词识别与整合的神经动态

基于摘要分析。本文研究听者如何在快速、嘈杂的日常语音中结合语境预期与逐步到达的感官证据，完成词识别和整合；作者以 Bayesian decision theory 构建词识别计算模型，并将其拟合于被试被动聆听虚构故事时记录的头皮 EEG，以解释在线词识别动态及词识别、整合的神经相关活动。 核心机制是将对后续内容的预期与增量感官证据结合，刻画词何时能够被识别，再考察识别时间与 EEG 响应的关系。作者报告，在该故事聆听范式中，所有词均引发与概率性整合相符的神经响应，即电压变化可由词在语境中的 surprisal 预测；对于需要超过约 150 ms 输入才能识别的词，这种电压调制更强。作者报告，未观察到神经响应潜伏期随词识别时间而变化的差异。这里的约 150 ms 指词识别所需的输入时长，而非 EEG 响应潜伏期。 作者据此支持语音理解的两部分模型：迅速启动的词识别过程，以及在时间上独立的词整合过程。但作者同时报告，不纳入词识别动态的替代 EEG 模型也取得了相近的性能改善，因此摘要中的拟合结果尚不足以唯一支持该机制解释。具体改善指标、替代模型形式及区分假设的后续建模方案尚未验证。 该研究主要关注自然语音理解的认知计算机制与 EEG 神经相关活动，并非直接验证 BCI 解码系统。复现评估需核对词识别时间的估计方式、语境 surprisal 的来源、语音与 EEG 的时间对齐、模型拟合和评估划分，以及替代模型的对照条件。被试数、数据集名称、EEG 预处理、实验协议、消融及统计信息尚未验证。