautement sous-déterminé : reconstituer la nature, la trajectoire, la dynamique et la multiplicité des sources sonores émettrices à partir du mélange indifférencié de leurs signatures énergétiques agrégées. Ce mélange physique ne contient aucune étiquette intrinsèque spécifiant quel front d’onde appartient à la voix d’un interlocuteur, au froissement d’une feuille, ou au passage d’un véhicule motorisé.

Dès lors, Bregman démontre que la perception ne peut pas consister en un simple acheminement passif des vibrations vers les aires cérébrales primaires. L’audition nécessite la genèse de représentations mentales intermédiaires, appelées flux auditifs (auditory streams). Un flux auditif représente l’équivalent phénoménologique d’un objet visuel ; il s’agit d’une construction cognitive cohérente qui assigne un ensemble d’éléments acoustiques dispersés dans le temps et dans le spectre fréquentiel à une même entité physique sous-jacente. L’analyse de scène auditive désigne l’ensemble des processus algorithmiques et cognitifs inconscients par lesquels le cerveau opère la partition de ce mélange acoustique composite en représentations perceptives distinctes, permettant ainsi à l’organisme de naviguer efficacement dans son biotope acoustique.

1.2 Distinction fondamentale entre traitement ascendant et descendant

L’édifice théorique érigé par Albert Bregman repose sur une dichotomie opérationnelle essentielle entre deux modes d’organisation sensorielle : les processus primitifs (ascendants ou bottom-up) et les processus guidés par les schémas (descendants ou top-down). Cette articulation structurelle reflète la façon dont le système cognitif arbitre en permanence entre les régularités statistiques invariantes de la physique acoustique universelle et les connaissances spécifiques, hautement contextualisées, emmagasinées dans la mémoire à long terme de l’auditeur.

Les mécanismes primitifs opèrent de manière pré-attentionnelle, automatique et non apprise. Ils constituent le socle biologique inné du traitement sensoriel, partagé par l’espèce humaine avec de nombreux taxons de vertébrés. Ces mécanismes exploitent directement les propriétés physiques brutes du signal acoustique incident : les concordances temporelles dans les transitoires d’attaque, les relations de consonance et d’harmonicité harmonique, les proximités spectrales le long de la membrane basilaire et les modulations corrélées d’amplitude. Le traitement primitif tente de partitionner le champ sonore en découpant le flux de données entrantes selon des règles de physique écologique qui postulent qu’un événement physique unitaire génère des composantes spectrales solidaires dans le temps et corrélées dans leur structure énergétique. Ces opérations se déroulent à un stade très précoce de l’arbre décisionnel du tronc cérébral et du cortex auditif primaire, avant toute intervention de la conscience vigilante.

À l’opposé de cette architecture primitive se déploie l’organisation guidée par les schémas. Un schéma auditif est une structure cognitive dynamique, acquise par l’apprentissage, l’imprégnation culturelle, le langage ou l’expertise individuelle. Les schémas représentent des prototypes intériorisés de sources sonores familières, telles que les patrons phonémiques d’une langue maternelle, le contour mélodique d’une chanson connue, le timbre singulier d’un violon Stradivarius, ou le son caractéristique du moteur d’un appareil mécanique familier. Lorsqu’un signal entrant présente des fragments compatibles avec un schéma stocké, ce dernier s’active et applique une contrainte descendante puissante sur l’organisation des flux sonores. Le schéma « capture » activement les composantes spectrales conformes à ses prédictions, contraignant l’organisation perceptive à s’aligner sur des représentations signifiantes, y compris lorsque le signal physique est incomplet, masqué par des interférences ou intrinsèquement ambigu.

La dynamique temporelle de l’interaction entre ces deux flux de traitement est caractérisée par une plasticité adaptative permanente. L’analyse primitive fournit une première ébauche de ségrégation, une hypothèse organisationnelle passive et rapide. Sur cette base, l’attention sélective et les schémas cognitifs viennent affiner, stabiliser ou restructurer les frontières entre les objets sonores. Dans les contextes où l’entrée acoustique est hautement dégradée ou équivoque, les influences descendantes peuvent supplanter les heuristiques primitives, illustrant la plasticité de l’interprétation perceptive face à la sous-détermination de l’environnement physique.

1.3 Objectifs épistémologiques du modèle de Bregman

L’ambition intellectuelle de l’œuvre d’Albert Bregman transcende la simple description empirique d’effets de laboratoire ; elle poursuit des objectifs épistémologiques fondamentaux visant à refonder la théorie de la perception auditive. Le premier objectif résidait dans l’unification conceptuelle d’une myriade de phénomènes disparates documentés depuis les débuts de la psychologie expérimentale : l’effet cocktail party, la complétion phonémique de Richard Warren, les effets d’illusion de hauteur tonale, la fission mélodique observée en musique polyphonique baroque, et les seuils de fusion spectrale. Bregman a démontré que ces manifestations apparemment sans lien n’étaient que les reflets variés d’un système unifié d’inférence computationnelle gouverné par des règles invariantes de partition de l’information.

Le second enjeu épistémologique consistait à dépasser l’impasse du modèle computationnel classique formaliste en y insufflant les principes de l’écologie perceptive de James J. Gibson, tout en conservant la rigueur représentationnelle du cognitivisme. Contrairement aux approches computationnelles rigides qui traitaient l’audition comme le calcul abstrait de transformées mathématiques de Fourier indépendantes des contraintes environnementales, Bregman soutient que les algorithmes de l’ASA ont été façonnés au fil de la phylogenèse pour refléter les régularités structurelles du monde physique terrestre. Les lois de l’acoustique environnementale — le fait que les résonateurs mécaniques oscillent à des fréquences harmoniquement étagées, qu’un objet matériel ne peut se téléporter instantanément dans l’espace, ou que des sons issus d’une même perturbation mécanique débutent de manière synchrone — constituent les contraintes écologiques intériorisées dans le réseau neural de l’auditeur.

Enfin, le modèle de Bregman a posé les bases conceptuelles de l’Analyse Computationnelle de Scène Auditive (Computational Auditory Scene Analysis ou CASA). En formulant les principes de groupement sous la forme d’heuristiques rigoureuses et testables, il a ouvert la voie à la modélisation algorithmique et à l’intelligence artificielle, fournissant le lexique et les concepts mathématiques requis pour concevoir des machines capables de séparer des sources sonores dans des signaux acoustiques réels non contrôlés.

2. L’héritage d’Irvin Rock et la psychologie cognitive de la perception

2.1 La théorie de la perception indirecte d’Irvin Rock

Pour appréhender la profondeur théorique sous-tendant l’analyse de scène auditive et la genèse des illusions psychoacoustiques complexes, il est impératif d’examiner l’apport philosophique et méthodologique du psychologue cognitif Irvin Rock, figure centrale de l’école constructiviste de la perception du XXe siècle. Dans son ouvrage fondateur de 1983, The Logic of Perception, Rock a revitalisé, formalisé et prolongé l’intuition magistrale formulée au XIXe siècle par Hermann von Helmholtz concernant l’« inférence inconsciente » (unbewusster Schluss). Rock s’est opposé avec vigueur à la fois au réalisme naïf, selon lequel l’organisme percevrait le monde tel qu’il est sans médiation computationnelle, et au réalisme direct gibsonien, qui postulait que l’information écologique ambiante était pré-structurée et captée sans nécessité de représentations ou de calculs inférentiels internes.

Selon Irvin Rock, la perception est fondamentalement indirecte, cognitive et constructive. L’environnement physique n’envoie au système sensoriel que des signaux fragmentaires, fluctuants et intrinsèquement sous-déterminés : les stimuli proximaux (les patterns d’excitation au niveau des récepteurs périphériques). Ces stimuli proximaux ne déterminent jamais de manière univoque la configuration des objets distaux (les objets réels du monde physique ayant causé l’excitation). Par conséquent, pour construire une perception stable du monde distal, le cerveau doit déployer un processus cognitif quasi-déductif inconscient. Il traite les données sensorielles brutes comme des prémisses au sein d’un syllogisme perceptif, évaluant des hypothèses quant à la structure la plus probable de l’environnement qui a pu engendrer ce patron d’activation sensorielle.

Dans ce cadre constructiviste, l’étude des illusions n’est nullement une curiosité périphérique ou l’examen d’un dysfonctionnement pathologique accidentel. Pour Rock, l’illusion constitue l’outil méthodologique le plus précieux de la psychologie expérimentale. L’illusion représente la faille éclairante par laquelle se dévoilent les règles de l’inférence inconsciente. Lorsqu’un stimulus artificiel trompe le système cognitif en produisant un percept radicalement divergent de la réalité physique objective, l’erreur perceptive ne reflète pas une faiblesse des organes sensoriels, mais démontre avec éclat la fidélité et la rigueur avec lesquelles les heuristiques computationnelles internes sont appliquées à une stimulation non conventionnelle.

