解锁大脑 “感知开关”：语言如何塑造我们对环境健康的判断
2026-02-24 来源:本站 点击次数:176
解锁大脑 “感知开关”：语言如何塑造我们对环境健康的判断
引言/背景介绍
“空气污染会损害健康”和“做好防护可降低患病风险”—— 同样是环境健康提示，为什么有的能让你立刻重视，有的却转瞬即忘？在环保宣传和健康科普中，语言从来都不只是 “信息载体”。它的措辞、框架甚至语气，都在悄悄塑造我们对风险的感知、信任度和行动意愿。但传统的调查、问卷等方法，往往只能收集到人们 “事后回忆” 的态度，很难捕捉到语言刺激下大脑实时的认知和情感反应 。这也成为环境健康沟通策略难以精准优化的核心痛点。
为了破解这一难题，来自武汉体育学院、泰山学院和北京理工大学的研究团队，创新性地将脑电波（EEG）神经科学技术与语言建模相结合，提出了一套 “认知 - 语言整合框架（CLIF）”。这项发表于《 IEEE Access》 的研究，首次从神经层面清晰揭示了语言影响公众环境健康风险认知的底层逻辑，为设计更有效的健康科普和政策沟通提供了全新思路。
研究方法
如果把大脑比作 “认知处理器”，语言就是 “输入信号”。这项研究的核心在于打造一套能精准解读 “信号如何影响处理器” 的认知 - 语言整合框架（CLIF）工具，再搭配 “自适应认知推理策略（ACRS）”，让分析更高效、更贴合实际场景。
研究团队采用先进的 Transformer 模型，将环境健康相关的文本转化为高维语义嵌入。然后通过 EEG 技术，实时记录受试者阅读这些文本时的脑电波活动，并将这些与注意力、情感、语义理解相关的神经信号与第一步的语言嵌入结合，构建出 “语言输入 - 神经响应” 的动态关联模型。此外为了适应不同场景，研究还设计了 “自适应认知推理策略”， 通过自动筛选与当前任务相关的语言特征，过滤无关信息；再根据大脑反应不断修正分析模型，减少误差；最后平衡分析准确率和速度，满足实时沟通场景的需求。
研究采用EGEyeNet、CWL EEG/fMRI、BIDS Siena Scalp EEG、MODA等四个权威数据集进行分类任务和回归任务验证，评估准确率、召回率、F1 分数、AUC和MSE等指标。
研究结果
性能对比（优于SOTA方法）
如表1和表2所示，在四大数据集的测试中，CLIF 框架的表现全面领先现有模型：EEGEyeNet 数据集上准确率达 92.35%，比 Transformer-based 模型提升 3.35%；CWL EEG/fMRI 数据集上 AUC 值达 91.20%，超过 CNN-LSTM 混合模型 3.2 个百分点；在BIDS Siena Scalp EEG 数据集上，对比CNN-LSTM Hybrid 模型，准确率提升 2.95%，AUC 值提升 3.0%；MODA 数据集上准确率达92.10%，比 Transformer-based 模型提升 2.60%。与基于Transformer和CNN-LSTM混合模型相比，该框架表现出更高的准确性和AUC，表明了卓越的鲁棒性和泛化性。该方法通过认知反馈循环提升了可解释性，同时减少冗余计算，提升了实时分析的计算效率，且更擅长整合 EEG 与语言多模态数据。
表1. EEGEyeNet和CWL EEG/fMRI数据集上与SOTA模型的性能比较
表2. BIDS Siena头皮EEG和MODA数据集上与SOTA模型的性能比较
图3. 性能对比图。上：最先进（SOTA）方法在 EEGEyeNet 数据集和 CWL 脑电图（EEG）/ 功能磁共振成像（fMRI）数据集上的性能对比；下：最先进（SOTA）方法在 BIDS 锡耶纳头皮脑电图（EEG）数据集和 MODA 数据集上的性能对比。该图展示了不同最先进（SOTA）方法在关键评估指标上的对比表现，包括准确率（accuracy）、召回率（recall）、F1 分数（F1 score）和曲线下面积（AUC）
消融实验
消融研究的结果提供了对四个数据集中提出的模型中单个模块的贡献的详细见解（表3和表4）。排除任何特定模块导致明显的性能下降，重申了每个组件在实现最先进结果方面的重要性。
1. 移除语言表征与编码：准确率下降 2.25%-3.35%（如 EEGEyeNet 从 92.35% 降至 89.00%）；
2. 移除知识增强推理：F1 分数下降 1.40%-2.10%（如 CWL EEG/fMRI 从 90.00% 降至 88.60%）。
3.移除认知反馈循环：AUC 下降 1.50%-2.70%（如 MODA 从 92.50% 降至 89.30%）。
表3. EEGEyeNet和CWL EEG/fMRI数据集的消融研究结果
表4. Normalized.mat —— 按步幅/周期解析并归一化的数据
