α和β功率的下降与各种认知领域的预测有关。最近在句子理解方面的研究也报告了在上下文可预测的词出现之前，α和/或β功率的下降，尽管在不同的报告中具有显著的时间空间差异性。为了加深对这一现象背后的机制和变异性来源的理解，本研究探讨了这些与预测有关的α和β功率下降在多大程度上可能在不同的理解模式中是共同的。为了解决这个问题，我们重新分析了两个EEG实验的数据，这些实验在书面和口语理解中采用了相同的材料。句子的上下文对句子的最后一个词有或弱或强的约束，这个词在1秒的延迟后呈现，要么与预期相匹配，要么与预期不匹配。在书面语理解中，α功率（8-12赫兹）在强（相对于弱）约束性语境中出现的最后一个词之前下降，这与以前的报告一致。此外，尽管伴随着相关的时间空间差异，在口语理解中也出现了类似的振荡现象。总的来说，这些发现表明，在句子理解中，Modality-specific和general-domain机制都参与了与预测有关的α功率下降的诱导。具体来说，我们提出，当语言环境具备预测因子时，这种现象可能部分地反映了更丰富和更精确的信息表征。
Le´on-Cabrera et al
预测被认为在实现快速有效的理解方面具有重要作用，这一概念基于大量证据，表明读者和听众可以在语言理解过程中预激活传入语言输入的不同方面，包括语义，语法或单词的语音特征。但是，预测性语言处理的神经机制仍不清楚。
神经振荡——随着功率的增加和减少，EEG和MEG信号中捕获的神经活动的同步和去同步模式——过去与预测性语言加工相关。语言理解中研究预测的一种常见策略是操纵语义语境对特定单词的约束程度，使其具有强预测性或非强预测性（高约束语境，HC；或低约束语境，LC；例如，见表1）。使用这种方法，theta（4–7 Hz）和gamma（>40 Hz）频带中的振荡被归因于感知后关键词的词汇和语义预测的匹配和失配。相反，预测意味着在遇到关键输入之前，处理是不同的。因此，一项MEG研究报告，相对于LC图像上下文，可以从前面的HC图像上下文（苹果的图片）明确预测的单词（如“苹果”）之前的theta（4–8 Hz）功率增加，这种影响局限于左颞中叶和视觉皮层，意味着预先激活词汇和视觉形式表征。最近，采用书面句子语境的M/EEG研究发现，相对于LC语境，HC中的关键词之前，alpha（8-12 Hz）和/或beta（13-25 Hz）功率降低。这些研究中的alpha和beta功率效应在左额叶部位广泛重叠。例如，Wang和同事（2018）将其效应定位在左侧化的自上而下网络中，该网络涉及左额下回和颞中区以及视觉区域，这意味着涉及了词汇和/或语义预测。但是，书面理解方面的可用数据仍然有些稀缺，而且不同研究中的实验设置差异很大，因此阻碍了预测性语言处理中这些alpha和beta下降的功能解释，并证明需要进一步研究。
表1
此外，一个尚不清楚的问题是，在不同的理解模式中，这些词前alpha和beta功率的降低在多大程度上可能是共同的，这可以提供关于其启发背后的认知机制的重要信息。一方面，刺激前alpha和beta功率降低与对输入模态敏感的过程相关，包括相关输入的感觉门控（sensory gating of relevant input）或对即将到来的输入的感觉预测。与这些观点一致，在知觉任务中，在命令性视觉刺激之前，alpha功率降低出现在枕后部位，或者在命令性刺激是听觉刺激时出现在颞部部位。另一方面，刺激前alpha和beta功率的降低反映了能够支持感官和感知方面以外的信息处理的操作。具体而言，有人认为，alpha和beta功率的降低为信息加工提供了最佳的大脑状态，这可以解释它们与各种任务中成功的记忆编码的相关性。此外，alpha和beta的降低与在视觉和听觉模式中命名前带有HC上下文的图片之前的词汇语义检索相关。
在这种背景下，我们旨在进一步描述与句子理解预测相关的alpha和beta功率降低，并探索这些神经信号在理解模式中的共同程度。为此，我们使用相同的书面材料和口语理解材料，对两项独立脑电图研究的现有数据集进行了时间分辨功率分析。在这些研究中，被试在最后一个单词出现之前，以1-s的延迟阅读或听HC和LC句子（见表1）。实际单词可能与给定先前上下文的最可能单词匹配或不匹配。对于每个数据集（书面和口头），我们评估了句子最后一个词之前1-s间隔内的功率变化。首先，我们在书面理解任务中进行了分析，根据之前使用类似任务和相同理解模式的研究，我们预计HC的alpha和beta功率比LC降低。然后，我们探讨了口语理解任务中类似的频段变化程度。