2.2 Convergence entre la vision de Rock et l’audition de Bregman

L’intersection intellectuelle entre la psychologie cognitive visuelle d’Irvin Rock et la psychoacoustique cognitive d’Albert Bregman est d’une fécondité remarquable. Bien que Rock ait concentré la majorité de ses travaux empiriques sur les illusions visuelles (comme la chambre d’Ames, la constance de la taille, et les illusions de mouvement apparent), son architecture conceptuelle s’applique trait pour trait à la modalité auditive telle que conceptualisée par Bregman. Tous deux partagent la même prémisse ontologique : la perception est une résolution de problème par inférence déductive inconsciente.

Au cœur de cette convergence conceptuelle trône le principe de parcimonie cognitive, souvent désigné sous l’appellation de règle de simplicité ou de plausibilité écologique maximale. Face à une entrée sensorielle susceptible de supporter une infinité d’interprétations mathématiquement possibles, le cerveau adopte de manière invariable l’hypothèse qui nécessite le moins d’hypothèses ad hoc et qui présente la probabilité la plus élevée au sein du monde physique naturel. Par exemple, confronté à deux segments de ligne se croisant sur une rétine, le cerveau déduit deux lignes continues se superposant plutôt que quatre demi-lignes distinctes convergeant par coïncidence au même point géométrique. Bregman transpose précisément cette logique d’inférence de Rock au domaine auditif : confronté à un ensemble de composantes harmoniques fluctuant de concert, le système déduit l’existence d’une unique source vibrante plutôt que d’une multitude d’oscillateurs indépendants qui conspireraient miraculeusement pour moduler leur énergie de manière simultanée.

Un parallèle structural saisissant unit également le traitement de l’occlusion visuelle chez Rock et celui du masquage acoustique chez Bregman. Dans le monde visuel, lorsqu’un objet opaque passe devant un autre, le cerveau ne conclut pas que l’objet en arrière-plan a été tronqué ou a cessé d’exister ; il déduit que les surfaces continuent derrière l’occultant (phénomène de complétion amodale). Dans le domaine auditif, lorsqu’un ton pur continu est interrompu par un bruit blanc d’intensité suffisante pour saturer les récepteurs auditifs, le sujet perçoit le ton comme persistant de manière ininterrompue à travers le bruit. Ce phénomène d’induction auditive ou d’effet de tunnel acoustique, exploré par Richard Warren et analysé par Bregman, démontre la parfaite équivalence fonctionnelle des règles d’inférence de Rock appliquées à la modalité de l’ouïe : le système refuse de postuler la cessation et la réapparition instantanées et synchrones d’une source sonore précisément calquées sur les limites temporelles d’une source concurrente de masquage.

2.3 L’influence des lois organisationnelles sur la cognition perceptive

La filiation entre Rock et Bregman s’enracine également dans leur réinterprétation cognitive moderne des lois d’organisation formulées initialement par les pères de la Gestalt (Max Wertheimer, Wolfgang Köhler, Kurt Koffka). Ces lois n’étaient que des constats descriptifs phénologiques. Rock a redéfini ces postulats gestaltistes non pas comme des propriétés intrinsèques d’un champ isomorphe cortical passif, mais comme les règles algorithmiques actives guidant les inférences de l’esprit cognitif.

En remettant en cause les modèles purement associationnistes et béhavioristes — qui postulaient que la perception n’était qu’un assemblage passif de sensations élémentaires connectées par la simple contiguïté temporelle —, Rock a réaffirmé le primat des relations d’organisation structurelle. C’est la structure relationnelle globale d’un ensemble de stimuli qui gouverne l’apparition de ses éléments constitutifs. Dans la sphère auditive, Bregman démontre que cette congruence spatio-temporelle conditionne l’émergence des unités sonores élémentaires. Une fréquence n’est jamais perçue dans le vide ; sa valeur perçue, sa hauteur tonale apparente, son intensité et son timbre dépendent des relations syntaxiques et acoustiques qu’elle entretient avec les stimuli adjacents dans l’espace multidimensionnel du temps et du spectre.

Cette perspective a profondément renouvelé les paradigmes expérimentaux relatifs aux flux perceptifs. L’expérimentateur ne s’intéresse plus simplement à la réponse du système à une grandeur physique isolée, mais conçoit des dispositifs dans lesquels différentes lois organisationnelles entrent délibérément en collision ou en coopération. C’est précisément dans ces espaces d’équivocité calculée que l’on peut décortiquer l’ordre hiérarchique des heuristiques cognitives qui régissent la fabrication de la réalité perçue.

3. Les mécanismes fondamentaux de l’analyse de scène auditive

3.1 Le groupement simultané et la fusion spectrale

Le groupement simultané constitue le volet de l’analyse de scène auditive chargé de résoudre la ségrégation des composantes acoustiques présentes à un même instant le long de l’axe spectral de la membrane basilaire. Lorsqu’un orchestre joue un accord, ou que plusieurs individus s’expriment en même temps, des dizaines, voire des centaines de fréquences composantes frappent simultanément l’organe de Corti. Le système auditif doit impérativement déterminer quelles fréquences doivent être fondues ensemble au sein d’un timbre unitaire (représentant une seule source) et lesquelles doivent être partitionnées pour former des entités sonores séparées.

L’indice primitif le plus puissant gouvernant ce groupement simultané est incontestablement la synchronie temporelle, ou règle du début commun (common onset). Dans le monde physique, les partiels spectraux engendrés par l’impact, le frottement ou la mise en vibration d’un corps matériel naissent au même instant précis. Des travaux psychoacoustiques approfondis ont démontré qu’une asynchronie d’attaque de seulement 30 à 40 millisecondes entre une fréquence composante et le reste d’un complexe harmonique suffit à « éjecter » perceptivement cette fréquence du bloc spectral fondu. Le partiel asynchrone cesse de contribuer à la couleur timbrale globale et émerge immédiatement à la conscience comme un événement sonore indépendant, doté de sa propre hauteur tonale et de son individualité spatiale.

Le second pilier de la fusion spectrale est la relation d’harmonicité. Les sources sonores naturelles produisant des sons dotés d’une hauteur définie (comme les cordes vocales humaines, la colonne d’air d’un instrument à vent, ou les cordes pincées) vibrent selon des modes propres entiers de leur fréquence fondamentale ($f_0, 2f_0, 3f_0, 4f_0, dots$). Le système auditif est doté d’un ensemble de mécanismes neuronaux de détection de périodicité spectrale et temporelle opérant une véritable analyse harmonique automatique. Si une composante dévie de la relation harmonique entière ne serait-ce que de 2 à 3 %, sa fusion spectrale est compromise, facilitant sa ségrégation hors du complexe unifié. Ce mécanisme est complété par le phénomène de comodulation d’amplitude et de fréquence (comodulation masking release ou CMR) : des fréquences dispersées sur le spectre qui voient leur amplitude ou leur fréquence fluctuer avec une modulation cohérente et en phase sont automatiquement assimilées à une source sonore unique soumise à un processus physique commun de décharge ou de résonance énergétique.

3.2 Le groupement séquentiel et la formation des flux

Si le groupement simultané intègre l’information le long du spectre à un instant donné, le groupement séquentiel assure l’organisation temporelle des stimuli acoustiques successifs. Le système auditif doit relier les événements acoustiques discrets qui s’enchaînent dans le temps afin de déterminer s’ils constituent les fragments évolutifs d’une seule et même voix, d’une ligne mélodique unifiée, ou s’ils appartiennent à des sources émettrices parallèles.

Ce processus est régi au premier chef par le principe de continuité et de proximité fréquentielle. Les résonateurs du monde physique sont dotés d’une certaine inertie mécanique : un chanteur ne peut basculer instantanément de 200 Hz à 2 000 Hz d’un dixième de milliseconde à l’autre ; de même, les sources de locomotion conservent une relative cohérence spectrale au cours de leurs déplacements. Le système auditif intériorise cette contrainte sous la forme de l’inertie auditive : lorsque des notes se succèdent à intervalles rapprochés, le système a tendance à les fusionner au sein d’une même trajectoire perceptive si l’écart de fréquence qui les sépare demeure à l’intérieur d’une marge d’intégration critique. Lorsque l’intervalle fréquentiel dépasse cette marge critique par rapport à la cadence temporelle, la continuité se déchire, et l’auditeur fait l’expérience d’une rupture séquentielle.

L’intégration séquentielle dépend intimement de la vitesse de présentation (le taux d’occurrence des événements sonores) et des régularités isochrones. La régularité temporelle crée une grille métrique d’attente neuronale qui favorise le maintien de la cohésion du flux. Si un son dévie temporellement ou spectralement au-delà du corridor prédit par l’inertie du flux établi, il subit une ségrégation immédiate et déclenche la création d’un flux concurrent.

3.3 La compétition et la collaboration entre groupements simultanés et séquentiels

L’analyse de scène auditive réelle se caractérise par une interaction dynamique constante où les indices de groupement simultané et séquentiel peuvent entrer en synergie étroite ou, au contraire, se livrer une compétition computationnelle aiguë pour l’appropriation des mêmes composantes acoustiques. Cette compétition perceptuelle a fait l’objet d’expérimentations classiques conduites par Albert Bregman et ses collaborateurs à McGill, notamment sous la forme du paradigme de la « capture de partiel ».

