返回 | 2022-06-14 |
研究成果在神经工程学期刊《Frontiers in Computational Neuroscience》出版
主要工作:
本研究的主要工作是探索自然语音理解中的脑网络,基于脑电图(EEG)源重建,并使用时间响应函数(TRFs)进行研究。
数据:
研究使用了正常语音和时间反转语音的故事听取任务中记录的EEG数据。
分析方法:
首先,提出了一种功能超对齐方法,使用加性平均方法来减少EEG噪声。然后,基于EEG信号重建大脑中的神经源,估计从语音刺激到源区域的TRFs,并基于社区检测方法在神经源空间中研究脑网络。为了评估基于TRF的脑网络,使用了多个尺度的TRF-based社区检测来获取可靠的脑网络结构。
结论:
提出的功能超对齐方法可以有效减少EEG实验中个体设置引起的噪声,从而提高源重建的准确性。正常语音理解的检测到的脑网络与非语义驱动(时间反转语音)音频处理的脑网络明显不同。研究结果表明,提出的源TRFs能够反映口语语言的认知处理,而多尺度社区检测方法在研究脑网络方面具有强大的能力。
创新点:
本研究的创新点包括基于EEG源重建的TRFs方法,可以更全面地揭示语音理解背后的功能机制。
新的发现:
研究发现正常语音理解和非语义驱动的脑网络具有明显的差异,证明了提出的源TRFs可以反映口语语言的认知处理。
研究意义:
该研究结果对于理解语音理解的脑机制具有重要意义,为脑网络研究提供了新的方法和视角。这对于改善语音理解技术和脑机接口技术具有潜在的应用价值。
参考文献:
Zhou D, Zhang G, Dang J, Unoki M, Liu X. Detection of Brain Network Communities During Natural Speech Comprehension From Functionally Aligned EEG Sources. Front Comput Neurosci. 2022 Jul 7;16:919215. doi: 10.3389/fncom.2022.919215. PMID: 35874316; PMCID: PMC9301328.