图4. 消融研究性能对比图。上：所提方法在 EEGEyeNet 数据集和 CWL 脑电图（EEG）/ 功能磁共振成像（fMRI）数据集上的消融实验。语言表征与编码（LRE）；知识增强推理（KAR）；基于认知反馈循环的迭代优化（LRCFL）；下：所提方法在 BIDS 锡耶纳头皮脑电图（EEG）数据集和 MODA 数据集上的消融实验。语言表征与编码（LRE）；知识增强推理（KAR）；基于认知反馈循环的迭代优化（LRCFL）
结论与展望
研究提出了一种新的方法来理解语言框架如何影响公众对环境健康和暴露风险的看法。通过将基于脑电图的认知分析与高级语言建模相结合，提出的认知-语言整合框架（CLIF）为语言驱动感知背后的神经机制提供了新的见解。实验评估表明，与传统的基于调查的方法相比，CLIF在模拟实时认知反应方面具有更高的准确性。深度学习、分层推理和基于知识的适应的集成使该框架能够动态适应不同的语言环境，并改进风险沟通策略。
研究也存在一些局限性：依赖 EEG 数据导致收集成本高、操作复杂，难以适配大规模人群研究；未充分考量跨文化差异，无法满足不同地域和语言背景人群的认知适配需求；面对高噪声 EEG 信号或模糊语言线索时，模型认知状态优化易收敛不佳，影响分析精度。对此，研究团队将从三方面推进优化：一是整合眼动追踪、皮肤电反应（GSR）、心率变异性（HRV）等低成本生理数据与行为数据，开发混合模型以降低对 EEG 的依赖，提升技术普适性；二是开展多语言、跨文化研究，纳入社会语言学变量（如群体环境认知、文化风险态度），增强沟通策略的全球化适配能力；三是引入自适应正则化、置信度门控机制及动态知识图谱检索技术，提升模型在复杂噪声和模糊语言场景下的鲁棒性，让语言 - 认知 - 神经关联分析更贴近实际应用，为环境健康沟通提供更具实操性的技术支撑。
原文信息及链接
Yuening, L., Yong, R., & Chenhua, Z. (2025). Exploring the Role of Language in Public Perception of Environmental Health and Exposure Risks Using EEG. IEEE Access, 1–1.
https://doi.org/10.1109/ACCESS.2025.3553148
作者及单位介绍
该文章作者共3人，分别来自武汉体育大学、泰山学院和北京理工大学。
关于维拓启创
维拓启创（北京）信息技术有限公司成立于2006年，是一家专注于脑科学、康复工程、人因工程、心理学、体育科学等领域的科研解决方案供应商。公司与国内外多所大学、研究机构、企业长期保持合作关系，致力于将优质的产品、先进的技术和服务带给各个领域的科研工作者，为用户提供有竞争力的方案和服务，协助用户的科研工作，持续提升使用体验。
相关产品
引言/背景介绍
“空气污染会损害健康”和“做好防护可降低患病风险”—— 同样是环境健康提示，为什么有的能让你立刻重视，有的却转瞬即忘？在环保宣传和健康科普中，语言从来都不只是 “信息载体”。它的措辞、框架甚至语气，都在悄悄塑造我们对风险的感知、信任度和行动意愿。但传统的调查、问卷等方法，往往只能收集到人们 “事后回忆” 的态度，很难捕捉到语言刺激下大脑实时的认知和情感反应 。这也成为环境健康沟通策略难以精准优化的核心痛点。
为了破解这一难题，来自武汉体育学院、泰山学院和北京理工大学的研究团队，创新性地将脑电波（EEG）神经科学技术与语言建模相结合，提出了一套 “认知 - 语言整合框架（CLIF）”。这项发表于《 IEEE Access》 的研究，首次从神经层面清晰揭示了语言影响公众环境健康风险认知的底层逻辑，为设计更有效的健康科普和政策沟通提供了全新思路。
文章信息
研究方法
如果把大脑比作 “认知处理器”，语言就是 “输入信号”。这项研究的核心在于打造一套能精准解读 “信号如何影响处理器” 的认知 - 语言整合框架（CLIF）工具，再搭配 “自适应认知推理策略（ACRS）”，让分析更高效、更贴合实际场景。
研究团队采用先进的 Transformer 模型，将环境健康相关的文本转化为高维语义嵌入。然后通过 EEG 技术，实时记录受试者阅读这些文本时的脑电波活动，并将这些与注意力、情感、语义理解相关的神经信号与第一步的语言嵌入结合，构建出 “语言输入 - 神经响应” 的动态关联模型。此外为了适应不同场景，研究还设计了 “自适应认知推理策略”， 通过自动筛选与当前任务相关的语言特征，过滤无关信息；再根据大脑反应不断修正分析模型，减少误差；最后平衡分析准确率和速度，满足实时沟通场景的需求。
