利用脑电图与眼动同步记录揭示混合搜索解决过程的时空特征

由 root 提交于 周一, 06/29/2026 - 06:47
理解大脑如何在自然主义环境中支持视觉搜索——在这种环境中,注意与记忆必须协同工作,才能在干扰项中找到目标——需要分析那些在时间上相互重叠、并且多个环境变量同时相互作用的神经信号。传统的事件相关方法无法分离这些重叠信号,从而在研究生态学效度较高情境中的认知过程时形成了一个根本性瓶颈。在此,我们旨在分离自然主义场景下混合视觉与记忆搜索任务中的激活模式。我们表明,将基于反卷积的方法应用于共配准的EEG与眼动追踪数据,可以解决这一问题,在时间响应函数(TRFs)中捕捉主效应及其交互作用的精细激活模式。从假设驱动模型出发,我们在不受限制的眼动条件下的混合搜索任务中,复现了视觉加工和目标检测的既有成分。此外,将我们的方法扩展到层级上更大、数据驱动的模型后,使我们能够探索那些原本通常被分别研究的效应之间的相互作用。我们表明,随着模型复杂度的增加,TRF估计仍保持稳定,这一点得到了模型性能提升(Pearson相关系数)的支持,并通过方差膨胀因子(VIF)加以控制。我们识别出一种与P300成分一致的晚期激活模式,用于目标检测,并揭示出漏检同样会引发类似但较弱的反应,这表明其作用比简单检测更为复杂。这些发现表明,反卷积方法结合稳健的模型性能度量,并支持其在特征空间中的扩展,能够揭示支撑自由观看行为的注意与记忆过程之间的动态相互作用。

理解大脑如何在自然主义环境中支持视觉搜索——在这种环境中,注意与记忆必须协同工作,才能在干扰项中找到目标——需要分析那些在时间上相互重叠、且多个环境变量同时相互作用的神经信号。传统的事件相关方法无法分离这些重叠信号,从而在研究具有生态学效度的情境中的认知过程时形成了一个根本性的瓶颈。在此,我们旨在分离自然主义场景下混合视觉与记忆搜索任务中的激活模式。我们表明,将基于反卷积的方法应用于共配准的 EEG 与眼动追踪数据,能够解决这一问题,并在时间响应函数(TRFs)中捕捉主效应及其交互作用的细粒度激活模式。

从假设驱动模型出发,我们在不受限制眼动条件下的混合搜索任务中,复现了视觉加工和目标检测的既有成分。此外,将我们的方法扩展到分层上更大的数据驱动模型,使我们能够探索那些原本通常被分别研究的效应之间的相互作用。我们表明,随着模型复杂性的增加,TRF 估计仍保持稳定;这一点既得到了模型性能提升(皮尔逊相关系数)的支持,也受方差膨胀因子(VIF)的控制。我们识别出一种与 P300 成分一致的、与目标检测相关的晚期激活,并揭示出漏检同样会引发类似但较弱的反应,这表明其作用比简单检测更为复杂。这些发现表明,反卷积方法结合支持其在特征空间中扩展的稳健模型性能度量,能够揭示自由观看行为背后注意与记忆过程的动态相互作用。


📄 原文链接:https://www.biorxiv.org/content/10.64898/2026.06.22.733836v1?rss=1

🏷️ 脑电图 眼动追踪 视觉搜索 反卷积分析 P300 注意记忆交互