Dans ces protocoles expérimentaux, un ton pur singulier $T$ est présenté dans un agencement où deux destins perceptifs contradictoires s’offrent à lui. D’une part, il est inséré dans un complexe harmonique simultané émis à un instant donné, partageant avec ce dernier une synchronie d’attaque absolue et une relation mathématique de fréquence fondamentale : la loi de fusion simultanée pousse le système à dissoudre ce ton au sein du timbre global de l’accord. D’autre part, ce même ton $T$ est précédé et suivi à une cadence soutenue par une série de tons isolés dont la fréquence est extrêmement proche de la sienne : la loi de proximité fréquentielle et de continuité séquentielle pousse le système à capturer ce ton $T$ pour le lier à la chaîne mélodique horizontale.

Ce type de scénario met en lumière la résolution hiérarchique et non linéaire des contraintes par le système nerveux auditif. Si la vitesse de la séquence mélodique horizontale augmente, la force de capture séquentielle croît de manière exponentielle, parvenant à « arracher » physiquement le partiel du complexe harmonique simultané, altérant en temps réel le timbre perçu de l’accord au profit de la ligne mélodique continue. Inversement, si le degré d’harmonicité ou la force du début commun simultané sont renforcés, le flux séquentiel est brisé et le ton est aspiré dans la dimension verticale. Dans les zones d’ambiguïté paramétrique parfaite, le système auditif bascule dans des états d’oscillation bistable, révélant la présence de deux attracteurs perceptifs d’énergie computationnelle quasi-équivalente se disputant la structure de l’expérience phénoménologique.

4. La ségrégation et l’intégration des flux auditifs

4.1 Le paradigme de ségrégation de flux (Streaming)

Pour quantifier avec une précision chirurgicale les limites paramétriques de l’intégration et de la ségrégation temporelles, Albert Bregman et ses successeurs, s’appuyant sur les travaux matriciels de Leon van Noorden (1975), ont standardisé le célèbre paradigme expérimental des triplets de stimuli alternés, universellement désigné sous le terme de patron $ABA-ABA-$.

Dans ce protocole canonique, un stimulus est composé de séquences cycliques répétitives où un son de fréquence aiguë ($A$) alterne avec un son de fréquence plus grave ($B$), le tiret désignant un silence de durée équivalente à un stimulus. Lorsque l’intervalle de fréquence entre $A$ et $B$ ($\Delta f$) est faible (moins de quelques demi-tons) et que le tempo de présentation est modéré, le sujet perçoit infailliblement une entité sonore unique : un flux intégré doté d’une signature rythmique caractéristique en forme de galop ($A-B-A-A-B-A$). Dans cette configuration unifiée, l’esprit est capable de comparer sans difficulté l’intervalle temporel et la hauteur relative entre un événement $A$ et un événement $B$.

Toutefois, si l’on augmente l’écart fréquentiel $\Delta f$ ou si l’on accélère la cadence temporelle en réduisant l’intervalle d’inter-stimulation, un point de bascule phénoménologique radical est franchi : le seuil de fission perceptive. L’illusion du galop unitaire se dissout instantanément. L’auditeur ne perçoit plus un événement rythmique unique, mais deux flux acoustiques totalement autonomes, coexistant dans le temps comme deux sources distinctes et spatialement désolidarisées. L’un des flux consiste en une pulsation rapide et régulière de notes aiguës monotones ($A-A-A-A-$), tandis que le second flux consiste en une pulsation lente de notes graves ($B—B—$). À ce stade de fission, il devient cognitivement impossible d’appréhender le rythme global composite du galop original ou de porter un jugement précis sur l’ordre temporel relatif d’un son $A$ par rapport à un son $B$, attestant que l’information temporelle inter-flux a été détruite ou rendue inaccessible aux mécanismes de l’attention sélective.

4.2 Dynamique d’accumulation temporelle (Build-up effect)

L’un des aspects les plus fascinants de la ségrégation de flux auditifs réside dans son asymétrie temporelle intrinsèque, formalisée sous l’appellation d’effet d’accumulation (build-up effect). La fission d’une séquence $ABA-$ en deux flux perceptifs indépendants n’est presque jamais instantanée. Lors de l’amorce d’une séquence ambiguë — même lorsque les paramètres de $\Delta f$ et de vitesse se situent au-dessus du seuil de fission théorique —, le système auditif commence systématiquement par privilégier un état d’intégration perceptive pendant les premières centaines de millisecondes à quelques secondes.

Ce phénomène découle de la logique écologique d’inférence inconsciente : le système auditif applique une hypothèse par défaut selon laquelle l’ensemble des perturbations acoustiques détectées provient d’une source unique jusqu’à preuve du contraire. Ce n’est qu’au fur et à mesure que les régularités temporelles et spectrales confirment une incompatibilité statistique persistante (deux sous-systèmes fréquentiels cohérents en eux-mêmes mais mutuellement disjoints) que le cerveau réorganise sa représentation interne et déclenche la ségrégation en deux flux étanches. Le temps nécessaire pour que la ségrégation s’impose varie de quelques secondes à plus de dix secondes selon les auditeurs et les paramètres acoustiques.

De surcroît, cet état de ségrégation durement acquis est d’une grande fragilité structurelle face à la nouveauté acoustique. Tout changement soudain dans l’environnement sonore — qu’il s’agisse d’un décalage brutal d’intensité, d’une altération du timbre spectral, d’une déviation spatiale ou de l’introduction d’un silence prolongé — provoque une réinitialisation complète (resetting) du mécanisme d’accumulation. Le système auditif efface son modèle ségrégué antérieur et réintègre momentanément le signal au sein d’un flux unifié, relançant un nouveau cycle d’accumulation de preuves statistiques pour décider si une bifurcation perceptive s’impose à nouveau. Ce processus est modulable par l’attention sélective : une attention volontaire orientée vers l’un des registres fréquentiels accélère drastiquement le build-up, alors qu’une attention diffuse en retarde significativement l’émergence.

4.3 Bistabilité perceptive et dynamique non linéaire

Lorsque des séquences auditives équivoques de type $ABA-$ sont présentées de manière ininterrompue sur de longues périodes temporelles (plusieurs minutes consécutives), la perception humaine ne se fige pas dans un état terminal immuable. Elle entre dans une zone de bistabilité perceptive dynamique, analogue au célèbre phénomène visuel du cube de Necker ou du vase de Rubin. L’auditeur rapporte des fluctuations spontanées et involontaires : la séquence est perçue comme un galop unifié durant quelques secondes, puis bascule sans avertissement en deux flux séparés, avant de fusionner à nouveau, et ce de manière perpétuelle sans qu’aucun paramètre acoustique externe n’ait été modifié d’un iota.

Pour rendre compte de cette versatilité expérientielle, les théoriciens de la dynamique computationnelle modélisent le système perceptif sous la forme d’un paysage d’énergie doté d’attracteurs non linéaires. L’état d’intégration et l’état de ségrégation représentent deux puits de potentiel stables dans lesquels le réseau neural peut s’installer. L’alternance entre ces deux états s’explique par une interaction complexe entre deux forces neurobiologiques concurrentes : l’adaptation synaptique (ou fatigue neuronale sélective) et le bruit synaptique intrinsèque au cortex. Lorsqu’un auditeur demeure dans l’état de ségrégation, les populations neuronales responsables du maintien de cette partition subissent une dépression synaptique progressive due à une activité métabolique soutenue. À mesure que l’attracteur ségrégué perd de sa profondeur et de sa stabilité, le bruit stochastique sous-jacent finit par propulser l’état global du réseau hors du puits, le faisant chuter dans l’attracteur alternatif d’intégration. Une fois dans cet état, les neurones de la ségrégation se régénèrent métaboliquement, tandis que ceux soutenant l’intégration s’épuisent à leur tour, orchestrant un cycle perpétuel de basculements perceptifs.

5. L’illusion de gamme de Diana Deutsch : Origines et protocole

5.1 Conception et protocole expérimental de l’illusion de gamme

C’est en 1974 que la psychologue et psychoacousticienne de l’Université de Californie à San Diego, Diana Deutsch, conçoit et publie les résultats d’une expérience destinée à devenir un jalon historique absolu dans l’exploration de la cognition musicale et de l’organisation auditive : l’illusion de gamme (The Scale Illusion).

Le protocole mis au point par Deutsch est d’une rigueur et d’une ingéniosité géométrique absolues. Il repose sur l’utilisation de signaux acoustiques synthétiques présentés à travers un casque stéréophonique étalonné, sous une modalité d’écoute rigoureusement dichotique (des stimuli différents étant présentés de manière indépendante à chaque oreille). Le matériau musical de base est constitué de deux séquences mélodiques simultanées : l’une est une gamme majeure descendante (par exemple, de Do aigu à Do médium), tandis que l’autre est la même gamme majeure se déroulant dans un mouvement ascendant strict (du Do médium au Do aigu), jouées au même tempo isochrone régulier.

