脑电图揭示大脑能同时编码两段语音流

背景

在多人交谈场景（cocktail-party 环境）中，成功的言语交流需要持续注意力与快速注意力切换的巧妙结合。过去神经生理学研究对持续注意力的神经基础有了深入认识，但关于注意力切换如何发生，仍存在大量不确定性。传统研究多聚焦于持续注意力任务（如让受试者长时间锁定一个说话者），而动态切换范式的神经机制一直缺乏系统探索。与此同时，认知控制领域的任务切换研究发现，受试者在切换任务时会出现“切换代价”（反应时或错误率增加），但这些实验多采用简单的数字分类等抽象任务，极少涉及自然连续语音流中的注意力重新分配。

核心内容

本研究利用 EEG（脑电图）记录，在沉浸式多说话者环境中测量了正常听力成人对两路竞争语音流的神经编码。受试者佩戴耳机，置身于包含背景噪音的多说话者场景中，每 15-30 秒被提示将注意力从一个说话者切换到另一个说话者。研究通过时间响应函数（Temporal Response Functions, TRF）评估神经跟踪，确认了对注意力焦点的可靠解码。

结果显示，注意力切换过程中存在非对称的脱离（disengagement）和投入（engagement）过程：对新目标语音流的神经跟踪，在旧目标脱离之前就已经显现，揭示了一个短暂的“同时编码两路语音流”阶段。这一过渡过程与 EEG alpha 功率的降低紧密对应，反映了注意力切换不同阶段的认知努力。

研究进一步隔离了反映词汇预测机制的皮层活动，以确定注意力切换后词汇语境如何更新。研究者利用大型语言模型（LLM）构建了四种语境累积策略，并比较了它们与神经数据的匹配程度。结果表明，在注意力切换后，受试者很可能执行了词汇语境的“重置”。

关键实验细节：EEG 预处理数据集、分析文件和分析代码已在开放仓库 Zenodo（https://zenodo.org/records/20569817）公开，遵循连续事件神经数据（CND）格式标准。研究获得 William Demant Fonden（资助编号 21-0628 和 22-0552）及 Taighde Éireann – Research Ireland（资助编号 18/CRT/6223）支持，部分工作由 ADAPT（爱尔兰人工智能驱动数字内容技术研究中心）提供资助。

关键要点

• 同时编码两路语音流：当受试者从一位说话者切换到另一位时，大脑会短暂地同时编码新旧两个语音流——对新目标的神经跟踪在脱离旧目标之前就已开始，形成重叠的神经表征。
• 非对称的脱离与投入：注意力切换不是简单的“关闭旧目标、打开新目标”，而是新目标先出现、旧目标后消失，表明脱离和投入具有不同的时间动态。
• EEG alpha功率变化的指标作用：alpha 功率的降低精确地追踪了注意力切换的过渡阶段，alpha 功率减少意味着认知努力增加，可用于实时监测注意力重分配。
• 使用LLM建模词汇语境更新：研究者利用大语言模型（LLM）生成的四种语境累积策略，与神经数据进行比较，发现注意力切换后词汇语境会被重置，而非渐进式累积。
• 可重复性与开放性：所有数据、分析代码和预处理步骤均已公开，便于其他研究者验证和扩展。

意义与影响

这项研究首次详细揭示了在多说话者环境中，大脑如何在短时间内灵活切换注意力——不是简单地“关一个开一个”，而是存在一个短暂的同时编码窗口。这一发现对理解真实世界中的听觉认知（例如在嘈杂聚会上追踪不同讲话者）具有重要意义。

从方法论角度看，该工作展示了结合 EEG 时间响应函数（TRF）和大语言模型（LLM）来研究动态认知过程的新范式。LLM 提供的词汇预测能力，允许研究者量化语境累积策略，为未来听觉神经科学中嵌入型计算模型奠定了基础。

从应用角度看，该研究成果可启发更智能的助听器算法或脑机接口设计：若能实时检测到大脑对多个声源的“同时编码”状态，即可预测注意力即将切换，从而提前调整降噪或增强策略。此外，对于注意力缺陷相关疾病（如 ADHD）的评估和训练，该研究提供的动态切换神经指标也可能成为新的生物标志物。

论文发表于《PLOS Biology》（2026年7月），作者包括 Carta S、Aličković E、Zaar J、López Valdés A、Di Liberto GM 等，DOI: 10.1371/journal.pbio.3003876。