“空氣污染會(huì)損害健康"和“做好防護(hù)可降低患病風(fēng)險(xiǎn)"—— 同樣是環(huán)境健康提示，為什么有的能讓你立刻重視，有的卻轉(zhuǎn)瞬即忘？在環(huán)保宣傳和健康科普中，語(yǔ)言從來(lái)都不只是 “信息載體"。它的措辭、框架甚至語(yǔ)氣，都在悄悄塑造我們對(duì)風(fēng)險(xiǎn)的感知、信任度和行動(dòng)意愿。但傳統(tǒng)的調(diào)查、問卷等方法，往往只能收集到人們 “事后回憶" 的態(tài)度，很難捕捉到語(yǔ)言刺激下大腦實(shí)時(shí)的認(rèn)知和情感反應(yīng) 。這也成為環(huán)境健康溝通策略難以精準(zhǔn)優(yōu)化的核心痛點(diǎn)。

為了破解這一難題，來(lái)自武漢體育學(xué)院、泰山學(xué)院和北京理工大學(xué)的研究團(tuán)隊(duì)，創(chuàng)新性地將腦電波（EEG）神經(jīng)科學(xué)技術(shù)與語(yǔ)言建模相結(jié)合，提出了一套 “認(rèn)知 - 語(yǔ)言整合框架（CLIF）"。這項(xiàng)發(fā)表于《 IEEE Access》 的研究，從神經(jīng)層面清晰揭示了語(yǔ)言影響公眾環(huán)境健康風(fēng)險(xiǎn)認(rèn)知的底層邏輯，為設(shè)計(jì)更有效的健康科普和政策溝通提供了全新思路。

文章信息

如果把大腦比作 “認(rèn)知處理器"，語(yǔ)言就是 “輸入信號(hào)"。這項(xiàng)研究的核心在于打造一套能精準(zhǔn)解讀 “信號(hào)如何影響處理器" 的認(rèn)知 - 語(yǔ)言整合框架（CLIF）工具，再搭配 “自適應(yīng)認(rèn)知推理策略（ACRS）"，讓分析更高效、更貼合實(shí)際場(chǎng)景。

研究團(tuán)隊(duì)采用 Transformer 模型，將環(huán)境健康相關(guān)的文本轉(zhuǎn)化為高維語(yǔ)義嵌入。然后通過(guò) EEG 技術(shù)，實(shí)時(shí)記錄受試者閱讀這些文本時(shí)的腦電波活動(dòng)，并將這些與注意力、情感、語(yǔ)義理解相關(guān)的神經(jīng)信號(hào)與的語(yǔ)言嵌入結(jié)合，構(gòu)建出 “語(yǔ)言輸入 - 神經(jīng)響應(yīng)" 的動(dòng)態(tài)關(guān)聯(lián)模型。此外為了適應(yīng)不同場(chǎng)景，研究還設(shè)計(jì)了 “自適應(yīng)認(rèn)知推理策略"， 通過(guò)自動(dòng)篩選與當(dāng)前任務(wù)相關(guān)的語(yǔ)言特征，過(guò)濾無(wú)關(guān)信息；再根據(jù)大腦反應(yīng)不斷修正分析模型，減少誤差；最后平衡分析準(zhǔn)確率和速度，滿足實(shí)時(shí)溝通場(chǎng)景的需求。

研究采用EGEyeNet、CWL EEG/fMRI、BIDS Siena Scalp EEG、MODA等四個(gè)數(shù)據(jù)集進(jìn)行分類任務(wù)和回歸任務(wù)驗(yàn)證，評(píng)估準(zhǔn)確率、召回率、F1 分?jǐn)?shù)、AUC和MSE等指標(biāo)。

圖1. 認(rèn)知-語(yǔ)言整合框架（CLIF）

圖2. 自適應(yīng)認(rèn)知推理策略（ACRS）圖

性能對(duì)比（優(yōu)于SOTA方法）

如表1和表2所示，在四大數(shù)據(jù)集的測(cè)試中，CLIF 框架的表現(xiàn)現(xiàn)有模型：EEGEyeNet 數(shù)據(jù)集上準(zhǔn)確率達(dá) 92.35%，比 Transformer-based 模型提升 3.35%；CWL EEG/fMRI 數(shù)據(jù)集上 AUC 值達(dá) 91.20%，超過(guò) CNN-LSTM 混合模型 3.2 個(gè)百分點(diǎn)；在BIDS Siena Scalp EEG 數(shù)據(jù)集上，對(duì)比CNN-LSTM Hybrid 模型，準(zhǔn)確率提升 2.95%，AUC 值提升 3.0%；MODA 數(shù)據(jù)集上準(zhǔn)確率達(dá)92.10%，比 Transformer-based 模型提升 2.60%。與基于Transformer和CNN-LSTM混合模型相比，該框架表現(xiàn)出更高的準(zhǔn)確性和AUC，表明了魯棒性和泛化性。該方法通過(guò)認(rèn)知反饋循環(huán)提升了可解釋性，同時(shí)減少冗余計(jì)算，提升了實(shí)時(shí)分析的計(jì)算效率，且更擅長(zhǎng)整合 EEG 與語(yǔ)言多模態(tài)數(shù)據(jù)。

