语义和句法因素对言语理解过程中与事件相关的脑电场的影响:一项脑磁图(MEG)研究

《Frontiers in Human Neuroscience》:Semantics and syntax effects on event-related fields during speech comprehension: a MEG study

【字体: 大 中 小 】 时间:2026年04月02日 来源:Frontiers in Human Neuroscience 2.7

编辑推荐:

  摘要 引言:理解大脑在自然语言理解过程中如何处理语言仍然是一个关键挑战。本研究测试了使用事件相关场(ERF)方法来检查连续语言理解过程中大脑活动的时空分布的可行性。 方法:我们使用MEG和基于簇的ERF排列分析来研究语义差异和词类如何调节连续语言理解过程中的神经反应。 结果:

  摘要
引言:理解大脑在自然语言理解过程中如何处理语言仍然是一个关键挑战。本研究测试了使用事件相关场(ERF)方法来检查连续语言理解过程中大脑活动的时空分布的可行性。

方法:我们使用MEG和基于簇的ERF排列分析来研究语义差异和词类如何调节连续语言理解过程中的神经反应。

结果:语义差异较大的词在左侧颞叶传感器处引发了较晚的ERF效应(616-666毫秒)。在控制了词长度和后续词之后,这种效应仍然显著。功能词在左侧顶颞叶传感器处引发了较早的ERF效应(166–312毫秒),以及在颞叶传感器处引发了较晚的效应(470–654毫秒)。

讨论:语义差异较大的词所引发的较晚效应可能与P600类似的活动或其他晚期语义整合过程有关。功能词的早期和晚期效应可能反映了句法处理和对即将出现词的预测。总的来说,这些发现表明语义差异和词类在自然语言理解过程中不同地塑造了ERF的时间动态。

