场景复杂度调节自然场景物体检测中的反馈活动程度

基于摘要分析。该研究探讨自然场景中的物体识别何时需要前馈加工之外的反馈活动，核心贡献是将场景复杂度与早期视觉皮层的递归加工、目标诱发 ERP 及行为证据积累联系起来。作者认为，简单场景可能只需较少反馈，而复杂场景会增强对反馈加工的依赖。 研究让人类被试在自然场景中执行动物目标检测任务，并依据低层对比度统计的计算模型，将场景划分为低、中、高复杂度。这里的动物是图像中的检测目标，并非动物实验对象；主要研究对象是人类视觉识别机制，而非 BCI 算法。 作者报告三类相互支持的结果：在该动物目标检测任务中，只有高复杂度场景中的目标对象伴随早期视觉皮层 V1 的 fMRI 活动增强；目标诱发 ERP 的增强同样只出现在高复杂度场景，并位于作者解释为反馈加工的阶段，约从刺激后 220 ms 起；当被试受到时间压力、较难利用反馈活动时，高复杂度场景下的行为表现下降。这些结果支持复杂场景更依赖反馈加工的解释，但摘要不足以核对各项效应量及统计证据。 作者还使用 drift diffusion 对反应时分布建模，报告高复杂度场景中的物体信息积累更慢，且证据积累与逐试次 EEG 反馈响应的变化相关。该结果为神经响应与决策过程提供了联系，但相关性本身不等于反馈活动对证据积累的因果作用。 被试数量、刺激规模、复杂度分组阈值、EEG 采集与预处理、ERP 分析窗口、模型参数及拟合比较尚未验证；实验协议、消融及统计信息尚未验证。复现时需核对目标有无及图像属性的控制、时间压力条件的设置，以及 EEG 响应与 drift diffusion 参数之间的具体关联分析。材料未提供 BCI 任务或解码性能，不能据此推断跨被试泛化或在线 BCI 收益。