L’innovation expérimentale décisive de Deutsch a consisté à fragmenter spatialement ces deux gammes de telle sorte qu’aucune oreille ne reçoive jamais une gamme continue. Les notes consécutives de la gamme ascendante et de la gamme descendante sont alternativement commutées d’un canal auriculaire à l’autre. Si la note 1 de la gamme descendante est injectée dans l’oreille gauche, la note 1 de la gamme ascendante est simultanément injectée dans l’oreille droite. À l’étape temporelle suivante (note 2), les canaux sont instantanément inversés : l’oreille gauche reçoit la note 2 de la gamme ascendante, tandis que l’oreille droite reçoit la note 2 de la gamme descendante, et ainsi de suite le long des 8 notes de l’octave. Sur le plan de la réalité physique objective, chaque oreille reçoit donc une séquence chaotique et saccadée, caractérisée par de gigantesques sauts d’intervalles mélodiques alternés entre l’extrême aigu et l’extrême grave, sans aucune cohérence de contour mélodique unilatéral.

5.2 Phénoménologie de l’illusion perçue

La phénoménologie de la perception rapportée par les sujets exposés à ce stimulus constitue l’une des ruptures les plus saisissantes jamais enregistrées entre l’état physique du signal acoustique et l’expérience subjective construite par la conscience cognitive. Confrontés à cette cacophonie spatiale entrelacée, la quasi-totalité des auditeurs n’entendent pas du tout les sauts désordonnés réellement délivrés à leurs oreilles par les transducteurs.

Au lieu de la réalité physique, les auditeurs font l’expérience d’une réorganisation perceptive absolue et immaculée. Ils perçoivent distinctement deux mélodies impeccablement fluides et continues se déroulant en contrepoint parfait : une gamme descendante complète et ininterrompue d’un côté, et une gamme ascendante complète de l’autre. Mais le prodige cognitif ne s’arrête pas là : cette ségrégation mélodique s’accompagne d’une illusion spatiale spectaculaire. Les sujets perçoivent généralement la totalité des fréquences aiguës (constituant la séquence supérieure de la gamme) comme émanant exclusivement d’une oreille, et l’intégralité des fréquences graves (constituant la séquence inférieure) comme émanant de l’autre oreille.

L’illusion est d’une robustesse psychophysique telle que lorsque les expérimentateurs demandent aux auditeurs de retirer un écouteur du casque, ils sont frappés de stupeur en découvrant que l’oreille qu’ils croyaient muette ou dédiée à un registre unique émet en réalité une séquence discontinue de notes bondissantes. Plus extraordinaire encore : si l’on inverse la polarité physique du casque sur la tête du sujet (en plaçant l’écouteur gauche sur l’oreille droite et vice versa), la localisation subjective ne s’inverse pas ! L’auditeur continue d’entendre les notes aiguës dans la même oreille spatiale préférée et les notes graves dans l’autre, démontrant de façon irréfutable que la spatialisation perçue n’est pas le calque direct de l’origine physique du signal, mais une attribution inférentielle interne générée par l’architecture cérébrale.

5.3 Facteurs individuels, latéralité et asymétries hémisphériques

Les investigations systématiques menées par Diana Deutsch sur de vastes cohortes de participants ont révélé que la phénoménologie de l’illusion de gamme est intimement corrélée à la latéralité manuelle et à l’organisation neuro-fonctionnelle des hémisphères cérébraux des auditeurs.

Chez les sujets droitiers stricts, un pattern extrêmement marqué émerge : une majorité écrasante localise la gamme supérieure (les fréquences aiguës) dans l’oreille droite, tandis que la gamme inférieure (les fréquences graves) est assignée à l’oreille gauche. Ce résultat traduit un avantage auditif de l’oreille droite (Right-Ear Advantage) directement médié par la prépondérance des voies auditives croisées reliant l’oreille droite à l’hémisphère gauche. Cet hémisphère gauche, spécialisé dans le traitement séquentiel analytique, l’analyse temporelle fine et les composantes structurales du langage et de la musique, s’empare du flux dominant — qui, dans la hiérarchie psychoacoustique humaine, est quasi-systématiquement constitué par le contour mélodique supérieur ou aigu.

À l’inverse, chez les sujets gauchers et ambidextres, la distribution spatiale de l’illusion devient considérablement plus hétérogène, plastique et versatile. Une fraction significative de gauchers localise les composantes aiguës dans l’oreille gauche, tandis que d’autres perçoivent des formes mixtes, ou des inversions dynamiques entre les oreilles au cours de la présentation. Ces variations individuelles confirment que l’illusion de gamme ne dépend pas uniquement de filtres périphériques passifs, mais est étroitement intriquée avec la latéralisation corticale des fonctions cognitives supérieures et la plasticité de l’asymétrie cérébrale.

Enfin, l’influence de l’expertise musicale a fait l’objet de vifs débats expérimentaux. Si les musiciens professionnels formés démontrent une capacité analytique supérieure pour identifier les composantes isolées sous certaines consignes d’écoute forcée, ils demeurent néanmoins massivement captifs de l’illusion de gamme en écoute libre. Le schéma de continuité tonale intériorisé par des années de pratique musicale active renforce l’attente d’une trajectoire mélodique linéaire, rendant l’inférence inconsciente de continuité d’autant plus puissante et imperméable au démantèlement volontaire.

6. Intersection théorique : L’illusion de gamme à la lumière des principes de Bregman

6.1 Conflit fondamental entre proximité fréquentielle et localisation spatiale

Lorsqu’on analyse l’illusion de gamme de Deutsch à travers le prisme formel de l’analyse de scène auditive de Bregman, le protocole apparaît comme une confrontation magistralement orchestrée entre deux indices primaires d’organisation sensorielle : la proximité fréquentielle (un indice spectral) et la cohérence de latéralisation (un indice spatial).

Dans l’illusion de gamme, ces deux principes entrent en collision frontale absolue :

• Hypothèse spatiale réaliste : Le cerveau regroupe les sons par canal auriculaire. Cela préserve la cohérence spatiale de la source (oreille gauche contre oreille droite), mais oblige à accepter des discontinuités spectrales aberrantes, la mélodie sautant d’une octave d’un quart de seconde à l’autre au sein de chaque canal.
• Hypothèse spectrale continue : Le cerveau regroupe les sons par proximité de hauteur tonale. Cela préserve la trajectoire mélodique linéaire continue, mais oblige à postuler que les sons se croisent dans l’espace ou à réécrire la provenance spatiale réelle des paquets d’ondes.

L’issue de cette bataille computationnelle est d’une netteté implacable : la proximité spectrale triomphe presque toujours sans appel de la localisation spatiale périphérique. Le système auditif préfère commettre une erreur monumentale de localisation dichotique plutôt que d’admettre la fragmentation d’une trajectoire fréquentielle cohérente. Ce phénomène démonte de manière empirique et définitive l’hypothèse de la primauté spatiale absolue selon laquelle l’espace géographique constituerait le système de coordonnées initial et inviolable de l’audition. En réalité, dans la hiérarchie des heuristiques de l’ASA, l’axe tonotopique fréquentiel se révèle infiniment plus structurant pour la ségrégation des objets sonores que les indices spatiaux binauraux.

6.2 Application des mécanismes de ségrégation de flux à l’illusion de Deutsch

La fusion et la bifurcation observées dans l’illusion de gamme s’expliquent formellement par les règles de la ségrégation de flux séquentielle identifiées par Bregman. Les sons successifs présentant des deltas de fréquence ($\Delta f$) infinitésimaux (intervalles de secondes majeures ou mineures d’une note de la gamme à la suivante) exercent une force d’attraction séquentielle maximale qui capture les représentations neuronales au sein d’un même flux.

Le saut spatial physique d’une oreille à l’autre (qui nécessiterait une rupture du flux s’il était pris en compte) est tout simplement rejeté comme du bruit ou un résidu d’erreur computationnelle négligeable par le filtre d’organisation séquentielle. Le cerveau applique l’heuristique selon laquelle une trajectoire de fréquence continue signale le comportement dynamique prévisible d’un corps sonore unitaire doté d’une masse et d’une inertie vibratoire. Les mécanismes primitifs de l’ASA synthétisent alors deux objets sonores virtuels : une entité dont la trajectoire d’état subit une décélération spectrale (gamme descendante) et une entité jumelle subissant une accélération spectrale (gamme ascendante). Une fois ces deux flux distincts créés par l’analyseur séquentiel, le cerveau leur assigne a posteriori une localisation spatiale arbitraire mais unifiée et stable, éliminant la contradiction écologique d’une source sautant alternativement d’un hémisphère spatial à un autre.

6.3 L’hypothèse de la vraisemblance écologique

C’est à cet endroit précis que la théorie de la perception indirecte d’Irvin Rock s’articule de manière indissoluble avec le modèle de Bregman pour fournir l’explication ultime de l’illusion de gamme. Pourquoi le cerveau fait-il ce choix spécifique ? La réponse réside dans la notion de vraisemblance écologique et de logique déductive environnementale.