1 引言
语言处理涉及复杂的神经机制,使大脑能够解释和整合语义和句法信息。影响语义处理的一个关键因素是语义差异,即一个词的含义与前一个词所建立的语义上下文的差异程度(Broderick等人,2018;Frank和Willems,2017)。在自然语言理解中,语义差异尤为重要,因为它会增加将一个词整合到其周围话语中的认知负担。了解大脑如何处理语义上不同的词可以为现实世界对话情境中的语言理解提供宝贵的见解。重要的是,语义差异不同于词预期或概率,后者在文献中有更广泛的描述。例如,在句子“The boy will eat cake”中,“cake”这个词是预期或可预测的,尽管它在语义上与其他词不同,而“cake”和“pie”在语义上是相似的(Frank和Willems,2017)。
研究语言感知过程中大脑活动的一种最传统的方法是分析事件相关电位(ERPs;Kaan,2007;Molfese等人,2008;Harwood等人,2017;Rebreikina等人,2021;Larionova和Martynova,2022;Neklyudova等人,2025)。这些由孤立的语言刺激(如音素、词或句子)引发的电脑反应为理解语言的感知和理解机制提供了宝贵的见解。N400和P600是语言研究中研究最广泛的ERP成分之一。N400在词出现后300到500毫秒达到峰值,最初与语义不一致的词相关联(Kutas和Hillyard,1980),并且已被证明对于无意义的伪词和不常见的词更为明显(Kutas和Federmeier,2000;Van Petten和Kutas,1990)。相比之下,P600通常与句法异常的处理相关联,但它也可以由某些类型的语义违规引发,特别是当它们与句子结构冲突时(Gouvea等人,2010;Osterhout和Holcomb,1992;van Herten等人,2005;Kuperberg,2007)。检索-整合理论提出,N400反映了词汇检索——从记忆中获取词的意义——而P600反映了将该意义整合到不断发展的句子表示中(Brouwer等人,2017),振幅越大表示整合难度越大(Aurnhammer等人,2021)。
传统上,与词处理相关的ERP是在包含语义或句法错误的不自然语言流中进行检查的(Service等人,2007;Hagoort和Brown,2000;Kutas和Federmeier,2011;Friederici等人,1993),而近年来才出现了向更自然条件的语音感知实验方法转变(Alday,2019)。最近的研究表明,大脑以时间锁定的方式跟踪自然语言的语义内容,神经反应对叙事背景下单个词的意义敏感(Broderick等人,2018;Rogachev和Sysoeva,2024;Soghoyan等人,2025)。这种现象称为神经跟踪,涉及反映大脑处理词的声学和语言特征的皮层活动。神经跟踪通常使用卷积方法进行检查,最著名的是时间响应函数(TRFs)或一致性分析(Broderick等人,2018;Gillis等人,2021)。特别是对于语音听闻条件,TRF方法使用不同的预测因子来构建连续大脑活动与听觉语音包络或离散事件(如词出现)以及词的语义差异的卷积模型(Broderick等人,2022;Mesik等人,2021;Zhou等人,2022;Ovakimian等人,2025)。这种方法表明,大脑对语义复杂词的反应在词出现后约380–600毫秒处表现为明显的负性,作者将其解释为N400(Broderick等人,2018)。
我们询问了一种修改后的ERP方法是否可以提供对自然语言听闻过程中大脑反应的额外理解。这种修改涉及平均与相同语言事件(如语义不一致的词)无关的大脑活动,而是与语义相似的词与上下文不同的词相关的大脑活动,使用了一种已被证明是跟踪自然语言处理的卷积方法(如TRF)中有效的大脑活动预测因子的语义差异度量。Neklyudova等人(2025)在逐词阅读条件下发明了类似的事件相关方法。在这项研究中,我们分析了脑磁图(MEG)事件相关场(ERFs),以比较连续俄语叙述中语义接近和遥远的内容词,以研究语义差异如何调节自然语言理解过程中的大脑反应。与TRF和其他基于回归的分析相比,ERP方法有一些方法学限制。它需要将刺激分为分类组(例如,语义差异较大的词与语义差异较小的词),这引入了一些任意的阈值,并丢弃了关于中间值的信息,从而降低了统计功效,使得捕捉复杂的、非单调的(例如U形的)依赖关系变得困难。同时,ERP方法在计算上要求较低,所需的内存远少于TRF,这使得在没有高性能计算资源的情况下也能分析大量词和长时间段。此外,对比极端条件可能会增加对非线性但单调效应的敏感性,这些效应主要出现在分布的边缘——这些效应可能被Broderick等人(2018)使用的线性回归方法平滑掉或完全忽略。最后,分类ERP方法使得结果可以根据众所周知的ERP成分进行解释,便于将卷积/回归方法学发现与传统神经语言学知识进行比较。
因此,我们旨在将锁定在语义相似词与语义不同词上的ERF结果与Broderick等人(2018)的描述结果进行比较。可以预期类似的模式(380到600毫秒之间的ERF),两种方法之间的一致性将为两者的稳健性和有效性提供证据。因此,认为语义差异会增加将一个词整合到其周围话语中的认知负担,可能导致不同的神经反应,特别是在处理的后期阶段(Broderick等人,2018)。然而,由于方法学差异和语言差异,峰值潜伏期或效应大小的分歧是合理的。俄语的形态复杂性(包括后缀和屈折词尾),以及不同的词长度和灵活的词序,这使得句法解析变得复杂,可能导致ERP峰值延迟,因为处理需求增加。例如,在一项俄语研究中(Ovakimian等人,2025),语义差异回归器预测了较早的TRF反应(200–400毫秒),作者将其解释为早期双侧语义处理的证据。然而,由于TRF方法的计算要求,该研究使用的词很少,且词出现周围的窗口很短,这可能会影响普遍性。
除了研究语义差异的作用外,这项研究还比较了功能词和内容词,以探索词类型如何影响自然语言听觉处理过程中的ERF反应。在语言中,主要区分了两个词类:(1)开放类词,或内容词,包括名词、动词、形容词和副词;以及(2)封闭类词,或功能词,包括代词、数字、连词、介词和助动词。功能词几乎没有词汇-语义内容,它们单独的意义很小或甚至不存在。然而,它们在句法中起着关键作用,塑造句子结构并指示词之间的关系(例如,格或依赖类型)。先前的EEG研究为这些词类之间的差异提供了经典证据:Pulvermüller等人(1995)报告了功能词的左侧化N150和N260 ERP成分,反映了周围 Sylvian 区域在语法处理中的早期参与。功能词以及内容词也可以引发与预期即将出现的词或其语法特征相关的N400效应(DeLong等人,2005)。Münte等人(2001)发现内容词引发了更强的N400反应,他们将其解释为内容词所需更大的语义负担和上下文整合。在分析连续语言时,Gillis等人(2021)比较了内容词和功能词的TRF反应,没有发现显著差异,这表明自然语言的神经反应主要不反映词的语法类别。相比之下,Schilling等人(2021)分析了连续语言的MEG ERF反应,发现内容词引发了比功能词更强的早期(0–250毫秒)和晚期(500–750毫秒)反应,并将其解释为内容词所需更高的语义负担和更深的上下文整合,这可能表明ERF可能更好地捕捉到这种语义差异。然而,据我们所知,还没有研究对自然语言的MEG ERF进行过严格的组级统计分析。在本研究中,我们通过跨参与者的时空簇基测试解决了这一空白。
总之,我们假设自然语言的ERF会对比较内容词和功能词时的语义负荷敏感,并在对比高语义差异和低语义差异的内容词时对语义差异敏感。在这些对比中观察到N400将支持先前的发现,并支持MEG ERF用于研究自然语言中语义处理的适用性,而偏差(如分布不同的效应)可能反映了俄语的特定处理特征或ERF和TRF方法之间的差异。

