TAMC-MultibandCoherence: A Multiband Coherent Residuals Framework for Audio and EEG Analysis TAMC-MultibandCoherence: Marco de Residuos Coherentes Multibanda para Análisis de Audio y EEG

🇬🇧 (with key results + independent researcher note) Fast zero-lag coherence is often dismissed as noise in electrophysiological recordings. This project introduces TAMC (Temporal-Aligned Multiband Coherence), a residual-based framework designed to isolate intrinsic fast-coherence components across EEG frequency bands. Using the OpenMIIR dataset (music listening vs. musical imagery), TAMC reveals that theta, alpha, beta and gamma bands exhibit zero-lag residuals far above Gaussian-null expectations, typically by factors between 3× and 10× depending on the band. Across subjects, Alpha and Gamma consistently show the strongest structured coherence, with mean residual magnitudes of approximately 0.11–0.33 during listening and 0.09–0.17 during musical imagery, compared with Gaussian-null levels around 0.03.Crucially, this fast multiband coherence persists during purely internal musical imagery, showing that the mechanism does not depend on sensory input. External stimuli sharpen and amplify the effect, but do not originate it. The TAMC-MultibandCoherence framework also provides full-band residual extraction, multiband coherence metrics, Gaussian-null modelling, and high-resolution channel × time heatmaps for audio and EEG signals. The method consistently shows that imagined music preserves spectral structure similar to real auditory input, particularly in Alpha and Gamma, while null distributions remain significantly lower in all conditions. Overall, the findings support the existence of an endogenous, field-like coordination mechanism capable of sustaining rapid large-scale neural synchronization. TAMC thus emerges as a robust tool for auditory, cognitive, and computational neuroscience. This work was conducted entirely by an independent researcher, without institutional affiliation or external funding. We provide a fully executable TAMC pipeline that can be run from a single Python script (tamc_openmiir_pipeline.py), without requiring prior expertise in EEG or signal processing. The script automatically loads the OpenMIIR EEG data (Listen and Imagine conditions for subject P01), applies zero-phase multiband filtering, computes TAMC residuals, extracts peak-locked lags, and compares the empirical lag-0 fractions with a configurable Gaussian null model. At each stage the pipeline prints clear explanations and progress bars, shows the generated figures on screen (raster plots, histograms, time–frequency maps, summary heatmaps, paper-style final figure), and saves all results as PNG and CSV files in structured folders. In combination with a parallel audio-TAMC pipeline, this design allows any user—even without technical background—to reproduce the full analysis and visually inspect every intermediate step. [e-mail] 🇪🇸 (con resultados principales + nota de investigador independiente) La coherencia rápida de desfase cero suele interpretarse como ruido en registros electrofisiológicos. Este proyecto presenta TAMC (Coherencia Multibanda Alineada Temporalmente), un marco basado en residuos que permite aislar componentes intrínsecos de coherencia rápida en distintas bandas de frecuencia del EEG. Utilizando el conjunto OpenMIIR (escucha musical vs. imaginación musical), TAMC demuestra que las bandas theta, alfa, beta y gamma presentan residuos de desfase cero muy superiores al nulo gaussiano, típicamente entre 3× y 10× según la banda. A nivel grupal, Alfa y Gamma muestran la coherencia estructurada más intensa, con magnitudes residuales medias de 0.11–0.33 durante la escucha y 0.09–0.17 durante la imaginación musical, frente a valores nulos gaussianos alrededor de 0.03.De forma crucial, esta coherencia rápida persiste incluso durante imaginación musical interna, lo que indica que el mecanismo