Dans l’environnement naturel au sein duquel notre système nerveux central a évolué au cours des éons phylogénétiques, quelle est la probabilité physique qu’une source sonore réelle unique (un prédateur, un congénère, un phénomène météorologique) saute de gauche à droite dans l’espace à une vitesse de quatre ou huit fois par seconde, tout en divisant son spectre en fragments microscopiques qui s’échangeraient miraculeusement avec ceux d’une autre source effectuant la trajectoire symétriquement inverse au même millimètre près ? Cette probabilité est rigoureusement nulle sur le plan de la dynamique physique des solides. En revanche, quelle est la probabilité que deux sources distinctes et stationnaires émettent simultanément deux trajectoires de fréquences croisées dans l’espace ambiant ? Cette éventualité est infiniment plus plausible sur le plan statistique.

Par conséquent, en conformité totale avec la thèse constructiviste de Rock, le cerveau résout ce problème inverse sous-déterminé en adoptant l’inférence la plus parcimonieuse et la plus écologiquement plausible. Face à une stimulation artificielle pernicieuse, conçue en laboratoire pour isoler et contredire ses algorithmes de traitement, l’esprit déduit une scène auditive cohérente qui transcende la réalité objective du transducteur mécanique.

7. Les principes gestaltistes appliqués à l’audition : Continuité, proximité et similarité

7.1 La loi de proximité transposée aux domaines temporel et spectral

L’une des contributions méthodologiques les plus durables de l’Analyse de Scène Auditive d’Albert Bregman a été la transposition opérationnelle et la formalisation mathématique des lois de la psychologie de la Gestalt — forgées à l’origine dans le cadre de la vision spatiale statique — aux coordonnées dynamiques spatio-temporelles de l’audition.

La loi de proximité, en psychoacoustique, cesse d’être une simple distance euclidienne bidimensionnelle sur une surface pour devenir une métrique complexe intégrant deux dimensions orthogonales fondamentales : la proximité temporelle ($\Delta t$) et la proximité fréquentielle ($\Delta f$). La membrane basilaire de la cochlée déployant une cartographie tonotopique logarithmique précise des fréquences, la proximité spectrale équivaut fonctionnellement à une proximité spatiale le long des récepteurs ciliés périphériques. Lorsque deux sons sont émis à des fréquences très rapprochées, ils activent des populations neuronales adjacentes au sein du tronc cérébral et du cortex auditif primaire. Cette contiguïté anatomique et fonctionnelle favorise l’intégration automatique des décharges synaptiques au sein d’une assemblée cellulaire unique, engendrant l’impression d’un objet sonore unifié.

Cette proximité fréquentielle régit l’organisation mélodique élémentaire. Lorsque les intervalles entre les notes sont des micro-intervalles ou de petits intervalles conjoints (secondes majeures ou mineures), la continuité séquentielle est indestructible. En revanche, dès que l’intervalle franchit une distance critique — liée à la bande critique cochléaire (mesurée en largeur de bande équivalente ou Equivalent Rectangular Bandwidth, ERB) —, la force de liaison s’effondre proportionnellement, laissant le champ libre à la fission perceptive.

7.2 La bonne continuité et le principe de complétion auditive

La loi de la bonne continuité (ou bonne continuation) postule que le système cognitif favorise systématiquement les représentations perceptives qui prolongent les trajectoires lisses et prévisibles au détriment des discontinuités anguleuses ou erratiques. Dans le registre auditif, cette règle s’exprime avec une puissance remarquable à travers le phénomène de restauration ou complétion auditive.

Lorsque des trajectoires de fréquence continues ascendantes ou descendantes (telles que des glissandos linéaires ou exponentiels) sont présentées à des auditeurs, le système sensoriel projette dynamiquement la trajectoire dans le futur immédiat via un mécanisme d’anticipation cinématique. Si une perturbation sonore momentanée ou un masquage par un parasite survient, le cerveau maintient la cohérence du vecteur spectral à travers l’obstacle. Ce phénomène a été magnifiquement quantifié à travers l’expérience de l’effet de tunnel auditif : si un ton glissant s’interrompt précisément pendant qu’un segment de bruit blanc retentit, le système auditif non seulement perçoit le glissando comme traversant le bruit sans interruption spatio-temporelle, mais génère l’illusion auditive d’une continuité physique spectrale complète. La complétion auditive démontre que le système perceptif opère comme un filtre de Kalman sophistiqué, interpolant les états absents pour maintenir l’intégrité fonctionnelle des objets écologiques en mouvement.

7.3 La similarité de timbre et le principe de destin commun

La loi de similarité trouve son application auditive la plus raffinée dans le traitement du timbre et de la morphologie spectrale. Le timbre, souvent défini négativement comme l’attribut qui permet de distinguer deux sons de même hauteur et de même intensité, est en réalité une signature multidimensionnelle englobant l’enveloppe spectrale (la répartition de l’énergie entre les harmoniques) et l’enveloppe temporelle d’amplitude (les transitoires d’attaque, le déclin, le maintien et la relâche, ou ADSR).

Des sons qui partagent une enveloppe spectrale semblable sont immédiatement regroupés au sein d’un même flux perceptif par la loi de similarité de timbre, même s’ils sautent largement en fréquence tonale. C’est ce mécanisme qui permet à un auditeur de suivre sans faille la ligne mélodique discontinue d’un violoncelle à travers un ensemble orchestral dense, le cerveau regroupant les éléments non par leur contiguïté avec les instruments adjacents, mais par l’homogénéité de leur structure formantique et de leur grain spectral.

Ce phénomène s’articule directement avec le principe du destin commun (common fate). Lorsque plusieurs partiels spectraux partagent les mêmes micro-fluctuations d’enveloppe temporelle — par exemple, un vibrato (modulation synchronisée de fréquence fondamentale) ou un trémolo (modulation synchronisée d’amplitude) —, le système auditif fusionne instantanément ces partiels en un objet sonore unique. Le destin commun spectral constitue l’un des ancrages les plus inflexibles de l’ASA : il est physiquement inconcevable que des composantes indépendantes dans la nature vibrent de façon rigoureusement homothétique sans qu’une cause causale unique n’anime l’ensemble.

8. Protocoles expérimentaux et méthodologies de laboratoire en ASA

8.1 Paradigmes de capture mélodique et de reconnaissance de motifs

L’exploration empirique fine des règles régissant l’Analyse de Scène Auditive a exigé le développement de protocoles psychophysiques sophistiqués conçus pour éliminer les biais d’introspection verbale et objectiver la réalité des frontières perceptives. Parmi ceux-ci, le paradigme de capture mélodique et de détection de patrons enfouis occupe une place d’honneur.

Dans ce protocole, une mélodie simple cible (par exemple, une séquence canonique de 4 ou 6 notes) est imbriquée au sein d’une trame dense de notes distractrices aléatoires distribuées dans le temps et le spectre. L’expérimentateur manipule rigoureusement les variables d’écart fréquentiel ($\Delta f$), de congruence de timbre, ou d’alignement spatial entre les distracteurs et les notes cibles. Si les notes cibles sont intégrées au sein du flux général des distracteurs par proximité spatio-temporelle, le sujet est incapable de reconnaître la mélodie cible, son schéma cognitif ne pouvant extraire les relations de contour relatives. En revanche, dès qu’une manipulation psychoacoustique isole la mélodie cible dans un flux séparé (par exemple en décalant son timbre ou en la confinant dans un registre spectral homogène), la mélodie « jaillit » immédiatement à la conscience de l’auditeur, fournissant une mesure objective et univoque du seuil de fission perceptive.

Une variante méthodologique rigoureuse réside dans la tâche de jugement d’ordre temporel. On présente au sujet deux sons $A$ et $B$ insérés dans une séquence composite. Si $A$ et $B$ sont perçus au sein du même flux intégré, le participant peut déterminer avec une exactitude quasi-parfaite lequel a précédé l’autre, avec des seuils de résolution temporelle de l’ordre de quelques dizaines de millisecondes. Dès lors que les paramètres acoustiques induisent la ségrégation de $A$ et de $B$ dans deux flux distincts, le seuil de discrimination temporelle s’effondre catastrophiquement, augmentant parfois jusqu’à des valeurs excédant plusieurs centaines de millisecondes. Cette méthodologie offre une confirmation quantitative indépendante des auto-évaluations subjectives des participants.

8.2 Tâches de détection de désynchronisation et d’inharmonicité

Pour disséquer les mécanismes pré-attentionnels de bas niveau impliqués dans le groupement simultané, les psychoacousticiens utilisent des tâches de détection de désynchronisation d’attaque (asynchrony detection) et d’éjection par inharmonicité. Ces protocoles explorent les limites absolues de la sensibilité de l’organe auditif aux anomalies spectrales.

Dans une configuration expérimentale type, un son complexe harmonique composé de dix harmoniques entiers est présenté à l’auditeur. L’expérimentateur introduit une asynchronie temporelle progressive sur une seule composante (par exemple le partiel harmonique numéro 4), en avançant ou en retardant son attaque par rapport au reste du spectre. Le sujet a pour tâche d’indiquer si le stimulus est entendu comme un timbre monolithique unique ou si un « bip » pur émerge en surimpression. Les résultats montrent des seuils différentiels d’une acuité saisissante : une asynchronie de seulement 10 à 20 millisecondes suffit à briser la fusion spectrale. Dans les paradigmes d’inharmonicité, l’expérimentateur déplace la fréquence d’une harmonique de quelques fractions de pourcent de sa valeur mathématique entière ; le sujet doit détecter le battement ou l’émergence d’une double hauteur tonale. Ces protocoles permettent de cartographier avec une précision millimétrique les champs récepteurs spectraux et la dynamique d’intégration temporelle des réseaux neuronaux du système auditif précoce.