2 方法
2.1 参与者
共有27名健康的、以该语言为母语的右利手成年志愿者参与了这项研究。样本大小是根据之前使用MEG研究语言处理的研究的参与者中位数选择的(即约26名;Gwilliams等人,2023;Liu等人,2020;Houde等人,2002;Zhao和Kuhl,2022;Pulvermüller和Shtyrov,2009)。参与者通过社交媒体上的公告招募。所有参与者都获得了参与报酬,其中一些参与者还获得了课程学分。所有参与者都是母语使用者;他们的视力正常或矫正至正常;他们没有神经系统或精神障碍的历史。实验得到了高级神经活动和神经生理学研究所伦理委员会的批准(编号0304052023,2023年5月4日),遵循了赫尔辛基宣言的人类研究伦理指南,并从所有参与者那里获得了知情同意。
2.2 听觉语言处理任务
在MEG记录期间,参与者通过耳机听到了由专业声音工程师处理的带有女性声音的短音频文本。文本是一篇关于刺猬的科普文章,长度为672个词,其中166个是功能词(介词、连词),506个是内容词。故事的文本及其英文翻译可以在补充材料中查看。在听的过程中,参与者在屏幕上看到一个黑色背景上的注视十字。音频故事结束后,实验者询问了关于故事内容的问题,以跟踪参与者的参与度。故事的持续时间为4分钟52秒。功能词(例如‘in’、‘when’、‘to’、‘not’、‘but’)的平均持续时间为167(毫秒±135毫秒——标准差)。内容词(例如“刺猬”、“生活”、“光”)的平均持续时间为394毫秒(±158毫秒)。2.3 语义差异为了分析MEG对上下文相关词和上下文不相关词的反应,我们为每个词计算了语义差异值。首先,使用预训练的fastText模型(cc.ru.300.bin;Grave等人,2018年)生成了词嵌入。该模型在大量的俄语文本上进行了训练,为单词提供了300维的向量表示。然后,使用这些向量表示来计算每个词的语义差异。我们将每个词的向量与句子中所有先前词的平均向量进行比较,使用皮尔逊相关性作为相似性的度量标准。差异值计算为1减去皮尔逊相关性,其中较高的值表示更大的差异。所得的差异分数反映了每个词与其上下文在语义上的距离(Broderick等人,2018年)。文本的第一个词(“刺猬”)的差异值被设置为1。然后将内容词根据语义差异值分为四分位数:上下文相关词(较低四分位数)和上下文不相关词(较高四分位数)。因此,总共分析了127个上下文相关词和127个上下文不相关词的MEG反应。上下文相关词(例如“草”、“刺猬”、“他们”、“小”、“现在”)的平均持续时间为324毫秒(±143毫秒)。上下文不相关词(例如“亲戚”、“白腹”、“农场”、“米”)的平均持续时间为453毫秒(±162毫秒)。我们还分析了上下文相关词和上下文不相关词之后的单词所引发的大脑活动,以检查我们观察到的晚期ERF差异是否与下一个单词的开始有关。在进行分析之前,我们使用卡方检验检查了功能词、内容词、上下文相关词和上下文不相关词在各个组之间的比例是否具有统计可比性,以确保观察到的任何神经差异不能归因于单词类型的分布不均,因为这些单词类型可能涉及不同的处理机制。单词列表也可以在补充材料中看到。为了获得单词的起始和结束标记,将音频故事记录与其文本转录对齐,并使用“Audacity”软件进行频谱图检查。2.4 MEG数据采集MEG使用306通道检测器阵列(Vectorview;Neuromag,赫尔辛基,芬兰)进行记录。数据记录的带宽为0.03–330赫兹,采样率为1000赫兹。在MEG记录期间持续监测受试者的头部位置。这项研究在莫斯科国立大学心理学与教育学院的“神经认知研究中心”这一独特的研究设施中进行。2.5 MEG数据预处理首先使用时间信号空间分离(tSSS)方法对数据进行去噪,并使用MaxFilter?(v2.2)软件调整到预期的共同头部位置。进一步的预处理使用了MNE-python工具箱(v.0.24.1)以及自定义的Python和Matlab脚本。去噪后的数据在0.2至40赫兹之间进行过滤。使用独立成分分析(ICA)来校正生物伪迹。数据从刺激开始后的?0.05到1秒进行分割。选择这个时间长度是因为在自然的俄语语音刺激中,单词的持续时间约为0.15–0.60秒(Stepanova,2011年)。然后,拒绝至少有一个通道的幅度超过或低于平均值8个标准差的时段。接着,使用6e-12 T的常见峰对峰值信号幅度阈值来拒绝时段(Leiken等人,2014年;Grabot等人,2025年;Cui等人,2022年)。最终,分析的时段数量分别为“所有功能词”、“所有内容词”、“上下文相关内容词”和“上下文不相关内容词”条件下的164.0、499.7、125.7、125.6个。2.6 传感器级别的MEG数据事件相关场分析在传感器级别分析中使用了磁力计,因为在tSSS之后,它们提供的信息与梯度计或组合传感器相当(Garcés等人,2017年)。通过平均基线校正后的(?0.05–0秒)信号来计算单词起始时的ERF。