《Journal of Neuroscience Methods》：EEG-based classification models reveal differential neural processing of words and images
编辑推荐：
•我们提出了一种利用脑电图研究类别表征的分析流程。•研究结果表明，无论是图像还是文字，都能提取出其所属的类别信息。•在图像分类中，顶叶和左颞叶电极的作用最为显著。•在图像任务中，不同参与者之间存在普遍的、与特定类别相关的模式。引言分类是大脑组织关于世界的语义知识的基本方式。儿童在
- •
我们提出了一种利用脑电图研究类别表征的分析流程。
- •
研究结果表明，无论是图像还是文字，都能提取出其所属的类别信息。
- •
在图像分类中，顶叶和左颞叶电极的作用最为显著。
- •
在图像任务中，不同参与者之间存在普遍的、与特定类别相关的模式。
引言
分类是大脑组织关于世界的语义知识的基本方式。儿童在婴儿期就开始学习对物体和动作进行分类（Owen & Barnes, 2021），而这种能力终生都发挥着重要作用，有助于高效处理信息。通过多年的学习，人们能够轻松完成类别归类，从而减轻新知识学习的认知负担。不同的类别由独立的神经网络表示，相似度较高的类别（如狗和牛）在大脑中的表征更为接近，而差异较大的类别（如狗和雨伞）则具有更为明显的表征特征（Bracci and Op de Beeck, 2016, Kriegeskorte et al., 2008）。关于大脑中类别表征的研究已经发现了多个与特定类别相关的区域，这些区域分别负责处理面孔、房屋、场景和工具等信息（Epstein and Kanwisher, 1998, Ishai et al., 1999, Lewis, 2006）。
传统上，研究大脑中的类别表征主要依赖于损伤研究（相关综述可见Gainotti, 2000）。从20世纪90年代起，研究者开始使用能够捕捉大脑在处理类别时整体活动的神经成像技术，早期的研究大多采用功能性磁共振成像技术（fMRI；例如Ishai et al., 1999）。在本研究中，我们利用头皮脑电图的高时间分辨率，来检验类别表征的准确性。传统上，使用脑电图研究类别选择性的研究多采用事件相关电位技术，即通过对多次试验中单个电极的神经反应进行平均处理。例如，Bentin及其同事发现了N170事件相关电位，这是一种在视觉呈现面孔后约170毫秒出现的负向波峰（Bentin et al., 1996）。事件相关电位分析通常会确定头皮上的具体位置以及效应最显著的特定潜伏期。然而，这种方法难以检测到分布在头皮各处的细微但一致的差异，因为这些差异可能会随时间动态变化。比如，由于信噪比问题，单独分析某个电极时可能会忽略轻微的定位偏移，但若从整体角度分析这些模式，则可以准确识别出这类差异。
近年来，人们开发出了新的方法，利用头皮整体的动态变化来研究神经表征在时间和空间上的变化规律。为此，通常会将数据输入机器学习算法，这些算法经过训练后能够区分不同类别的刺激、行为和内在状态。例如，Bae & Luck（2018）利用跨电极的脑电图数据训练分类模型，从而揭示出空间注意力的隐性变化。这些模型通过分析不同时间点以及不同注意力状态下所有电极的数据，来提取与空间注意力相关的信息。分类的准确性被用作反映神经信号中所含信息的指标，进而表明存在选择性的神经表征。其他研究也采用了类似的方法，更直接地探究不同感知类别对应的独特神经表征（例如Schreiner et al., 2021）。值得注意的是，这些研究采用的方法并不刻意判断哪些电极起到了主要作用，而是通过数据驱动的方式识别神经模式，尽量减少实验者的干预。
在我们的研究中，我们借助最新的方法进展，利用支持向量机对高密度头皮脑电图数据进行分析，证明了不同类别和不同模态下都存在可通过脑电图解码的表征形式。参与者进入实验室后，会依次看到属于五个类别的图像和文字：动物、工具、食物、场景和交通工具。参与者需要指出当前呈现的物品是否与之前呈现的物品属于同一类别，同时我们会收集他们的脑电图数据。我们利用这些数据训练支持向量机，以对所呈现的类别和模态进行分类。除了一项旨在识别具有普遍性的类别特异性神经模式的分析外，所有的支持向量机都是在同一组参与者身上进行训练和测试的。所有的代码、刺激材料和数据均已公开共享，以便进一步研究大脑中的类别表征机制。
章节节选
参与者
本研究共招募了30名参与者（19名女性，11名男性），平均年龄为22.5 ± 2.86岁（标准差，年龄范围为18-31岁）。其中18人为英语母语者，其余为非母语但能流利使用英语的人。大多数参与者为右撇子（n = 26），3人为左撇子，1人为双手灵巧。样本中大多数参与者自认为是亚洲人（n = 20），其次是白人（n = 8）和黑人/非裔美国人（n = 1），还有1名参与者选择了“其他”类别。
参与者的任务表现
为了研究脑电图活动中反映的类别表征，30名参与者完成了一项任务，他们需要查看属于五个类别（动物、食物、工具、场景和交通工具）的文字和图像。总共共有100个视觉刺激材料（每个类别10个文字和10幅图像），每组材料展示一次，共进行5组，因此共有最多500次试验可供分析。为了保持注意力，当出现两个属于同一类别的刺激时，参与者需要做出反应。
讨论
本研究的目的是借助最新的方法进展，证明脑电图在研究不同模态下的类别级神经表征方面的潜力。通过高密度脑电图分析，我们发现了清晰的类别表征，以及与图像和文字相关的特定活动模式。在不同模态之间进行比较时，图像呈现后的脑电图数据所包含的类别信息比文字呈现后的数据更多，因此分类的准确性也更高。
伦理声明
所有参与者或其法定代理人均已签署书面知情同意书，同意参与本研究并允许相关文章发表。同时，也充分尊重了参与者的隐私权。
本研究是在符合相关法律法规及研究所在地相关指导原则的前提下开展的。该研究已获得加利福尼亚大学欧文分校伦理委员会的批准（批准编号为1564）。
CRediT作者贡献说明
Thiha Alison S： 文章撰写——初稿撰写，研究实施。Eitan Schechtman： 文章撰写——审阅与编辑，研究指导，概念设计。Morakabati1 Neda R： 文章撰写——初稿撰写，结果可视化，方法设计，研究实施，正式数据分析，数据整理，概念设计。
利益冲突声明
作者们声明存在以下可能被视为潜在利益冲突的财务利益或个人关系：Eitan Schechtman表示自己获得了美国国家心理健康研究所的财政资助。其他作者则声明自己不存在任何可能影响本研究结果的已知财务利益或个人关系。
致谢
本研究得到了美国国家卫生研究院的资助，项目编号为R00—MH122663。作者们特此感谢睡眠认知神经科学实验室的各位成员，尤其是Matthew Cho，他在数据收集以及研究设计方面给予了大量帮助。
Neda R. Morakabati|Alison S. Thiha|Eitan Schechtman