8.3 Contrôle des variables parasites dans les études dichotiques

L’expérimentation psychoacoustique sur des illusions spatiales complexes comme l’illusion de gamme de Diana Deutsch exige un contrôle physique intransigeant des artefacts matériels et acoustiques susceptibles d’induire des faux positifs méthodologiques.

Le premier écueil expérimental majeur réside dans la conduction osseuse et la diaphonie trans-crânienne (transaural crosstalk). Lorsqu’un stimulus d’intensité élevée est délivré par un écouteur à l’oreille gauche, la vibration mécanique du boîtier du casque peut se propager à travers les os du crâne et stimuler la cochlée de l’oreille droite opposée avec une atténuation d’environ 40 à 50 dB. Pour neutraliser formellement ce biais — qui pourrait fournir des indices acoustiques réels d’intégration fréquentielle dans l’oreille supposée inactive —, les chercheurs emploient des transducteurs à insertion intra-auriculaire scellés par des embouts d’impédance calibrée, couplés à une calibration individualisée de l’intensité sous les seuils critiques de transmission osseuse.

De plus, la réponse fréquentielle de l’appareil auditif de chaque participant doit faire l’objet d’une égalisation auditive préalable rigoureuse. Les résonances propres du méat acoustique externe et de la membrane tympanique varient d’un individu à l’autre ; des déséquilibres d’à peine 2 dB à certaines fréquences critiques pourraient biaiser la latéralisation subjective. Enfin, pour neutraliser les biais d’anticipation et l’effet Rosenthal (attentes involontaires de l’expérimentateur), les stimuli dichotiques doivent être randomisés informatiquement en double aveugle absolu, inversant les polarités des canaux et insérant des séquences contrôles réelles (où les gammes sont réellement spatialisées ou discontinues) pour mesurer avec précision le taux d’adhésion illusoire véritable par rapport au taux de détection réelle.

9. Facteurs psychoacoustiques : Fréquence, localisation spatiale et timbre

9.1 Hauteur tonale et organisation tonotopique

L’organisation de la perception auditive prend sa source dans l’architecture anatomique et biomécanique périphérique de l’oreille interne. Au cœur de cette machinerie se trouve la membrane basilaire de la cochlée, caractérisée par un gradient d’élasticité et de masse continu s’étendant de la base à l’apex. Cette géométrie détermine une organisation tonotopique rigide : les fréquences aiguës font vibrer de manière sélective la base rigide de la membrane, tandis que les fréquences graves propagent leur onde jusqu’à l’apex souple.

Cette tonotopie est fidèlement relayée et cartographiée à chaque relais synaptique de la voie auditive ascendante, depuis les noyaux cochléaires jusqu’au cortex auditif primaire (aire A1). La distance tonotopique critique entre deux stimuli sonores constitue le substrat spatial biologique de la ségrégation de flux. Si deux fréquences activent des populations distinctes et spatialement disjointes de cellules ciliées internes le long de la membrane basilaire (dépassant la largeur de la bande critique cochléaire), les signaux afférents empruntent des colonnes corticales distinctes, créant les conditions physiologiques propices à la ségrégation en deux flux d’objets distincts. Lorsque les fréquences se situent dans des registres extrêmes (en dessous de 100 Hz ou au-delà de 8 000 Hz), les mécanismes d’accrochage de phase (phase-locking) des fibres du nerf auditif s’atténuent ou disparaissent, forçant le système à se reposer exclusivement sur le codage par le lieu spectral, ce qui altère drastiquement la dynamique temporelle de l’analyse de scène.

9.2 Localisation spatiale : Indices ITD et ILD

La capacité du système auditif à spatialiser une source sonore dans le plan horizontal dépend quasi-exclusivement du traitement différentiel binaural, formalisé par Lord Rayleigh dans sa célèbre théorie duplex de la localisation sonore. Cette théorie distingue deux mécanismes psychoacoustiques complémentaires :

• Les différences de temps interaurales (ITD – Interaural Time Differences) : Pour les basses fréquences (en dessous d’environ 1 500 Hz), la longueur d’onde du son est significativement supérieure au diamètre physique de la boîte crânienne humaine. L’onde sonore contourne le crâne par diffraction sans perte notable d’énergie. Le cerveau mesure avec une précision sub-milliseconde l’écart temporel d’arrivée de l’onde entre l’oreille la plus proche et l’oreille la plus éloignée de la source.
• Les différences de niveau interaurales (ILD – Interaural Level Differences) : Pour les hautes fréquences (au-dessus de 1 500 Hz), la tête agit comme un obstacle physique opaque, créant une « ombre acoustique » du côté opposé à la source émettrice. L’oreille controlatérale reçoit un signal affaibli en amplitude, créant une différence d’intensité interaurale que le tronc cérébral utilise pour déduire l’azimut de la source.

Dans l’illusion de gamme de Deutsch, les stimuli alternent simultanément des composantes de fréquences variées entre les oreilles. Or, l’expérimentation démontre avec éclat la hiérarchisation secondaire des indices de localisation spatiale par rapport aux contraintes de cohérence fréquentielle tonotopique. Même en présence d’indices ITD et ILD parfaitement limpides et sans ambiguïté physique délivrés par les transducteurs dichotiques, le cortex auditif procède à une réattribution spatiale complète. Ce veto spectral sur la spatialisation démontre que la localisation spatiale en audition est malléable et subordonnée aux contraintes de cohérence écologique de l’objet sonore.

9.3 Le timbre comme descripteur multidimensionnel

Si la fréquence fondamentale et les indices spatiaux binauraux sont des grandeurs scalaires unidimensionnelles directes, le timbre représente un hypervolume multidimensionnel au sein de l’espace psychoacoustique. Les études d’échelonnement multidimensionnel (Multidimensional Scaling ou MDS), inaugurées par John Grey et perfectionnées par Stephen McAdams, ont formellement démontré que le timbre est articulé autour d’au moins trois dimensions orthogonales majeures :

La première dimension est le centre de gravité spectral (ou centroïde spectral), qui correspond à la moyenne des fréquences présentes dans le complexe pondérée par leur amplitude respective. Sur le plan phénoménologique, le centroïde spectral régit la brillance ou la clarté apparente d’un son. La seconde dimension est le temps d’attaque logarithmique (log-attack time), qui mesure la vitesse à laquelle l’énergie mécanique maximale est atteinte lors de la phase transitoire initiale du son. La troisième dimension est la dispersion spectrale et le flux temporel (la manière dont la répartition spectrale évolue au cours de la durée du signal).

L’analyse de scène auditive exploite ce descripteur multidimensionnel avec une efficacité stupéfiante. Un contraste suffisant sur l’axe du centroïde spectral ou sur le profil transitoire d’attaque entre deux séries d’événements acoustiques successifs suffit à induire une fission perceptive instantanée en deux flux autonomes, même lorsque ces événements partagent exactement la même hauteur tonale fondamentale et la même position spatiale physique. Cela démontre que le timbre n’est pas un simple attribut ornemental du son, mais un axe porteur primaire de l’identité de l’objet sonore dans la scène acoustique.

10. Neurobiologie et corrélats corticaux du traitement des flux auditifs

10.1 Voies auditives sous-corticales et codage précoce

Pour saisir l’incarnation matérielle des principes formulés par Bregman et illustrés par l’illusion de Deutsch, il est nécessaire de suivre la trajectoire des signaux acoustiques le long de la chaîne neuro-anatomique auditive. Loin d’être de simples relais synaptiques passifs, les structures sous-corticales opèrent un prétraitement computationnel intensif essentiel à l’analyse de scène.

Dès l’entrée dans le tronc cérébral, le nerf auditif innerve le complexe du noyau cochléaire (ventral et dorsal). Le noyau cochléaire ventral contient des neurones d’une précision chronométrique absolue (les cellules buissonnantes ou bushy cells) dédiés au verrouillage de phase et à la préservation des micro-décalages temporels fins de l’onde acoustique. De là, les voies projettent bilatéralement sur le complexe olivaire supérieur, premier site d’intégration binaurale de l’encéphale. L’olive supérieure médiale (MSO) traite spécifiquement les indices ITD via un système de lignes de délai axonales et de détecteurs de coïncidence synaptique formalisé par le modèle de Jeffress. Simultanément, l’olive supérieure latérale (LSO) compare l’équilibre des intensités relatives interaurales (indices ILD) par le biais de circuits d’inhibition croisée faisant intervenir le noyau médian du corps trapézoïde (MNTB).

Ces flux d’informations prétraités convergent ensuite vers le colliculus inférieur, situé dans le mésencéphale. Le colliculus inférieur représente une plaque tournante computationnelle majeure où se superposent pour la première fois une carte tonotopique rigide, un codage élaboré de la périodicité de la fréquence fondamentale ($f_0$) et une sensibilité accrue aux modulations spatiales. Des enregistrements électrophysiologiques récents indiquent que les mécanismes d’adaptation neuronale spécifique au stimulus (Stimulus-Specific Adaptation ou SSA) se manifestent déjà avec force au niveau du colliculus inférieur, posant les premiers jalons sous-corticaux de la ségrégation de flux avant même toute implication des réseaux thalamo-corticaux.

