解鎖大腦 “感知開關(guān)”：語言如何塑造我們對環(huán)境健康的判斷

瀏覽次數(shù)：213　發(fā)布日期：2026-2-24　來源：本站　僅供參考，謝絕轉(zhuǎn)載，否則責(zé)任自負

解鎖大腦 “感知開關(guān)”：語言如何塑造我們對環(huán)境健康的判斷

引言/背景介紹
“空氣污染會損害健康”和“做好防護可降低患病風(fēng)險”—— 同樣是環(huán)境健康提示，為什么有的能讓你立刻重視，有的卻轉(zhuǎn)瞬即忘？在環(huán)保宣傳和健康科普中，語言從來都不只是 “信息載體”。它的措辭、框架甚至語氣，都在悄悄塑造我們對風(fēng)險的感知、信任度和行動意愿。但傳統(tǒng)的調(diào)查、問卷等方法，往往只能收集到人們 “事后回憶” 的態(tài)度，很難捕捉到語言刺激下大腦實時的認知和情感反應(yīng) 。這也成為環(huán)境健康溝通策略難以精準(zhǔn)優(yōu)化的核心痛點。

為了破解這一難題，來自武漢體育學(xué)院、泰山學(xué)院和北京理工大學(xué)的研究團隊，創(chuàng)新性地將腦電波（EEG）神經(jīng)科學(xué)技術(shù)與語言建模相結(jié)合，提出了一套 “認知 - 語言整合框架（CLIF）”。這項發(fā)表于《 IEEE Access》的研究，首次從神經(jīng)層面清晰揭示了語言影響公眾環(huán)境健康風(fēng)險認知的底層邏輯，為設(shè)計更有效的健康科普和政策溝通提供了全新思路。

文章信息

研究方法
如果把大腦比作 “認知處理器”，語言就是 “輸入信號”。這項研究的核心在于打造一套能精準(zhǔn)解讀 “信號如何影響處理器” 的認知 - 語言整合框架（CLIF）工具，再搭配 “自適應(yīng)認知推理策略（ACRS）”，讓分析更高效、更貼合實際場景。

研究團隊采用先進的 Transformer 模型，將環(huán)境健康相關(guān)的文本轉(zhuǎn)化為高維語義嵌入。然后通過 EEG 技術(shù)，實時記錄受試者閱讀這些文本時的腦電波活動，并將這些與注意力、情感、語義理解相關(guān)的神經(jīng)信號與第一步的語言嵌入結(jié)合，構(gòu)建出 “語言輸入 - 神經(jīng)響應(yīng)” 的動態(tài)關(guān)聯(lián)模型。此外為了適應(yīng)不同場景，研究還設(shè)計了 “自適應(yīng)認知推理策略”，通過自動篩選與當(dāng)前任務(wù)相關(guān)的語言特征，過濾無關(guān)信息；再根據(jù)大腦反應(yīng)不斷修正分析模型，減少誤差；最后平衡分析準(zhǔn)確率和速度，滿足實時溝通場景的需求。

研究采用EGEyeNet、CWL EEG/fMRI、BIDS Siena Scalp EEG、MODA等四個權(quán)威數(shù)據(jù)集進行分類任務(wù)和回歸任務(wù)驗證，評估準(zhǔn)確率、召回率、F1 分數(shù)、AUC和MSE等指標(biāo)。

圖1. 認知-語言整合框架（CLIF）

圖2. 自適應(yīng)認知推理策略（ACRS）圖

研究結(jié)果
性能對比（優(yōu)于SOTA方法）
如表1和表2所示，在四大數(shù)據(jù)集的測試中，CLIF 框架的表現(xiàn)全面領(lǐng)先現(xiàn)有模型：EEGEyeNet 數(shù)據(jù)集上準(zhǔn)確率達 92.35%，比 Transformer-based 模型提升 3.35%；CWL EEG/fMRI 數(shù)據(jù)集上 AUC 值達 91.20%，超過 CNN-LSTM 混合模型 3.2 個百分點；在BIDS Siena Scalp EEG 數(shù)據(jù)集上，對比CNN-LSTM Hybrid 模型，準(zhǔn)確率提升 2.95%，AUC 值提升 3.0%；MODA 數(shù)據(jù)集上準(zhǔn)確率達92.10%，比 Transformer-based 模型提升 2.60%。與基于Transformer和CNN-LSTM混合模型相比，該框架表現(xiàn)出更高的準(zhǔn)確性和AUC，表明了卓越的魯棒性和泛化性。該方法通過認知反饋循環(huán)提升了可解釋性，同時減少冗余計算，提升了實時分析的計算效率，且更擅長整合 EEG 與語言多模態(tài)數(shù)據(jù)。

表1. EEGEyeNet和CWL EEG/fMRI數(shù)據(jù)集上與SOTA模型的性能比較

表2. BIDS Siena頭皮EEG和MODA數(shù)據(jù)集上與SOTA模型的性能比較

圖3. 性能對比圖。上：最先進（SOTA）方法在 EEGEyeNet 數(shù)據(jù)集和 CWL 腦電圖（EEG）/ 功能磁共振成像（fMRI）數(shù)據(jù)集上的性能對比；下：最先進（SOTA）方法在 BIDS 錫耶納頭皮腦電圖（EEG）數(shù)據(jù)集和 MODA 數(shù)據(jù)集上的性能對比。該圖展示了不同最先進（SOTA）方法在關(guān)鍵評估指標(biāo)上的對比表現(xiàn)，包括準(zhǔn)確率（accuracy）、召回率（recall）、F1 分數(shù)（F1 score）和曲線下面積（AUC）