研究采用EGEyeNet、CWL EEG/fMRI、BIDS Siena Scalp EEG、MODA等四个权威数据集进行分类任务和回归任务验证，评估准确率、召回率、F1 分数、AUC和MSE等指标。
图1. 认知-语言整合框架（CLIF）
图2. 自适应认知推理策略（ACRS）图
研究结果
性能对比（优于SOTA方法）
如表1和表2所示，在四大数据集的测试中，CLIF 框架的表现全面领先现有模型：EEGEyeNet 数据集上准确率达 92.35%，比 Transformer-based 模型提升 3.35%；CWL EEG/fMRI 数据集上 AUC 值达 91.20%，超过 CNN-LSTM 混合模型 3.2 个百分点；在BIDS Siena Scalp EEG 数据集上，对比CNN-LSTM Hybrid 模型，准确率提升 2.95%，AUC 值提升 3.0%；MODA 数据集上准确率达92.10%，比 Transformer-based 模型提升 2.60%。与基于Transformer和CNN-LSTM混合模型相比，该框架表现出更高的准确性和AUC，表明了卓越的鲁棒性和泛化性。该方法通过认知反馈循环提升了可解释性，同时减少冗余计算，提升了实时分析的计算效率，且更擅长整合 EEG 与语言多模态数据。
表1. EEGEyeNet和CWL EEG/fMRI数据集上与SOTA模型的性能比较
表2. BIDS Siena头皮EEG和MODA数据集上与SOTA模型的性能比较
消融实验
消融研究的结果提供了对四个数据集中提出的模型中单个模块的贡献的详细见解（表3和表4）。排除任何特定模块导致明显的性能下降，重申了每个组件在实现最先进结果方面的重要性。
1. 移除语言表征与编码：准确率下降 2.25%-3.35%（如 EEGEyeNet 从 92.35% 降至 89.00%）；
2. 移除知识增强推理：F1 分数下降 1.40%-2.10%（如 CWL EEG/fMRI 从 90.00% 降至 88.60%）。
3.移除认知反馈循环：AUC 下降 1.50%-2.70%（如 MODA 从 92.50% 降至 89.30%）。
表3. EEGEyeNet和CWL EEG/fMRI数据集的消融研究结果
表4. Normalized.mat —— 按步幅/周期解析并归一化的数据
结论与展望
研究提出了一种新的方法来理解语言框架如何影响公众对环境健康和暴露风险的看法。通过将基于脑电图的认知分析与高级语言建模相结合，提出的认知-语言整合框架（CLIF）为语言驱动感知背后的神经机制提供了新的见解。实验评估表明，与传统的基于调查的方法相比，CLIF在模拟实时认知反应方面具有更高的准确性。深度学习、分层推理和基于知识的适应的集成使该框架能够动态适应不同的语言环境，并改进风险沟通策略。
研究也存在一些局限性：依赖 EEG 数据导致收集成本高、操作复杂，难以适配大规模人群研究；未充分考量跨文化差异，无法满足不同地域和语言背景人群的认知适配需求；面对高噪声 EEG 信号或模糊语言线索时，模型认知状态优化易收敛不佳，影响分析精度。对此，研究团队将从三方面推进优化：一是整合眼动追踪、皮肤电反应（GSR）、心率变异性（HRV）等低成本生理数据与行为数据，开发混合模型以降低对 EEG 的依赖，提升技术普适性；二是开展多语言、跨文化研究，纳入社会语言学变量（如群体环境认知、文化风险态度），增强沟通策略的全球化适配能力；三是引入自适应正则化、置信度门控机制及动态知识图谱检索技术，提升模型在复杂噪声和模糊语言场景下的鲁棒性，让语言 - 认知 - 神经关联分析更贴近实际应用，为环境健康沟通提供更具实操性的技术支撑。
原文信息及链接
Yuening, L., Yong, R., & Chenhua, Z. (2025). Exploring the Role of Language in Public Perception of Environmental Health and Exposure Risks Using EEG. IEEE Access, 1–1.
https://doi.org/10.1109/ACCESS.2025.3553148
作者及单位介绍
该文章作者共3人，分别来自武汉体育大学、泰山学院和北京理工大学。
关于维拓启创
维拓启创（北京）信息技术有限公司成立于2006年，是一家专注于脑科学、康复工程、人因工程、心理学、体育科学等领域的科研解决方案供应商。公司与国内外多所大学、研究机构、企业长期保持合作关系，致力于将优质的产品、先进的技术和服务带给各个领域的科研工作者，为用户提供有竞争力的方案和服务，协助用户的科研工作，持续提升使用体验。
相关产品
相关文章
更多 >