编辑推荐：
为探究英语学习与数学认知的神经关联，研究人员利用功能近红外光谱（fNIRS）构建数学干扰数据集，提出 AC-LSTM 模型（融合 Transformer 与 LSTM）。结果显示其检测数学残留认知准确率达 99.8%，还定位关键脑区（如 R-Broca、L-Broca），为教育神经科学提供新视角。
在语言学习的浩瀚领域中，英语作为全球通用语言，其学习效率与认知机制一直是研究的热点。然而，尽管行为研究表明英语学习与数学认知存在关联，但二者背后的神经机制却如同隐藏在迷雾中的宝藏，迟迟未被深入挖掘。传统研究多聚焦于行为层面的观察与问卷调研，缺乏客观的神经科学证据，难以揭示大脑在两种认知过程中的动态交互。在此背景下，探索数学思维对英语学习的神经干扰效应，解析其背后的神经动力学机制，成为认知神经科学与教育领域亟待攻克的难题。
为了揭开这一神秘面纱，四川师范大学的研究人员开展了一项极具创新性的研究。他们以英语阅读中的数学干扰为切入点，利用功能近红外光谱技术（functional near-infrared spectroscopy, fNIRS）构建了独特的数据集，并结合深度学习模型，深入探究数学认知对英语学习的神经影响。这项研究成果发表在《Brain Research Bulletin》上，为理解人类认知过程提供了全新的视角。
研究人员主要采用了以下关键技术方法：首先，利用 fNIRS 采集 40 名本科学生在不同任务状态下的脑功能数据，该技术通过测量脑皮层血氧水平变化，实时反映大脑活动，具有无创、便携的优势。其次，开发了一种融合 Transformer 和 LSTM 架构的新型深度学习模型 AC-LSTM（Attention-augmented LSTM for Classification），用于检测和分类数学残留认知信号。此外，通过网格搜索（grid search）和关联规则分析（association rule analysis）等数据挖掘技术，筛选关键脑区并解析脑区之间的动态关联。
5.1 数学残留检测实验
研究人员构建了包含 29,299 个样本的数据集，其中阳性样本（数学训练）21,180 例，阴性样本（英语学习）8,119 例。通过 8:2 的训练测试划分和 SMOTE 过采样技术平衡数据后，利用 AC-LSTM 模型进行二进制分类。结果显示，该模型在测试集上达到了 99.8% 的准确率，远超传统机器学习模型（如 KNN、MLP）和其他深度学习模型（如 CNN、LSTM）。ROC 曲线分析表明，AC-LSTM 的 AUC 值接近 1，显示出卓越的分类性能。混淆矩阵显示，模型对阴性样本分类准确率达 100%，仅 5 例阳性样本误判，验证了其在检测数学残留认知方面的高精度。
5.2 数学思维分类实验
在四分类任务中（英语、代数、几何、数量推理），AC-LSTM 模型以 75.9% 的准确率位居榜首。传统模型如 KNN（67.85%）和 MLP（68.79%）表现较差，而 CNN（74.48%）和 LSTM（73.77%）虽优于传统模型，但仍不及 AC-LSTM。混淆矩阵显示，模型对英语和数量推理样本分类准确，但代数与几何存在较多误判，提示两者可能共享神经基质，与 fMRI 研究中顶 - 额叶网络重叠的结论一致。
5.3 关键脑区搜索与可视化
通过网格搜索，研究人员从 49 个脑区中筛选出前 20 个关键特征，其中 S6-D5（右梭状回，R-37）和 S5-D4（右 Broca 区，R-Broca）与数学干扰关联最强。数据分析显示，数学训练后，R-Broca 区活动显著抑制，而左 Broca 区（L-Broca）活动增强。关联规则分析进一步发现，英语学习组中 R-Broca 与多个脑区强关联，而数学训练组中 L-Broca 的连接性显著提升，揭示了大脑在不同任务状态下的功能重组。
5.4 脑区动态关联可视化
通过关联规则和图结构分析，研究人员发现数学干扰导致 R-Broca 区连接减弱，L-Broca 区与听觉皮层（R40）连接增强，可能反映了大脑通过增强听觉 - 语音整合来代偿数学干扰的影响。关键脑区活动比例变化显示，R-Broca 活动下降 6.15%，L-Broca 上升 12.91%，进一步印证了数学任务对语言处理区域的抑制效应和大脑的适应性调整。
这项研究首次通过 fNIRS 与深度学习的结合，系统揭示了数学认知对英语学习的神经干扰机制。AC-LSTM 模型的高准确性证明了深度学习在解析复杂神经数据中的强大潜力，而关键脑区的发现（如 Broca 区的动态变化）为理解语言与数学的交互提供了神经科学依据。研究结果不仅深化了对跨领域认知干扰的理解，也为设计高效的双语教育策略提供了新方向，例如通过合理安排数学与语言学习的时间间隔，减少认知资源竞争。未来，结合更高分辨率的脑成像技术和图神经网络（GNNs），有望进一步揭示大脑网络的动态交互，为个性化教育和认知干预开辟新路径。