为了进行统计分析,我们比较了不同条件(上下文相关词与上下文不相关词、功能词与内容词),以评估语义差异或单词类型是否反映在神经反应中。为了识别显著的时空ERF簇,我们使用了基于排列的聚类分析(function spatio_temporal_cluster_test),聚类形成阈值为α=0.001,并进行了1000次排列(Clarke等人,2024年;Orpella等人,2022年;Lim等人,2021年)。识别具有相似信号的传感器簇可以减少多重比较问题。为了计算实际的检验统计量,我们首先计算了每个簇的总F值,从而得到每个簇的单一检验统计量。然后通过随机排列样本中的条件并重新计算簇和检验统计量来生成数据分布。通过计算观察到该大小簇的概率来测试给定簇的显著性。簇的显著性阈值设置为0.005。对于ERF的可视化,我们使用了plot_joint()函数(MNE),地形图由每个条件下平均通道的绝对幅度峰值确定。3 结果3.1 上下文相关词和上下文不相关词的事件相关场与内容词相关的ERF在时间传感器上显示出峰值(见图1A、B)。排列聚类分析揭示了一个显著簇(见图1C)。在左侧时间传感器上,与上下文相关词相比,上下文不相关词在单词起始后616至666毫秒内引发了更强的正ERF(F=16.7,p=0.002)。图1 上下文相关词和上下文不相关词的事件相关场(ERFs)。(A、B)在一个时间线上显示所有通道的ERFs,并突出显示了峰值及其地形图:(A)上下文相关词,(B)上下文不相关词。(C)上下文相关词和上下文不相关词的ERF比较:顶部面板——用白色标记的显著传感器簇的地形图,底部面板——在聚类通道上平均的ERF;显著时间段用黄色突出显示。显示了参与者数据之间的置信区间。为了考虑与持续单词感知相关的潜在混淆因素,我们还在一组较短的单词(<500毫秒)中验证了效果,结果保持不变(见补充图S1)。尽管在晚期时间段观察到了统计差异,但对单个通道上的ERF进行视觉检查显示了左侧颞叶顶叶传感器上的早期ERF成分(有关图表及其讨论,请参见补充图S2)。3.2 功能词和内容词的事件相关场与分析的单词相关的ERF显示出具有时间地形的显著峰值(见图2A、B)。排列聚类分析揭示了四个区分内容词和功能词的显著簇。在左侧时间传感器上,功能词在单词起始后166至312毫秒内引发了更明显的负ERF(F=13.0,p=0.001;见图2C)。在右侧时间传感器上,功能词在单词起始后470至654毫秒内引发了更明显的正ERF(F=15.7,p=0.001;见图2C)。此外,在左侧时间传感器上,还观察到了两个晚期的显著ERF差异簇:从538至682毫秒(F=16.1,p=0.001)和从694至816毫秒(F=11.5,p=0.004;见图2C)。图2 功能词和内容词的事件相关场(ERFs)。(A、B)在一个时间线上显示所有通道的ERFs,并突出显示了峰值及其地形图:(A)功能词,(B)内容词。(C)功能词和内容词的ERF比较:左侧面板——用白色标记的显著传感器簇的地形图,右侧面板——在显著簇上平均的ERF;显著时间段用黄色突出显示。显示了参与者数据之间的置信区间。3.3 分析功能词与内容词、上下文相关词与上下文不相关词之前的ERF我们希望确保我们观察到的晚期ERF差异不是由下一个单词的开始引起的。为了测试这一点,我们分别比较了每种条件下这些后续单词相关的大脑活动(上下文相关词与上下文不相关词;功能词与内容词)。首先,我们将功能词之后的单词与内容词之后的单词进行了比较。卡方分析显示,在比较组之间功能词、内容词、上下文相关词和上下文不相关词的比例存在统计学上的显著差异(χ2=34.6,p<0.001),因为很少有功能词跟随功能词。在从比较组中移除功能词(跟随功能词和内容词的单词)后,卡方分析显示在比较组之间内容词、上下文相关词和上下文不相关词的比例没有统计学上的显著差异(χ2=0.62,p>0.05)。排列聚类分析在ERF中揭示了一个显著簇。在右侧时间传感器上,功能词之后的单词在48至98毫秒的时间窗口内引发了更明显的正ERF(F=15.3,p=0.002;见图3C)。图3 功能词之后与内容词之后的单词的事件相关场(ERFs)。(A、B)在一个时间线上显示所有通道的ERFs,并突出显示了峰值及其地形图:(A)功能词之后(B)内容词之后(C)功能词与内容词的ERF比较:顶部面板——用白色标记的显著传感器簇的地形图,底部面板——在这个簇上平均的ERF;显著时间段用黄色突出显示。显示了参与者数据之间的置信区间。我们还比较了上下文相关词之后的单词与上下文不相关词之后的单词所引发的ERF。卡方分析显示,在比较组之间功能词、内容词、上下文相关词和上下文不相关词的比例没有统计学上的显著差异(χ2=0.97,p>0.05)。排列聚类分析没有揭示出显著簇(所有p值>0.04,簇的显著性水平=0.005)。4 讨论在这项研究中,我们使用MEG来研究语义差异如何影响自然语音中单词的神经处理。我们引入了一种基于ERF的方法来处理叙述性听觉语音,从而能够精确地检查单词上下文整合的时间动态。