當(dāng)我們讀到一個(gè)"他"或"她"時(shí)，大腦需要在極短時(shí)間內(nèi)判斷這個(gè)代詞指的是誰——這個(gè)過程被稱為代詞消解。它看似自動(dòng)化，實(shí)則涉及復(fù)雜的神經(jīng)認(rèn)知運(yùn)算。臨床研究發(fā)現(xiàn)，中風(fēng)失語癥、阿爾茨海默病和帕金森病患者往往在代詞理解上出現(xiàn)明顯障礙，這說明代詞消解絕非"簡單"的語言任務(wù)，其神經(jīng)基礎(chǔ)值得深入探究。

那么，大腦究竟依靠什么線索來完成代詞消解？性別信息、動(dòng)詞語義、話語焦點(diǎn)——這些不同類型的語言線索是否激活了不同的認(rèn)知機(jī)制？以往研究大多只關(guān)注單一因素，比如單獨(dú)考察 theta 或 gamma 頻段振蕩與指代加工的關(guān)系，缺乏對(duì)多種線索驅(qū)動(dòng)機(jī)制的系統(tǒng)性對(duì)比。

上海理工大學(xué)有關(guān)課題組在《Journal of Neuroscience Methods》上發(fā)表了題為“EEG-based neurophysiological indicators in pronoun resolution using feature analysis"的研究論文。該研究通過腦電圖（EEG）記錄被試在代詞消解任務(wù)中的神經(jīng)活動(dòng)，結(jié)合ReliefF特征選擇算法和線性判別分析（LDA），系統(tǒng)識(shí)別了性別線索、動(dòng)詞偏向和話語焦點(diǎn)三種消解策略對(duì)應(yīng)的神經(jīng)生理指標(biāo)。

文章信息

實(shí)驗(yàn)材料包含200個(gè)中文句對(duì)，每對(duì)由一個(gè)名詞句和一個(gè)代詞句組成。名詞句中包含兩個(gè)潛在的代詞先行詞，分別來自80個(gè)名詞的數(shù)據(jù)庫（20個(gè)男性偏向詞、20個(gè)女性偏向詞、40個(gè)性別中性詞）。句子結(jié)構(gòu)分為兩類：“名詞+及物動(dòng)詞+名詞"和"名詞+名詞+不及物動(dòng)詞"；前者突出動(dòng)詞偏向效應(yīng)，后者促進(jìn)話語焦點(diǎn)效應(yīng)。實(shí)驗(yàn)設(shè)置了四種條件，通過操控名詞-代詞的性別一致性來提供充分或不充分的性別線索。

表1 所有實(shí)驗(yàn)條件下的示例材料

研究團(tuán)隊(duì)招募了20名上海理工大學(xué)的右利手學(xué)生（14男6女，18-25歲），均為漢語母語者，視力正常且無神經(jīng)系統(tǒng)疾病史。實(shí)驗(yàn)在安靜的暗光房間中進(jìn)行，被試坐在距筆記本電腦屏幕60厘米處，頭戴腦電設(shè)備，該設(shè)備配備14個(gè)記錄通道，按照國際10-20系統(tǒng)分布，如圖1所示。

圖1  (a) 實(shí)驗(yàn)環(huán)境(b) 腦電采集軟件(c) 代詞消歧任務(wù)的實(shí)驗(yàn)流程

每個(gè)試次的流程為：500毫秒注視點(diǎn)、3000毫秒名詞句呈現(xiàn)、3000毫秒代詞句呈現(xiàn)、3000毫秒指代問題，被試通過按鍵選擇代詞所指對(duì)象，隨后是2500毫秒的試次間隔。整個(gè)實(shí)驗(yàn)分為5個(gè)session，每個(gè)session包含40個(gè)試次。