10.2 Cortex auditif primaire (A1) et traitement de la ségrégation

Les signaux transitent ensuite par le corps genouillé médian (MGB) du thalamus pour atteindre le cortex auditif primaire (A1), niché au sein du gyrus temporal transverse (gyrus de Heschl). C’est au niveau du cortex primaire et des aires du cœur (core) que la neurophysiologie de la ségrégation de flux séquentielle trouve son explication neuronale la plus robuste.

Les travaux novateurs en enregistrements unitaires électrophysiologiques chez le primate non humain menés par Micheyl, Fishman et Steinschneider ont mis en lumière le corrélat cellulaire direct du seuil de fission et du build-up effect. Lorsque des séquences de type $ABA-$ sont présentées à un animal, les neurones de l’aire A1 accordés sur la fréquence du ton $A$ répondent vigoureusement aux notes $A$. Lorsque le ton $B$ est joué, si l’écart fréquentiel $\Delta f$ est faible, la bande passante du champ récepteur de ces mêmes neurones répond également partiellement au stimulus $B$. En revanche, dès que l’écart $\Delta f$ dépasse le seuil critique de fission, la réponse synaptique au son $B$ dans la colonne corticale dédiée à $A$ est totalement supprimée par le mécanisme combiné de la sélectivité spectrale tonotopique et de la dépression synaptique à court terme induite par le rythme soutenu des stimulations.

Il en résulte une ségrégation physique spatiale des populations neuronales actives au sein du cortex primaire : au lieu d’une population unique oscillant au rythme du galop global, deux assemblées neuronales distinctes, spatialement isolées sur la surface du gyrus de Heschl, déchargent de manière désynchronisée, l’une répondant au flux $A$, l’autre au flux $B$. Les chercheurs ont démontré une corrélation directe entre la trajectoire temporelle de cette atténuation synaptique dans A1 et la dynamique temporelle de l’effet d’accumulation (build-up) rapporté par les sujets humains, prouvant que l’émergence des flux perceptifs primitifs est intimement enracinée dans la dynamique des populations neuronales du cortex auditif primaire.

10.3 Réseaux corticaux d’ordre supérieur et électrophysiologie humaine

L’exploration des bases cérébrales de l’organisation auditive chez l’être humain fait massivement appel à l’électroencéphalographie (EEG) et à la magnétoencéphalographie (MEG), notamment à travers l’étude des potentiels évoqués auditifs à longue latence.

La composante électrophysiologique la plus déterminante dans l’étude de l’ASA est la négativité de discordance (Mismatch Negativity ou MMN). La MMN est une onde négative pré-attentionnelle apparaissant entre 100 et 250 millisecondes après la survenue d’une déviation acoustique au sein d’une régularité statistique établie. Les protocoles de Bregman et de ses successeurs ont prouvé que la MMN ne répond pas simplement à un changement acoustique physique brut, mais reflète la violation des règles au sein d’un flux perceptif déjà ségrégué. Si une déviation temporelle est introduite dans un sous-flux $A$ d’une séquence ségréguée sans perturber le flux $B$, une MMN robuste est déclenchée, confirmant que le cerveau encode pré-attentionnellement la régularité structurelle interne de l’objet sonore unifié.

Les investigations en imagerie par résonance magnétique fonctionnelle (IRMf) et en MEG portant spécifiquement sur l’écoute de l’illusion de gamme de Diana Deutsch ont révélé l’implication cruciale de réseaux corticaux associatifs d’ordre supérieur. Si le cortex auditif primaire assure le décodage tonotopique des composantes spectrales, la résolution du conflit d’assignation spatio-temporelle mobilise massivement le planum temporale, le sillon temporal supérieur (STS) ainsi que des aires du réseau fronto-pariétal dévolues au contrôle de l’attention spatiale et à l’intégration sensorielle multisensorielle (notamment le sillon intrapariétal). L’activité hémodynamique au sein du sillon intrapariétal module activement l’assignation de la localisation perçue, démontrant que l’illusion de gamme émerge d’un dialogue itératif et bidirectionnel permanent entre les colonnes sensorielles primaires de A1 et les aires associatives pariétales supérieures chargées de construire la carte spatiale unifiée du monde phénoménologique.

11. Implications pratiques : Musique, parole et environnements sonores complexes

11.1 Polyphonie musicale et contrepoint baroque

Bien avant que la psychologie cognitive et les neurosciences ne formalisent les équations et les concepts de l’analyse de scène auditive, les compositeurs de musique occidentale avaient empiriquement découvert et magistralement exploité les principes de fission et d’intégration de flux pour contourner les limites physiques des instruments acoustiques.

L’illustration la plus éblouissante de cette intuition psychoacoustique réside dans l’œuvre de Jean-Sébastien Bach, singulièrement au sein de ses sonates et partitas pour violon seul ainsi que ses suites pour violoncelle seul. Le violon et le violoncelle étant des instruments à archet fondamentalement conçus pour l’émission monodique (une note à la fois, avec des possibilités limitées de doubles cordes simultanées), Bach a inventé le concept de polyphonie virtuelle ou de contrepoint latent. En écrivant des lignes musicales rapides qui sautent de manière perpétuelle et cyclique entre deux ou trois registres spectraux disjoints (un registre grave jouant le rôle de basse continue, un registre médian assurant les harmonies, et un registre aigu déployant la voix mélodique ornée), Bach déclenche délibérément la fission perceptive chez l’auditeur. En vertu des règles de proximité fréquentielle et d’inertie auditive formalisées par Bregman, le cerveau de l’auditeur segmente automatiquement la ligne monodique unique en plusieurs flux auditifs parallèles et simultanés, percevant ainsi une polyphonie imaginaire complexe et luxuriante émanant d’un instrumentiste unique.

Inversement, les traités d’orchestration classique (d’Hector Berlioz à Nikolaï Rimski-Korsakov) formalisent les règles interdisant les « quintes ou octaves parallèles » ou imposant le croisement régulier des pupitres précisément pour prévenir la fusion non désirée de voix chorales ou orchestrales qui détruirait l’intelligibilité contrapuntique. Au XXe siècle, des compositeurs d’avant-garde comme György Ligeti (avec sa micropolyphonie) ou Steve Reich (avec le déphasage minimaliste de Drumming ou Phase Patterns) ont poussé la manipulation délibérée des règles d’organisation de l’ASA aux limites ultimes de la perception, générant des motifs rythmiques et mélodiques émergents (resultant patterns) qui n’existent dans la partition d’aucun instrumentiste individuel mais sont entièrement synthétisés par l’esprit constructif de l’auditeur.

11.2 Le problème de la ‘Cocktail Party’ et compréhension de la parole

L’analyse de scène auditive n’est pas un simple raffinement esthétique réservé à l’écoute de chefs-d’œuvre musicaux ; elle constitue le moteur biologique vital permettant la compréhension du langage parlé dans les environnements acoustiques complexes. Cette fonction a été immortalisée sous l’appellation du « problème de la cocktail party » par l’ingénieur et acousticien Colin Cherry en 1953.

Dans une pièce bondée et réverbérante où des dizaines d’individus conversent simultanément, les ondes sonores se mélangent de façon inextricable avant d’atteindre le conduit auditif de l’auditeur. L’intelligibilité de la parole repose sur la capacité de l’ASA à ségréger en temps réel les formants constitutifs de la voix de l’interlocuteur cible hors de la masse des voix concurrentes. Cette séparation repose massivement sur la détection de la fréquence fondamentale ($f_0$) : des différences de $f_0$ d’à peine un demi-ton entre deux locuteurs permettent aux mécanismes de groupement harmonique primitif d’assigner les formants aux sources respectives, réduisant drastiquement le masquage informationnel.

Cette ségrégation est soutenue par le phénomène gestaltiste de restauration phonémique décrit par Richard Warren. Si un son parasite abrupt (un coup de toux ou le tintement d’un verre) masque entièrement un phonème spécifique au sein d’une phrase (« le gou*ernement »), le cerveau comble automatiquement le vide acoustique en s’appuyant sur les schémas lexicaux descendants (top-down). L’auditeur entend le phonème manquant comme s’il avait été physiquement prononcé, et localise le parasite dans un flux spatial et spectral disjoint. Chez les personnes âgées souffrant de presbyacousie ou chez les porteurs d’implants cochléaires, ce n’est pas tant la baisse de sensibilité périphérique qui handicape la communication, mais la dégradation de la sélectivité fréquentielle et de la synchronie neuronale indispensables au fonctionnement des algorithmes d’analyse de scène auditive.