我们展示了上下文不相关词在左侧时间传感器上引发了更强的晚期ERF反应,表明处理需求增加。此外,我们比较了内容词和功能词,以探索单词类型如何在连续听觉语音理解过程中调节ERF。功能词因其句法和预测作用而特征明显,引发了更强的一致早期和晚期ERF反应,这可能对应于对下一个单词的调整。我们的结果提供了关于语义差异和单词类别如何在连续自然语音理解过程中调节神经反应的新证据。下面我们将更详细地讨论这些发现。4.1 上下文相关词和上下文不相关词的事件相关场(ERFs)上下文相关词和上下文不相关词显示了不同的ERF特征。虽然上下文相关词的ERF具有典型的早期峰值(这些峰值在MEG听觉研究中很常见(Kaan,2007年;Kolozsvári,2021年;Salmelin,2007年;N'Diaye等人,2004年;Service等人,2007年),但上下文不相关词主要引发了晚期成分(见图1A、B)。同时,这些ERF之间的早期差异不显著。在左侧时间传感器上,616–666毫秒窗口内上下文相关词和上下文不相关词之间的ERF存在显著差异(见图1C)。在这里以及整个讨论中,空间参考指的是传感器级别的效果;没有进行源重建,因此不涉及解剖学定位。这个窗口比Brodrick等人(2018年)在他们的TRF研究中报告的窗口(380–600毫秒)要晚。Brodbeck等人(2023年)表明ERP可能在较晚的时间间隔内产生更强的反应,他们将其归因于声学泄漏和与后续单词的重叠。然而,我们对后续单词的控制分析没有发现显著效果,这表明后续刺激没有重叠。我们还通过排除长度小于500毫秒的单词来控制单词长度,确认在这种情况下,上下文相关词和上下文不相关词之间的晚期ERF差异独立于单词长度(见图S1)。最近,基于MEG数据对自然俄语语音中的语义差异进行的TRF分析显示,在200–400毫秒窗口内存在与语义相关的反应(Ovakimian等人,2025年),这与所描述的英语研究中的效果相反。作者使用的时间窗口长达600毫秒之后,可能错过了后来的反应。在本研究中,分析了更长的时间段。观察到的高语义差异词和低语义差异词之间的晚期差异可能反映了ERP对后期处理阶段的敏感性。Brodbeck等人(2023年)还报告说TRF倾向于检测到更早的效果,这可能解释了Brodrick等人(2018年)和Ovakimian等人(2025年)中报告的早期语义差异潜伏期。总的来说,我们的结果及其与文献的比较表明,结合ERP和TRF分析可以更准确地估计效果的时间。尽管方法上的差异可能导致反应时长的不同,但语言因素也应予以考虑:俄语单词通常更长,形态学上更为复杂(包含后缀和格变化),而词序则具有灵活性,这增加了句法解析的难度,并可能延迟语义整合的过程。考虑到反应时间的延迟以及已知晚期电位在句子处理过程中与工作记忆负荷的关联,所观察到的成分可能对应于ERP(事件相关电位)中的慢负波(Kaan, 2007; N’Diaye et al., 2004)。然而,也有观点认为这种差异与经典的P600成分有关。虽然P600波通常在中央-顶叶EEG电极上被观察到,但Service等人(2007)使用MEG(磁脑图)的研究表明其产生部位位于双侧颞叶。这一成分可能反映了内容词的高阶语义处理,特别是它们融入连贯语言背景的过程。根据文献,当单词在语法上正确但在语义上出乎意料或复杂时,或者在将单词整合到背景中遇到困难时,可能会出现P600(Gunter et al., 2000; Service et al., 2007; Kaan, 2007)。P600出现在需要判断单词正确性的任务中(Larionova and Martynova, 2022)。可以推测,P600反映了在单词中检查潜在错误的后期阶段,有助于区分伪词或单词处理中的错误(Larionova and Garakh, 2024)。P600也在涉及建立新的话语指称对象以及违反音乐和数学结构的任务中被观察到(Kaan, 2007)。这一发现表明,P600反映了将刺激整合到先前背景中的难度,无论这种背景是语言性的还是其他类型的(Patel et al., 1998; Nú?ez-Pe?a and Honrubia-Serrano, 2004; Lelekov et al., 2000)。与这些发现一致,在我们的研究中,语义差异较大的单词更难以融入正在展开的句子背景中,这可能触发了类似的后期验证过程,从而解释了观察到的类似P600的增强现象。重要的是,自然语言中的语义差异与词汇频率和上下文可预测性密切相关;因此,这里观察到的整合成本增加可能不仅反映了语义距离本身,还反映了频率较低和意外性较高的共同影响,而这些因素并未在研究中得到明确控制。尽管通过排除长单词部分减少了形态学复杂性的影响(因为俄语中单词长度与形态学复杂性之间存在相关性),但形态学复杂性可能进一步增加了整合难度。还应谨慎地将观察到的晚期语义效应称为“类似P600”的效应,因为目前的数据不足以提供明确的机制解释。