腦電數(shù)據(jù)采集后，經(jīng)過4-45 Hz有限脈沖響應(yīng)濾波器處理以去除運(yùn)動(dòng)偽跡。隨后進(jìn)行平均參考計(jì)算和基于獨(dú)立成分分析（ICA）的偽跡去除。從50分鐘的記錄中提取40分鐘的有效數(shù)據(jù)，每位被試獲得200個(gè)12秒的腦電片段。

圖2  (a) 14個(gè)電極的位置(b) 原始腦電圖的時(shí)間序列(c) 8號(hào)參與者在4秒時(shí)間區(qū)間（46至50秒）內(nèi)濾波后腦電圖的時(shí)間序列

研究對(duì)提取的腦電時(shí)域、頻域特征進(jìn)行了規(guī)整分類，具體特征類型與參數(shù)匯總?cè)绫?2所示。

表2 提取的腦電特征及其標(biāo)注匯總

研究者從每個(gè)通道提取了9個(gè)時(shí)間-統(tǒng)計(jì)特征（均值、方差、峰峰值、峰度、過零率、偏度、線長度、一階導(dǎo)數(shù)大值和最小值），14個(gè)通道共產(chǎn)生126個(gè)時(shí)域特征。同時(shí)通過快速傅里葉變換計(jì)算功率譜密度（PSD），分析theta（4-7 Hz）、alpha（8-13 Hz）、beta（14-30 Hz）和gamma（31-40 Hz）四個(gè)頻段的功率分布，產(chǎn)生56個(gè)PSD特征。實(shí)驗(yàn)結(jié)束后，被試通過問卷標(biāo)注每次代詞消解的決策依據(jù)：性別線索（A）、動(dòng)詞偏向（B）或話語焦點(diǎn)（C）。

圖3 標(biāo)準(zhǔn)化3D散點(diǎn)圖

展示參與者#8的AF4通道在θ、β和γ波段的PSD特征，呈現(xiàn)了200個(gè)不同標(biāo)簽下的特征向量：(A) 性別線索、(B) 動(dòng)詞偏向、(C) 語篇焦點(diǎn)

行為數(shù)據(jù)分析

反應(yīng)時(shí)分析揭示了三種消解策略之間的顯著差異。基于性別線索的消解反應(yīng)時(shí)最短（平均748.77毫秒），動(dòng)詞偏向次之（平均903.20毫秒），話語焦點(diǎn)最慢（平均948.92毫秒）。Wilcoxon符號(hào)秩檢驗(yàn)證實(shí)所有配對(duì)之間差異顯著（p < 0.05），表明性別線索能促進(jìn)更快速的決策，而動(dòng)詞偏向和話語焦點(diǎn)因其不確定性需要更多加工時(shí)間。

圖4 三名被試在三種任務(wù)標(biāo)簽下的反應(yīng)時(shí)間箱線圖

腦電特征的統(tǒng)計(jì)差異

對(duì) 56 個(gè) PSD 特征進(jìn)行雙樣本 t 檢驗(yàn)，各導(dǎo)聯(lián)、各頻段經(jīng) FDR 校正后的統(tǒng)計(jì)學(xué)差異 q 值匯總。研究發(fā)現(xiàn)，性別線索條件（標(biāo)簽 A）與動(dòng)詞偏向條件（標(biāo)簽 B）之間幾乎在所有通道和頻段都存在顯著差異。標(biāo)簽A與話語焦點(diǎn)條件（標(biāo)簽C）的對(duì)比也呈現(xiàn)廣泛的顯著差異。然而，標(biāo)簽B與標(biāo)簽C之間未觀察到顯著差異，說明這兩種策略可能共享部分神經(jīng)加工機(jī)制。

表3 基于任務(wù)標(biāo)簽、EEG通道和頻段（θ波：4–7 Hz，α波：8–13 Hz，β波：14–30 Hz，γ波：31–40 Hz）的雙樣本t檢驗(yàn)，14個(gè)EEG通道經(jīng)錯(cuò)誤發(fā)現(xiàn)率（FDR）校正（Benjamini-Hochberg法）后的q值