方法
书面理解任务
被试
24名青年（12名女性）自愿参与实验。由于过度眨眼和运动伪迹，两名被试的数据被删除，最终数据集为22名被试（12名女性；M=23.3岁[SD=4.4]）。所有被试都是西班牙母语者，右利手，视力正常或矫正至正常，没有神经问题史。
材料
总共使用了176个高约束（HC）和176个低约束（LC）句子上下文（由Mestres Miss‘e et al.，2006年创建和分类）（句子示例见表1）。句子上下文最初设计为在两种情况下具有相同的最终单词（最佳补全）。例如，LC句子“天空中的点必须是一架飞机”与HC句子“我从未在飞机上飞行”共用了最后一个词。对于每个被试，从列表中伪随机选择一组80个HC句子和80个LC句子，条件是没有一个共享最后一个单词。因此，在实验过程中，每个最后一个词只遇到一次，而被试之间的约束状态是平衡的。在每个约束条件下，一半的句子以一致的词（最佳补全）结尾，另一半以不一致和不可信的词结尾。最后一个单词的平均完形填空概率在LC条件下为6.1%（SD±10.3%），在HC条件下为76%（SD±17.7%）。从ESPAL数据库中选择了不一致的词尾（Duchon et al.，2013），以便它们在平均字长、平均音节数、词频、熟悉度、可想象性和具体性方面匹配一致的词头。最后，非语义条件（NS）用作控制条件，其中无法从句子上下文中导出任何意义（关于该条件的进一步规范可在原始论文中找到，Le‘on Cabrera et al.，2017，2019）。
步骤
被试舒适地坐在距离电脑屏幕约70厘米的位置。戴好EEG帽子并检查每个电极的状态。被试需要仔细阅读句子，他们必须在每一个句子块的末尾完成一个简短的最后单词识别测试。实验由20个试次的10个block组成（4个HC一致、4个HC不一致、4条LC一致、4处LC不一致和4个NS）。每个block中句子的顺序是随机的。文字为黑白背景（字体类型：Courier New；字体大小：36点）。在每次试验中，屏幕中心出现一个固定点（十字），时间间隔可变（1.35到1.75秒，均匀分布，步长为50毫秒）。然后，逐字呈现一个句子（每个词200ms，然后是300ms的空白屏幕）。在倒数第二个单词和最后一个单词之间，空白屏幕保持1秒（单词前间隔）。在最后一个单词（持续时间200毫秒）之后，在闪烁信号（2秒；屏幕中心的眼睛描绘）之前出现一个空白屏幕（800毫秒）。
为了确保被试在任务期间保持专注，在每个block之后进行识别测试，每次向他们呈现5个旧单词和5个新词，并指出每个单词是否出现在前一个block中。下一个block在测试后立即开始，偶数block除外，之后是被试可以随时恢复的休息期。
口语理解任务
被试
22名青年（12名女性；M=21.1岁[SD=1.8]）自愿参与实验。所有被试听力正常，母语为西班牙语，右利手，视力正常或矫正至正常，无神经病史。
材料
材料与书面理解任务中的材料相同。对于听觉呈现，使用语音合成器软件将所有语言刺激转换为音频。该软件创建了非常接近自然语音的自然发声音频，同时允许精确控制语音的语速、幅度和韵律（关于每个条件的示例句子，请参阅Le‘on Cabrera等人的补充材料，2017）。音频转换后，句子上下文的平均持续时间为1966毫秒（SD=288毫秒）（HC=2000毫秒，LC=1925毫秒，NS=1992毫秒）。最后一个单词的平均持续时间为490毫秒（SD=122毫秒）（一致单词=485毫秒；不一致单词=494毫秒；中性单词=495毫秒）。
步骤
遵循的程序与书面理解任务相同，但该任务适用于听觉呈现。在整个试验过程中，屏幕中央出现了一个固定点（白色背景上的黑色十字）。被试被要求注视它。在呈现注视点两秒后，该句子在倒数第二个单词和最后一个单词之间以1秒的无声间隔在观众席上呈现。在最后一个单词偏移一秒钟后，出现了闪烁信号（屏幕中央的一只眼睛）。在下一个试次开始之前，闪烁信号保持2秒。
结果
为了将每个条件下的功率变化可视化（见图1），我们计算了相对于基线的功率变化-500至-150毫秒的时间锁定到预期间隔的开始阶段。由于基线包含倒数第二个字的加工活动，因此未对条件之间的对比进行基线归一化。因此，对比度的光谱图（图2和图3）不是直接从各个条件（图1）的光谱图得出的。
图1
书面理解
