随机声音序列中的变化检测

基于摘要分析。该研究考察听者能否追踪随机声音序列中描述事件间时间依赖的高阶统计信息，并通过行为变化检测实验、基于 Bayesian inference 的感知模型及 EEG 响应分析，研究大脑如何提取不完全可预测的听觉规律。主要研究对象是听觉统计感知，而非 BCI 解码算法。 实验要求听者检测音调序列中音高随机性的变化。与既有关注均值、方差等低阶边缘统计量的工作不同，本研究关注声音事件之间的时间依赖。作者报告，行为数据表明听者会积累统计估计以处理输入声音，Bayesian inference 感知模型支持大脑具有追踪高阶统计信息的能力。对个体行为的进一步分析提示，感知约束影响听者追踪这些统计信息的精确程度；摘要未说明这些约束的具体形式。 在 EEG 分析中，推断模型用于以各随机刺激的统计特征为参照组织神经响应分析。作者报告，观察到随高阶统计信息变化的偏差响应，以及与变化相关的刺激锁定响应相位扰动。这提供了将刺激统计结构、行为表现与 EEG 响应联系起来的分析路径，但不能据此认定已实现在线变化检测或改善 BCI 性能。 摘要未提供被试人数、刺激生成细节、高阶统计量的具体定义、模型更新规则、EEG 采集及预处理方案，也未给出效应量或统计检验结果。实验协议、消融及统计信息尚未验证；复现需进一步核对刺激参数、模型拟合方式，以及模型估计与 EEG 响应对齐的具体流程。