δ频段神经追踪主要基于规则的分组，不是词汇之间的语义关联

文献：Lu, Y., Jin, P., Pan, X., & Ding, N. (2022). Delta-band neural activity primarily tracks sentences instead of semantic properties of words. NeuroImage, 251, 118979. https://doi.org/10.1016/j.neuroimage.2022.118979

1. 背景及本研究 ¶

尚不清楚当听者在句子语境中接触到单个单词的语义属性时，δ频段的神经反应多大程度上由语义关联所驱动，本研究用MEG测试了序列结构和任务如何分别调节神经对语音的反应。首先，为了调查序列结构对神经反应的影响，研究使用了单词层级的任务把被试的注意力引导到每个单词的语义属性上。在这个任务下给被试呈现句子序列和成对单词序列，然后用频率标记追踪单词之间语义关联的神经反应，并使用word2vec模型(一种只考虑单词之间语义联系的连接主义模型)来量化序列的语义相关性。如果模型预测结果与实际的神经反应不一致，那么就说明单独的语义属性关联度模型不能解释大脑追踪句子的神经反应。为了评估成对词序列的神经反应在多大程度上可以由任务调节，研究比较了单词层级任务和组块层级任务中的神经反应，如果神经追踪在组块层级的任务中得到增强，那么又证明了δ频段活动主要与组块层级表征和分组活动有关。

2. 实验材料和方法 ¶

共有三种单词序列：成对词序列，随机词序列和成句子序列（如下图1A），每个序列都由24个双音节的词无间隙串联构成，以2Hz的频率等时呈现。其中成对词序列和随机词序列是由生物(L)和非生物(N)的双音节名词(N = 240)构成，生物(L)包括动物（N = 60）和植物（N = 60），非生物(N)包括小的可操作物件（N = 60）和大的不可操作物件（N = 60）。

图1

在成对词序列中词的语义类别以4个词(即“nnll”)为周期周期性地变化，其中nn和ll分别从其所属类别中随机抽取，比如ll可以是两个动物也可以是两个植物也可以是动物+植物，两个生物名词或非生物名词之间的语义关联度高，因此预期追踪语义关联的神经反应呈现1Hz的神经反应。

在随机词序列中每个双音节词都是随机选择的。

共有80个四音节的句子序列，其中前两个音节组成名词，后两个音节组成动词，每句话都是以1Hz的频率同步呈现，预期追踪句子的神经反应表现出1Hz的周期性。以上三种序列在序列中都不会有单词重复，通过用抽象名词替换正常序列中的单词来构建异常序列。共有30个抽象名词可供选择并在实验前让被试熟悉，每个抽象名词在实验中不重复出现。

先让被试熟悉在实验中可能会用到的词，实验分为5种条件并分别在5个block中呈现，其中成对词序列，随机词序列以及句子序列这3个block要求被试执行相同的单词层级的任务，另外2个block是在呈现成对词序列的时候分别执行组块层级的任务和听觉层级的任务。每个block中20个正常的序列和5个异常的序列随机混合呈现，每个序列结束之后让被试通过按键反应判断正常或异常trial。

前3个block中分别呈现成对词序列，随机词序列以及句子序列，并要求被试执行单词层级的任务，即让被试监测偶然出现的抽象名词（图1B），异常序列的构建方式和正常序列相同，再用两个抽象名词随机替换两个不相邻的双音节词。1个block中给被试呈现成对词序列，并让被试执行组块层级的任务，即指导被试属于同一类别（生物名词或非生物名词）相邻的两个词可以组成一个组块，让被试监测那些包含不同类别的组块（图1B），这个block通过交换一个生物名词和一个非生物名词来构建异常序列。还有1个block让被试执行听觉层级的任务，即让被试监测偶然出现的声音变化，这里的异常序列是通过随机改变两个不相邻的词的声音的性别来构建。

3. 建模 ¶

该研究旨在测试对句子的神经反应可以多大程度上由词之间的语义相关性来解释，研究使用word2vec模型将词汇语义转换为高维向量来量化词序列的语义相关性，word2vec算法从一个大型语料库中统计学习，为每个词构建了表征该词语义特征的300维向量表征，具有相似含义的单词在基于单词向量的表示之间具有更高的相关性，根据每个序列中词的向量用脉冲反应来模拟神经反应。

4. 结果 ¶

成对词序列中，由于每对词“nn”或“ll”都属于同一个词义类别，所以词对内的语义相似度高（下图2A）。在句子序列中一个名词和其后的动词构成了一个句子，建立了可预测的语义和句法联系，因此句子内的语义相关性也高（下图2A）。

因此基于词2vec表征，语义相关度模型预测了配对词序列和句子序列的1-Hz反应（下图2B），并且预测的句子序列和成对词序列的1-Hz反应没有显著差异（图2C）；并且模型预测了三种序列的2Hz反应。如果成对词序列和句子序列实际测得的1Hz反应在统计上相似，这表明句子的δ频段神经追踪可以充分解释词之间的语义相关性，否则，神经追踪反应不能用语义关联来解释。

图2

在三个要求被试执行单词层级的任务block的行为准确率分别是91 ± 2%, 88 ± 2%和95 ± 1%，上图2D展示了MEG频谱，可以看到成对词序列和句子序列显著的1Hz峰值和双边分布（图2EF）。成对词序列的1Hz反应与语义关联度模型预测的一致，但是它比句子序列左右半球的1Hz反应都弱（图2G），包括左额下回(IFG)、左颞中回(MTG)和双侧颞上沟，这与语义关联度模型的预测不一致（图2C）。在三种序列中都观察到了显著的双侧分布的2Hz反应，且序列之间无显著差异（图2H），这些结果与模型预测一致。这些结果表明，词之间语义关联的神经追踪相当微弱，不能充分解释句子的神经追踪。

研究测试了组块层级的显性序列分组任务是否会增强神经反应，因此让被试在成对词序列中分别再进行了组块层级的任务和听觉层级的任务。在词汇层级、组块层级和听觉层级的任务中，行为准确度分别为91±2%、80±5%和96±2%。MEG图谱如下图3所示，可以看到组块层级任务下有显著的1Hz反应，并且有双侧激活，神经源主要位于双侧颞叶和额叶（图3BC）。在组块层级的任务下成对词序列的1Hz反应明显大于其在单词层级任务的反应（图3D），包括左额下回(IFG)、左颞中回(MTG)和双侧颞上沟。在所有任务中均观察到显著的双侧分布2-Hz反应，且无显著差异（图3E）。

图3

这些结果表明，神经活动主要由语法定义的句子或人工规则定义的组块驱动。

5. 讨论 ¶

这里的语义关联性指的是语义相似(如“旅行”-“旅程”)和语义关联(如旅行-计划)，单词之间的语义关联度会强烈影响单个MEG/EEG传感器的反应，例如经典的N400反应对单词之间的语义相关性非常敏感，可以在单个MEG/EEG传感器中观察到(Kutas and Federmeier 2011)。然而这里成对词序列中的语义关联度没有驱动强烈的1Hz反应，一个可能的原因是这里使用的词类太宽泛，比如植物与动物之间，因此可能会减弱N400效应；并且已有的神经影像学和神经生理学研究表明N400效应的位置具有很强的左偏（如左颞上区）(Lau et al. 2008)，假设N400效应为整合或语义检索的结果，类似于当前基于语义关联性的整合研究，研究中观察到的左侧神经追踪图(图3B)与之前的研究一致，表明可能是左侧主导的神经结构介导语义处理。