对作为上下文约束函数的相对功率变化的视觉检查显示，相对于LC，HC的alpha频带中的功率出现瞬态下降（图2）。在8–12 Hz alpha频带中检测到的显著差异（p=0.0378）支持了功率的相对差异。图2显示了与两个代表性电极（左上角和右上角）的LC条件相比，HC的相对功率降低，对比度的最极端聚类统计以白色为边界。虽然集群的头皮分布广泛，但其影响在额头和顶枕部位最为显著。该效应主要分布在额叶中心-600至-400毫秒或更晚-400至-200ms时，它更局限于顶枕部位。
图2
口语理解
根据书面理解任务中的发现，我们测试了在不同理解模式中观察到的功率降低的普遍程度。为此，在口语理解任务中，分析被限制在alpha频带的频谱域中，在书面理解任务中观察到限制效应（兴趣频率设置为12Hz，平滑度为4Hz）。HC和LC之间的对比显示出负簇（p=0.032）。从图3中可以看出，组别最显著的时间间隔是在最后一个词出现之前从-660到-550毫秒，其中HC的alpha功率与LC相比有所降低。就空间分布而言，左额中央位置的电极与簇最相关。
图3
为了提高实验间的可比性，我们对口语理解数据集进行了额外分析，应用了与书面理解任务相同的参数。两项任务的总平均时频图和头皮图一起显示在图4中。但是，在这种情况下，对比在口语理解数据集中没有产生显著的聚类。这表明口语理解任务中的效果比书面理解模式中的效果弱。但是，有几个原因可以解释听觉模态中较弱的影响。例如，口语句子具有可变的持续时间，而书面形式的句子具有相同的持续时间。因此，潜在神经过程的时序可能存在更高的试验间变异性，这反过来会导致平均信号的影响更小。最后，在这种特定情况下，选择用于统计检验的方法可能过于保守。虽然基于聚类的排列方法适用于多维数据，但它可能变得过于保守，无法检测到小但有意义的影响。
图4
口语和书面理解中的群体水平功率谱
为了提供补充信息，我们还检查了组水平功率谱，作为每项任务中独立电极子集（额中心、左额中心、右额中心、中心顶和顶枕）的上下文约束的函数。我们绘制了从7到25 Hz的频率，以捕捉alpha和beta范围，根据先前的文献（例如Rommers et al., 2017; Li et al., 2017; Wang et al., 2017; Terporten et al., 2019），预期会产生影响。如图5所示，根据时间分辨功率分析，在两项任务中，频谱功率都限制在较低的alpha频带（8–12 Hz），与LC相比，HC的绝对功率明显降低。但是，在口语理解任务中，这种差异模式在顶枕亚组中发生逆转，其中HC的绝对功率大于LC。
图5
本研究考察了在句子理解中与预测相关的alpha和beta功率降低，以及它们在不同理解模式中的普遍性。为了验证这一点，我们重新分析了两项使用相同材料进行的书面和口语理解脑电研究的数据集。被试阅读或聆听HC和LC句子语境，这两种语境分别建立了对延迟1秒后出现的句子最后一个词的强语义预期或弱语义预期。句子的最后一个词可能与上下文预期匹配或不匹配。在书面理解中，在关键词之前的时间间隔内，HC的alpha功率（8–12 Hz）相对于LC较低，正如我们根据之前的报告所假设的那样（Li et al., 2017; Rommers et al., 2017; Terporten et al., 2019; Wang et al., 2017）。此外，虽然存在相关的时空差异，但在口语理解中也发现了类似的振荡现象。
招聘信息：脑影像数据处理工程师（上海、北京）
科研服务
灌注数据处理服务
EEG/ERP数据处理服务
脑电数据预处理：使用EEGLAB对Neuroscan、Brain Products、EGI、ANT、Biosemi等主流脑电设备采集的脑电数据进行预处理。
ERP成分统计分析：提取ERP成分的波幅和潜伏期，并进行统计分析。
EEG频谱分析：使用傅里叶变换的方法计算脑电各个频段的功率，并进行统计分析；使用短时傅里叶变换、小波变换和希尔伯特变换的方法进行脑电时频分析（如ERD/ERS分析、试次间相位同步分析）。
基于sLORETA的脑电源分析：ERP成分源定位；特定频段EEG源定位；源空间的脑功能连通性分析。
功能连通性分析：使用相关、相干、相位锁定值和格兰杰因果分析研究电极之间功能连通性。
近红外数据处理服务
PET数据处理服务
功能磁共振数据处理
任务态激活脑区分析
任务态E-prime实验
功能连接分析
局部一致性（ReHo）分析
低频振幅（ALFF/fALFF）分析
基于图论及ICA的脑网络分析
结构磁共振数据处理
基于体素的脑形态学分析（VBM）
基于表面的脑形态学分析（SBM）
结构协变连接网络分析
详情联系：13381109780（杨老师）