圖5 不同頻段下標(biāo)簽A、標(biāo)簽B與標(biāo)簽C對(duì)比的t值地形圖（θ波：4–7 Hz，α波：8–13 Hz，β波：14–30 Hz，γ波：31–40 Hz）

特征貢獻(xiàn)分析

研究對(duì)比了 CFS、ReliefF、UFSOL、ILFS、DGUFS 五種特征選擇模型與 SVM、LDA、KNN 等分類器的組合性能，各組合分類準(zhǔn)確率與優(yōu)特征維度對(duì)比見表 4。進(jìn)一步單獨(dú)分析各獨(dú)立頻段及多頻段組合的分類效果，不同頻段特征集的分類準(zhǔn)確率如表 5所示。gamma 波段單獨(dú)準(zhǔn)確率高，theta+alpha+beta 三頻段融合組合表現(xiàn)優(yōu)，全頻段疊加反而出現(xiàn)冗余、準(zhǔn)確率小幅下降。ReliefF結(jié)合LDA的組合在選取前45%特征時(shí)達(dá)到48%的分類準(zhǔn)確率，20位被試的平均分類準(zhǔn)確率為49.08%，顯著高于隨機(jī)水平（33.33%，t = 10.349，p < 0.001）。

表4 特征選擇模型和分類器的準(zhǔn)確率及特征維度

表5 采用ReliefF和LDA的頻帶特征集準(zhǔn)確率

使用ReliefF算法進(jìn)行特征重要性排序， beta頻段特征表現(xiàn)出的判別力，其次是過零率（ZCR）和峰峰值（PtP）。theta和gamma頻段也有顯著貢獻(xiàn)?？臻g分布上，AF3、AF4、FC6、F4、T7、T8和O2通道的貢獻(xiàn)突出。theta頻段在前額區(qū)（AF3、AF4）和右顳區(qū)（FC6、T8）活動(dòng)顯著，beta頻段在枕區(qū)（O2）、前額區(qū)（AF4）和顳區(qū)（T7、T8）表現(xiàn)強(qiáng)烈，gamma頻段則在額區(qū)（F3、F4）活動(dòng)明顯。

圖6 分類三種代詞解析機(jī)制的特征重要性分析

（a）基于ReliefF算法的特征集相對(duì)權(quán)重（b）θ、beta和γ頻段內(nèi)通道特定特征貢獻(xiàn)的熱圖

這項(xiàng)研究通過綜合特征分析，成功識(shí)別出代詞消解過程中不同策略對(duì)應(yīng)的腦電神經(jīng)生理指標(biāo)。性別線索加工表現(xiàn)出高效的神經(jīng)機(jī)制——在前額和顳區(qū)的theta、beta和gamma頻段呈現(xiàn)更高的PSD值，反映了直接的信息加工和快速的指代關(guān)系確認(rèn)。這種“特征驅(qū)動(dòng)"的加工模式與動(dòng)詞語義和話語焦點(diǎn)所需的“推理驅(qū)動(dòng)"加工形成鮮明對(duì)比，后者涉及更復(fù)雜的語義分析和高層次語境整合。

研究結(jié)果對(duì)計(jì)算語言學(xué)模型的開發(fā)具有啟示意義，所識(shí)別的神經(jīng)生理指標(biāo)可作為語言加工評(píng)估的潛在生物標(biāo)志物，為中風(fēng)后失語癥、阿爾茨海默病等語言障礙的臨床診斷和干預(yù)提供參考。未來研究可擴(kuò)大樣本量以增強(qiáng)統(tǒng)計(jì)效力，開展跨語言對(duì)比以驗(yàn)證這些指標(biāo)的普適性，并探索深度學(xué)習(xí)方法在腦電特征分類中的應(yīng)用潛力。

原文信息及鏈接

研究團(tuán)隊(duì)介紹

關(guān)于維拓啟創(chuàng)

相關(guān)產(chǎn)品