11.3 Applications en acoustique architecturale et ingénierie sonore

La compréhension scientifique des principes de l’ASA et de l’illusion de Deutsch a révolutionné l’ingénierie contemporaine des espaces et des technologies du son. En acoustique architecturale, la conception des espaces de travail ouverts contemporains (open spaces) intègre directement les contraintes de l’analyse de scène pour minimiser la distraction cognitive. L’objectif n’est pas nécessairement de supprimer le son physique, mais de concevoir des systèmes de masquage acoustique (bruits roses ou bruits d’eau calibrés) dont le spectre et l’amplitude empêchent la ségrégation de flux des voix distantes : dès lors que la parole environnante ne peut plus être isolée sous la forme d’un flux linguistique cohérent, elle cesse de mobiliser l’attention sélective descendante des travailleurs, réduisant la charge mentale.

Dans le domaine de la réalité virtuelle (VR) et de l’audio immersif tridimensionnel (audio 3D ou binaural spatialisé via les fonctions de transfert relatives à la tête, ou HRTF), la maîtrise des indices d’ASA est indispensable pour créer des environnements acoustiques crédibles. Les concepteurs savent qu’un positionnement spatial mathématique ne suffit pas : pour qu’un objet virtuel existe de manière convaincante dans le champ perceptif de l’utilisateur, il doit respecter scrupuleusement la cohérence du début commun, la continuité des trajectoires spectrales et la dynamique de comodulation d’amplitude.

Enfin, l’industrie des prothèses auditives et des implants cochléaires vit une métamorphose algorithmique radicale grâce à l’Analyse Computationnelle de Scène Auditive (CASA). Les processeurs de nouvelle génération abandonnent la simple amplification scalaire directionnelle au profit de réseaux neuronaux profonds entraînés à reproduire les règles de ségrégation primitive de Bregman, isolant et purifiant en temps réel le flux de la parole cible de la cacophonie environnementale.

12. Synthèse épistémologique et perspectives contemporaines en sciences cognitives auditives

12.1 L’audition comme inférence bayésienne et codage prédictif

Au terme de ce parcours traversant la psychologie constructiviste d’Irvin Rock, les théories fondamentales d’Albert Bregman et la phénoménologie déroutante de l’illusion de gamme de Diana Deutsch, la science cognitive contemporaine converge vers une synthèse théorique d’une remarquable puissance unificatrice : le paradigme du cerveau bayésien et du codage prédictif (predictive coding), principalement théorisé par Karl Friston et Andy Clark.

Dans ce cadre computationnel moderne, l’audition est modélisée comme une machine d’inférence bayésienne active. Le système nerveux central maintient un modèle génératif interne de la structure causale du monde physique. Les populations neuronales des aires supérieures génèrent en permanence des prédictions descendantes (priors) quant aux états sensoriels attendus, prédictions qui sont propagées vers les niveaux hiérarchiques inférieurs. Les aires sensorielles périphériques comparent ces prédictions avec les signaux acoustiques réels ascendants et calculent une erreur de prédiction (prediction error). Seule cette erreur de prédiction est répercutée vers les étages supérieurs pour réactualiser le modèle interne.

À la lumière du codage prédictif, l’illusion de gamme de Deutsch trouve sa formalisation mathématique ultime. Face à la stimulation dichotique entrelacée, le cerveau est confronté à une compétition entre deux modèles causaux :

1. Le modèle d’une source unique sautant de façon chaotique d’une oreille à l’autre tout en effectuant des sauts fréquentiels massifs (modèle hautement improbable au regard des priors écologiques intériorisés par l’évolution).
2. Le modèle de deux sources indépendantes, stables dans l’espace, générant des trajectoires mélodiques lisses et conformes aux régularités statistiques des gammes tonales de notre biotope acoustique.

Le second modèle minimise de manière incomparablement plus efficace l’énergie libre variationnelle et l’erreur globale de prédiction du système. L’illusion perceptive perçue n’est donc rien d’autre que l’état d’équilibre bayésien optimal qui s’impose à la conscience.

12.2 Limites des modèles classiques et défis actuels

Malgré l’élégance architecturale du modèle de l’Analyse de Scène Auditive d’Albert Bregman et la précision du cadre bayésien, les sciences cognitives contemporaines font face à des limites méthodologiques et des paradoxes théoriques stimulants. L’une des controverses les plus vives concerne l’étanchéité supposée entre le traitement primitif automatique et le traitement guidé par les schémas. L’affirmation originelle de Bregman postulant une imperméabilité stricte du groupement primitif précoce face aux modulations cognitives descendantes est aujourd’hui largement nuancée par les données de l’électrophysiologie moderne, qui démontrent que l’attention sélective peut moduler les réponses synaptiques jusqu’au niveau du colliculus inférieur et des fibres efférentes du nerf auditif via le système olivocochléaire médian.

Un autre défi réside dans l’intégration des variables affectives, motivationnelles et culturelles au sein de l’ASA. Les modèles computationnels classiques ont été quasi-exclusivement testés avec des signaux de laboratoire stériles et simplifiés (tons purs, clics, bruit blanc) présentés à des auditeurs occidentaux éduqués. Or, la perception de la consonance, la résistance à certaines illusions auditives et l’attribution de la proéminence d’un flux varient significativement selon les systèmes d’accordage culturel, la langue tonale maternelle de l’auditeur et l’imprégnation esthétique. La transition vers une psychoacoustique écologique en milieu naturel, exploitant des scènes sonores réelles, complexes et immersives, constitue l’un des chantiers les plus urgents de la discipline.

12.3 Perspectives d’avenir dans l’intelligence artificielle auditive

L’héritage d’Albert Bregman et les leçons de l’illusion de gamme constituent aujourd’hui le socle sur lequel s’édifient les architectures contemporaines de l’intelligence artificielle dévolue au traitement du signal sonore. Les ingénieurs en apprentissage automatique (Machine Learning) ont longtemps échoué à résoudre le problème de la séparation de sources aveugle en traitant le son comme une matrice numérique pure sans contraintes structurelles.

La percée contemporaine des réseaux de neurones profonds (tels que les architectures Conv-TasNet, les modèles de diffusion acoustique et les Transformers appliqués à l’audio) découle précisément de l’incorporation explicite des heuristiques de l’ASA. Les réseaux de neurones les plus performants pour isoler une voix humaine au milieu d’un vacarme urbain ou pour transcrire fidèlement une polyphonie instrumentale dense sont ceux dont la structure interne reproduit spontanément les cartes tonotopiques de la cochlée, les filtres d’inhibition latérale du tronc cérébral et les mécanismes d’attention sélective du cortex temporal. En redécouvrant de manière algorithmique les règles d’inférence inconsciente que le cerveau applique depuis des millions d’années pour résoudre les illusions et organiser le monde sonore, l’intelligence artificielle confirme la validité universelle des lois de la perception indirecte formalisées par Irvin Rock et magnifiées par l’Analyse de Scène Auditive d’Albert Bregman.

Références

• Bregman, A. S. (1990). Auditory Scene Analysis: The Perceptual Organization of Sound. MIT Press. https://doi.org/10.7551/mitpress/1486.001.0001
• Cherry, E. C. (1953). Some experiments on the recognition of speech, with one and with two ears. The Journal of the Acoustical Society of America, 25(5), 975-979. https://doi.org/10.1121/1.1907229
• Clark, A. (2013). Whatever next? Predictive brains, situated agents, and the future of cognitive science. Behavioral and Brain Sciences, 36(3), 181-204. https://doi.org/10.1017/S0140525X12000477
• Deutsch, D. (1974). An auditory illusion. Nature, 251(5473), 307-309. https://doi.org/10.1038/251307a0
• Deutsch, D. (1975). Two-channel listening to musical scales. The Journal of the Acoustical Society of America, 57(5), 1156-1160. https://doi.org/10.1121/1.380573
• Fishman, Y. I., Reser, D. H., Arezzo, J. C., & Steinschneider, M. (2001). Neural correlates of auditory stream segregation in primary auditory cortex of the awake monkey. Hearing Research, 151(1-2), 21-44. https://doi.org/10.1016/S0378-5955(00)00208-8
• Friston, K. (2010). The free-energy principle: A unified brain theory?. Nature Reviews Neuroscience, 11(2), 127-138. https://doi.org/10.1038/nrn2787
• Micheyl, C., Tian, B., Carlyon, R. P., & Rauschecker, J. P. (2005). Perceptual organization of tone sequences in the auditory cortex of awake macaques. Neuron, 48(1), 139-148. https://doi.org/10.1016/j.neuron.2005.08.039
• Rock, I. (1983). The Logic of Perception. MIT Press.
• Sussman, E., Horváth, J., & Winkler, I. (2007). The role of attention in the formation of auditory streams. Perception & Psychophysics, 69(1), 136-152. https://doi.org/10.3758/BF03194460
• van Noorden, L. P. A. S. (1975). Temporal Coherence in the Perception of Tone Sequences. Doctoral dissertation, Eindhoven University of Technology.
• Warren, R. M. (1970). Perceptual restoration of missing speech sounds. Science, 167(3917), 392-393. https://doi.org/10.1126/science.167.3917.392
• Winkler, I., Denham, S. L., & Nelken, I. (2009). Modeling the auditory scene: Predictive regularity representations and perceptual objects. Trends in Cognitive Sciences, 13(12), 532-540. https://doi.org/10.1016/j.tics.2009.09.003