总结来说,我们观察到在语义上距离较远的单词之后出现了晚期的ERF(事件相关电位)增强现象。根据检索-整合理论(Brouwer et al., 2012; Venhuizen and Brouwer, 2025),这种晚期活动被认为反映了将单词整合到不断发展的句子意义中的难度。在俄语中,灵活的词序削弱了关于句法角色的线性线索,而丰富的形态学特征增加了建立句法和语义关系的处理需求。这些因素可能导致更大的整合努力,从而解释了我们数据中观察到的晚期ERF响应增强现象。

4.2 功能词和内容词的事件相关电位(ERFs)
根据排列聚类分析,功能词在单词出现后约200-300毫秒时,在左侧颞顶叶传感器处引发了显著更大的ERF(图2C)。先前的研究表明,语义处理可以在单词呈现后的200毫秒内发生(Hauk et al., 2006; MacGregor et al., 2012; Sulpizio et al., 2007; Sysoeva et al., 2007; Helenius et al., 2002)。此外,一些研究表明,在更早的处理阶段就涉及了预期机制,类似于N400的效应早在N200响应中就出现了(Brothers et al., 2015; Dikker and Pylkkanen, 2011)。从大约200毫秒开始,上颞叶的激活对词汇-语义操作变得敏感(Helenius et al., 2002; Kujala et al., 2004; Marinkovic et al., 2003)。尽管功能词不承载主要的语义负荷,但它们对句子的句法结构至关重要,并且持续时间非常短,这可能需要在早期阶段进行更积极的处理。排列聚类分析显示,在晚期(450-650毫秒)处理阶段,功能词在前颞叶传感器处的ERF比内容词更强(图2C)。先前的研究表明,功能词可以影响N400,并将这种效应解释为对后续单词的预期(DeLong et al., 2005; Martin et al., 2008)。N400有多种解释,其中之一是预测编码理论,该理论认为预期的感官输入会导致神经反应减弱(Eddine et al., 2024; Rabovsky and McRae, 2014)。因此,这种观察到的后期ERF增加可能反映了功能词在构建对即将出现的单词及其预期句法结构(如语法格或语法特征)的预期中的作用。随着口语中单词的展开,初始线索可以触发预测性处理,激活相关的记忆痕迹,使大脑能够在单词完全完成或被识别之前就 anticipates 它的到来(Shtyrov and MacGregor, 2016)。