消融實驗
消融研究的結(jié)果提供了對四個數(shù)據(jù)集中提出的模型中單個模塊的貢獻的詳細見解（表3和表4）。排除任何特定模塊導(dǎo)致明顯的性能下降，重申了每個組件在實現(xiàn)最先進結(jié)果方面的重要性。
1. 移除語言表征與編碼：準(zhǔn)確率下降 2.25%-3.35%（如 EEGEyeNet 從 92.35% 降至 89.00%）；
2. 移除知識增強推理：F1 分數(shù)下降 1.40%-2.10%（如 CWL EEG/fMRI 從 90.00% 降至 88.60%）。
3.移除認知反饋循環(huán)：AUC 下降 1.50%-2.70%（如 MODA 從 92.50% 降至 89.30%）。

表3. EEGEyeNet和CWL EEG/fMRI數(shù)據(jù)集的消融研究結(jié)果

表4. Normalized.mat —— 按步幅/周期解析并歸一化的數(shù)據(jù)

圖4. 消融研究性能對比圖。上：所提方法在 EEGEyeNet 數(shù)據(jù)集和 CWL 腦電圖（EEG）/ 功能磁共振成像（fMRI）數(shù)據(jù)集上的消融實驗。語言表征與編碼（LRE）；知識增強推理（KAR）；基于認知反饋循環(huán)的迭代優(yōu)化（LRCFL）；下：所提方法在 BIDS 錫耶納頭皮腦電圖（EEG）數(shù)據(jù)集和 MODA 數(shù)據(jù)集上的消融實驗。語言表征與編碼（LRE）；知識增強推理（KAR）；基于認知反饋循環(huán)的迭代優(yōu)化（LRCFL）

結(jié)論與展望
研究提出了一種新的方法來理解語言框架如何影響公眾對環(huán)境健康和暴露風(fēng)險的看法。通過將基于腦電圖的認知分析與高級語言建模相結(jié)合，提出的認知-語言整合框架（CLIF）為語言驅(qū)動感知背后的神經(jīng)機制提供了新的見解。實驗評估表明，與傳統(tǒng)的基于調(diào)查的方法相比，CLIF在模擬實時認知反應(yīng)方面具有更高的準(zhǔn)確性。深度學(xué)習(xí)、分層推理和基于知識的適應(yīng)的集成使該框架能夠動態(tài)適應(yīng)不同的語言環(huán)境，并改進風(fēng)險溝通策略。

研究也存在一些局限性：依賴 EEG 數(shù)據(jù)導(dǎo)致收集成本高、操作復(fù)雜，難以適配大規(guī)模人群研究；未充分考量跨文化差異，無法滿足不同地域和語言背景人群的認知適配需求；面對高噪聲 EEG 信號或模糊語言線索時，模型認知狀態(tài)優(yōu)化易收斂不佳，影響分析精度。對此，研究團隊將從三方面推進優(yōu)化：一是整合眼動追蹤、皮膚電反應(yīng)（GSR）、心率變異性（HRV）等低成本生理數(shù)據(jù)與行為數(shù)據(jù)，開發(fā)混合模型以降低對 EEG 的依賴，提升技術(shù)普適性；二是開展多語言、跨文化研究，納入社會語言學(xué)變量（如群體環(huán)境認知、文化風(fēng)險態(tài)度），增強溝通策略的全球化適配能力；三是引入自適應(yīng)正則化、置信度門控機制及動態(tài)知識圖譜檢索技術(shù)，提升模型在復(fù)雜噪聲和模糊語言場景下的魯棒性，讓語言 - 認知 - 神經(jīng)關(guān)聯(lián)分析更貼近實際應(yīng)用，為環(huán)境健康溝通提供更具實操性的技術(shù)支撐。

原文信息及鏈接
Yuening, L., Yong, R., & Chenhua, Z. (2025). Exploring the Role of Language in Public Perception of Environmental Health and Exposure Risks Using EEG. IEEE Access, 1–1.

https://doi.org/10.1109/ACCESS.2025.3553148

作者及單位介紹
該文章作者共3人，分別來自武漢體育大學(xué)、泰山學(xué)院和北京理工大學(xué)。

關(guān)于維拓啟創(chuàng)
維拓啟創(chuàng)（北京）信息技術(shù)有限公司成立于2006年，是一家專注于腦科學(xué)、康復(fù)工程、人因工程、心理學(xué)、體育科學(xué)等領(lǐng)域的科研解決方案供應(yīng)商。公司與國內(nèi)外多所大學(xué)、研究機構(gòu)、企業(yè)長期保持合作關(guān)系，致力于將優(yōu)質(zhì)的產(chǎn)品、先進的技術(shù)和服務(wù)帶給各個領(lǐng)域的科研工作者，為用戶提供有競爭力的方案和服務(wù)，協(xié)助用戶的科研工作，持續(xù)提升使用體驗。

相關(guān)產(chǎn)品