在英语阅读中解开数学干扰的神经动力学:使用深度学习和fNIRS数据的新方法
Zhijie Liang1, Ling Wang1, Jianyu Su1
1School of Computer Science, Sichuan Normal University,Chengdu 610066, China; Visual Computing and Virtual Reality Key Laboratory of Sichuan Province,Chengdu 610066, China.
Brain research bulletin
|May 23, 2025
概括
这项研究揭示了数学技能如何干扰英语学习,使用脑成像和人工智能. 一个新的深度学习模型准确地识别了这种认知干扰,帮助教育神经科学.
科学领域:
- 认知神经科学 认知神经科学
- 教育神经科学教育神经科学
- 计算语言学 计算语言学
背景情况:
- 英语是全球性的语言,需要优化获取策略.
- 行为研究表明,英语学习与数学认知之间存在联系.
- 这种认知关系的神经支尚未得到充分理解.
研究的目的:
- 研究英语学习过程中数学干扰的神经机制.
- 开发一种新的深度学习模型,用于识别认知干扰.
- 为了精确地确定与这种干扰有关的大脑区域和通道.
主要方法:
- 功能近红外光谱学 (fNIRS) 收集新的神经成像数据.
- 开发了AC-LSTM深度学习模型,结合了Transformer和LSTM架构.
- 网格搜索和关联规则分析用于数据挖掘的应用.
主要成果:
- 该AC-LSTM模型在检测英语学习中的数学干扰方面取得了99.8%的准确性.
- 干扰类型的多类分类 (代数,几何,定量推理) 达到75.9%的准确性.
- 确定了关键的大脑通道,并突出显示了布罗卡区域 (R-Broca,L-Broca) 的变化.
结论:
- 该研究成功地整合了fnirs,深度学习和数据挖掘来分析认知干扰.
- 这些发现为语言学习和认知相互作用的神经基础提供了宝贵的见解.
- 该AC-LSTM模型在教育神经科学和数据挖掘应用中表现出高效.