表1. EEGEyeNet和CWL EEG/fMRI數(shù)據(jù)集上與SOTA模型的性能比較

表2. BIDS Siena頭皮EEG和MODA數(shù)據(jù)集上與SOTA模型的性能比較

圖3. 性能對(duì)比圖。上：（SOTA）方法在 EEGEyeNet 數(shù)據(jù)集和 CWL 腦電圖（EEG）/ 功能磁共振成像（fMRI）數(shù)據(jù)集上的性能對(duì)比；下：（SOTA）方法在 BIDS 錫耶納頭皮腦電圖（EEG）數(shù)據(jù)集和 MODA 數(shù)據(jù)集上的性能對(duì)比。該圖展示了不同（SOTA）方法在關(guān)鍵評(píng)估指標(biāo)上的對(duì)比表現(xiàn)，包括準(zhǔn)確率（accuracy）、召回率（recall）、F1 分?jǐn)?shù)（F1 score）和曲線下面積（AUC）

消融實(shí)驗(yàn)

消融研究的結(jié)果提供了對(duì)四個(gè)數(shù)據(jù)集中提出的模型中單個(gè)模塊的貢獻(xiàn)的詳細(xì)見解（表3和表4）。排除任何特定模塊導(dǎo)致明顯的性能下降，重申了每個(gè)組件在實(shí)現(xiàn)結(jié)果方面的重要性。

1. 移除語(yǔ)言表征與編碼：準(zhǔn)確率下降 2.25%-3.35%（如 EEGEyeNet 從 92.35% 降至 89.00%）；

2. 移除知識(shí)增強(qiáng)推理：F1 分?jǐn)?shù)下降 1.40%-2.10%（如 CWL EEG/fMRI 從 90.00% 降至 88.60%）。

3.移除認(rèn)知反饋循環(huán)：AUC 下降 1.50%-2.70%（如 MODA 從 92.50% 降至 89.30%）。

表3. EEGEyeNet和CWL EEG/fMRI數(shù)據(jù)集的消融研究結(jié)果

表4. Normalized.mat —— 按步幅/周期解析并歸一化的數(shù)據(jù)

圖4. 消融研究性能對(duì)比圖。上：所提方法在 EEGEyeNet 數(shù)據(jù)集和 CWL 腦電圖（EEG）/ 功能磁共振成像（fMRI）數(shù)據(jù)集上的消融實(shí)驗(yàn)。語(yǔ)言表征與編碼（LRE）；知識(shí)增強(qiáng)推理（KAR）；基于認(rèn)知反饋循環(huán)的迭代優(yōu)化（LRCFL）；下：所提方法在 BIDS 錫耶納頭皮腦電圖（EEG）數(shù)據(jù)集和 MODA 數(shù)據(jù)集上的消融實(shí)驗(yàn)。語(yǔ)言表征與編碼（LRE）；知識(shí)增強(qiáng)推理（KAR）；基于認(rèn)知反饋循環(huán)的迭代優(yōu)化（LRCFL）

研究提出了一種新的方法來(lái)理解語(yǔ)言框架如何影響公眾對(duì)環(huán)境健康和暴露風(fēng)險(xiǎn)的看法。通過(guò)將基于腦電圖的認(rèn)知分析與高級(jí)語(yǔ)言建模相結(jié)合，提出的認(rèn)知-語(yǔ)言整合框架（CLIF）為語(yǔ)言驅(qū)動(dòng)感知背后的神經(jīng)機(jī)制提供了新的見解。實(shí)驗(yàn)評(píng)估表明，與傳統(tǒng)的基于調(diào)查的方法相比，CLIF在模擬實(shí)時(shí)認(rèn)知反應(yīng)方面具有更高的準(zhǔn)確性。深度學(xué)習(xí)、分層推理和基于知識(shí)的適應(yīng)的集成使該框架能夠動(dòng)態(tài)適應(yīng)不同的語(yǔ)言環(huán)境，并改進(jìn)風(fēng)險(xiǎn)溝通策略。

研究也存在一些局限性：依賴 EEG 數(shù)據(jù)導(dǎo)致收集成本高、操作復(fù)雜，難以適配大規(guī)模人群研究；未充分考量跨文化差異，無(wú)法滿足不同地域和語(yǔ)言背景人群的認(rèn)知適配需求；面對(duì)高噪聲 EEG 信號(hào)或模糊語(yǔ)言線索時(shí)，模型認(rèn)知狀態(tài)優(yōu)化易收斂不佳，影響分析精度。對(duì)此，研究團(tuán)隊(duì)將從三方面推進(jìn)優(yōu)化：一是整合眼動(dòng)追蹤、皮膚電反應(yīng)（GSR）、心率變異性（HRV）等低成本生理數(shù)據(jù)與行為數(shù)據(jù)，開發(fā)混合模型以降低對(duì) EEG 的依賴，提升技術(shù)普適性；二是開展多語(yǔ)言、跨文化研究，納入社會(huì)語(yǔ)言學(xué)變量（如群體環(huán)境認(rèn)知、文化風(fēng)險(xiǎn)態(tài)度），增強(qiáng)溝通策略的化適配能力；三是引入自適應(yīng)正則化、置信度門控機(jī)制及動(dòng)態(tài)知識(shí)圖譜檢索技術(shù)，提升模型在復(fù)雜噪聲和模糊語(yǔ)言場(chǎng)景下的魯棒性，讓語(yǔ)言 - 認(rèn)知 - 神經(jīng)關(guān)聯(lián)分析更貼近實(shí)際應(yīng)用，為環(huán)境健康溝通提供更具實(shí)操性的技術(shù)支撐。

原文信息及鏈接

Yuening, L., Yong, R., & Chenhua, Z. (2025). Exploring the Role of Language in Public Perception of Environmental Health and Exposure Risks Using EEG. IEEE Access, 1–1.

作者及單位介紹

該文章作者共3人，分別來(lái)自武漢體育大學(xué)、泰山學(xué)院和北京理工大學(xué)。

關(guān)于維拓啟創(chuàng)

相關(guān)產(chǎn)品