no depende de entrada sensorial. El estímulo externo solo afina y potencia el efecto, pero no lo genera. El marco TAMC-MultibandCoherence también ofrece extracción de residuos por banda, métricas de coherencia multibanda, modelado nulo gaussiano y mapas de calor canal × tiempo de alta resolución para señales de audio y EEG. El método muestra de forma consistente que la música imaginada conserva parte de la estructura espectral del estímulo real, especialmente en Alfa y Gamma, mientras que las distribuciones nulas se mantienen significativamente más bajas en todas las condiciones. En conjunto, los resultados apuntan a la existencia de un mecanismo endógeno de coordinación tipo campo, capaz de sostener sincronizaciones rápidas a gran escala. TAMC se posiciona así como una herramienta sólida para la neurociencia auditiva, cognitiva y computacional. Este trabajo ha sido realizado íntegramente por un investigador independiente, sin financiación externa ni afiliación académica. Proporcionamos un pipeline TAMC completamente ejecutable desde un único script de Python (tamc_openmiir_pipeline.py), sin necesidad de experiencia previa en EEG ni en procesado de señal. El script carga automáticamente los datos EEG de OpenMIIR (condiciones Escuchar e Imaginar para el sujeto P01), aplica filtrado multibanda de fase cero, calcula los residuos TAMC, extrae lags anclados a picos y compara las fracciones empíricas de desfase cero con un modelo nulo gaussiano configurable. En cada etapa, el pipeline muestra explicaciones claras y barras de progreso, presenta en pantalla las figuras generadas (rasterplots, histogramas, mapas tiempo–frecuencia, heatmaps de resumen, figura final estilo artículo) y guarda todos los resultados como archivos PNG y CSV en carpetas organizadas. Junto con un pipeline paralelo TAMC-audio, este diseño permite que cualquier usuario —incluso sin formación técnica— reproduzca el análisis completo e inspeccione visualmente cada paso intermedio.🇬🇧 【英文版本】 附关键结果与独立研究者说明 在电生理记录中，快速零延迟相干性常被当作噪声剔除。本研究提出TAMC（时间对齐多带相干性，Temporal-Aligned Multiband Coherence）——一种基于残差的框架，旨在分离脑电图（EEG）各频段中的内在快速相干成分。借助OpenMIIR数据集（音乐聆听vs音乐想象任务），TAMC分析显示，θ、α、β和γ频段的零延迟残差远高于高斯零假设下的预期值，具体倍数依频段不同介于3倍至10倍之间。 在全体被试中，α和γ频段始终表现出最强的结构化相干性，聆听任务下的平均残差幅度约为0.11~0.33，音乐想象任务下约为0.09~0.17，而高斯零假设下的水平仅约为0.03。至关重要的是，这种快速多带相干性在纯粹的内部音乐想象过程中依然存在，表明该机制并不依赖感觉输入。外部刺激仅会强化并放大这一效应，而非其产生的源头。 TAMC多带相干性框架还支持全带残差提取、多带相干性指标计算、高斯零假设建模，以及音频与脑电图信号的高分辨率通道×时间热图生成。该方法始终如一地表明，想象中的音乐保留了与真实听觉输入相似的频谱结构，尤其在α和γ频段中，而所有实验条件下的零分布均显著更低。 综合来看，本研究结果支持存在一种内源性、类场域协调机制，能够维持快速的大规模神经同步。因此，TAMC可作为听觉、认知与计算神经科学领域的一款稳健工具。 本研究完全由一名独立研究者完成，未获得任何机构隶属关系支持或外部资助。 我们提供了完全可执行的TAMC流水线，仅需通过单个Python脚本（tamc_openmiir_pipeline.py）即可运行，无需具备脑电图或信号处理领域的先验知识。该脚本会自动加载OpenMIIR脑电图数据集（被试P01的聆听与想象任务数据），执行零相位多带滤波，计算TAMC残差，提取峰锁定延迟，并将经验性lag-0分数与可配置的高斯零假设模型进行对比。在每个阶段，流水线都会输出清晰的说明与进度条，在屏幕上展示生成的图表（栅格图、直方图、时频图、汇总热图、期刊风格最终效果图），并将所有结果以PNG和CSV格式保存至结构化文件夹中。结合并行音频-TAMC流水线，该设计可让任何用户——即便没有技术背景——复现完整分析流程并可视化检查每一个中间步骤。 联系邮箱：[e-mail] 🇪🇸 【西班牙文版本】 附关键结果与独立研究者说明 在电生理记录中，快速零延迟相干性常被当作噪声剔除。本研究提出TAMC（时间对齐多带相干性，Coherencia Multibanda Alineada Temporalmente）——一种基于残差的框架，可分离脑电图（EEG）各频段中的内在快速相干成分。借助OpenMIIR数据集（音乐聆听vs音乐想象任务），TAMC分析显示，θ、α、β和γ频段的零延迟残差远高于高斯零假设下的预期值，具体倍数依频段不同介于3倍至10倍之间。 在全体被试中，α和γ频段始终表现出最强的结构化相干性，聆听任务下的平均残差幅度约为0.11~0.33，音乐想象任务下约为0.09~0.17，而高斯零假设下的水平仅约为0.03。至关重要的是，这种快速多带相干性即便在纯粹的内部音乐想象过程中依然存在，表明该机制并不依赖感觉输入。外部刺激仅会优化并强化这一效应，而非其产生的源头。 TAMC多带相干性框架还支持分频段残差提取、多带相干性指标计算、高斯零假设建模，以及音频与脑电图信号的高分辨率通道×时间热图生成。该方法始终如一地表明，想象中的音乐保留了与真实听觉输入相似的频谱结构，尤其在α和γ频段中，而所有实验条件下的零分布均显著更低。 综合来看，本研究结果支持存在一种内源性、类场域协调机制，能够维持快速的大规模神经同步。因此，TAMC可作为听觉、认知与计算神经科学领域的一款稳健工具。 本研究完全由一名独立研究者完成，未获得任何学术隶属关系支持或外部资助。 我们提供了完全可执行的TAMC流水线，仅需通过单个Python脚本（tamc_openmiir_pipeline.py）即可运行，无需具备脑电图或信号处理领域的先验知识。该脚本会自动加载OpenMIIR脑电图数据集（被试P01的聆听与想象任务数据），执行零相位多带滤波，计算TAMC残差，提取峰锁定延迟，并将经验性lag-0分数与可配置的高斯零假设模型进行对比。在每个阶段，流水线都会输出清晰的说明与进度条，在屏幕上展示生成的图表（栅格图、直方图、时频图、汇总热图、期刊风格最终效果图），并将所有结果以PNG和CSV格式保存至结构化文件夹中。结合并行音频-TAMC流水线，该设计可让任何用户——即便没有技术背景——复现完整分析流程并可视化检查每一个中间步骤。