鉴于单词长度的差异——功能词平均为167毫秒,内容词为394毫秒——有必要考虑所描述的晚期效应可能与后续单词有关。因此,我们分析了功能词之后单词的相关活动。根据这项分析,在功能词之后出现的单词在50-100毫秒范围内引发了更强的脑部反应,特别是在右侧前颞叶传感器处(图3C)。由于功能词引起的晚期ERF具有相同的地形分布,可以推测这种效应可能与处理后续单词的预测能力有关,而不是功能词本身的处理。重要的是,这种晚期效应也可能部分反映了与后续单词的声学起始时间同步的神经反应,而不是功能词本身的处理。功能词和内容词之间的对比可能反映了语言和声学上的混合差异。然而,在俄语中,韵律和边界结构在区分单词方面的作用有限,因此不太可能显著影响早期和晚期的ERF效应。同时,功能词在持续时间上也系统地不同于内容词,这可能独立于语义处理,促进了早期ERF响应的增强。最后,聚类分析显示,在左侧传感器处,内容词在550-800毫秒范围内有更大的激活(图2C)。这种差异似乎与内容词(图1B,C)的晚期ERF波有关,特别是与上下文无关的内容词,被解释为类似P600的ERF,反映了前一节中描述的语义整合处理过程。

4.3 总结
总体而言,在听故事的自然环境中,与上下文相关和与上下文无关的内容词引发了不同的ERF特征,其中与上下文无关的单词显示了晚期(约600毫秒)的ERF成分。这种效应可能反映了将它们整合到背景中的困难,这可能是由于语义距离、上下文可预测性降低或词汇频率较低所致。内容词承载主要的语义信息,在左侧颞叶传感器处引发了不同的晚期ERF效应,可能与复杂的语义整合和记忆过程有关。另一方面,功能词在左侧顶颞叶传感器处引发的较强早期ERF反应可能反映了它们在句法处理中的作用,而右侧颞叶传感器在后期阶段的晚期ERF波可能表明它们参与了对后续单词的预测和处理。重要的是,当控制了单词长度和后续单词的影响后,ERF提供了与TRF(时间相关函数)分析互补的信息,有助于更全面地理解自然语言中的语义处理。

5 限制
自然听觉语音的一个限制是单词之间的时间间隔很短,这使得区分与单词相关的活动和与偏移相关的效应变得复杂。然而,大约600毫秒的晚期效应在不同长度的单词中表现出稳定的潜伏期,包括仅限于长度小于500毫秒的单词的分析,这反驳了基于偏移的解释。功能词在200-300毫秒观察到的早期效应也不太可能是由偏移引起的,因为内容词在预期的潜伏期没有发现相应的效应。尽管控制了单词长度和后续单词的影响,但连续语音固有的时间重叠和声学变化仍可能影响对内容词和功能词的神经反应,特别是考虑到功能词的短持续时间。基线污染是连续语音ERF分析中的一个普遍问题。然而,早期效应超出了单词的偏移范围,使得简单的延续效应不太可能成立。最后,功能词试验数量较少可能会增加变异性,但效应在各种控制分析中仍然保持稳健。所有结果都来自同一位说话者和一个特定的叙述故事,这限制了这些发现对其他语音材料和特定说话者声学及语音特性的普遍性。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号