PNAS:感觉神经性听力损失降低空间选择性听觉注意

请点击上方蓝色“思影科技”四个字进行关注,获取更多精彩内容。

感觉神经性听力损失的被试经常在复杂听觉场景中难以区分目标语音,尽管如此糟糕的空间听力经常出现在听力损失的被试中,但两者之间的直接证据还很缺乏。来自波士顿大学的Lengshi Dai等人认为是感觉神经性听力损失的人群是由于空间分辨力差导致难以部署选择性注意(正常情况下选择性注意可以筛除干扰声),从而难以区分目标声音。该研究发表在PNAS杂志上。

关键词: 脑电 ERP 听力损失 听觉注意

研究人员首先募集了两组被试,一组听力正常(N=25),一组听力损失(N=15)。研究者使用选择性注意听觉任务来测试两组被试分辨目标声源的行为学表现和反映在EEG上的注意力调制强度。实验刺激和任务流程如图1所示,三个听觉流分别是干扰流、前行流和滞后流,听觉流轮廓分别为之字形、上升和下降。为了分离单独的起始反应,起始时间错开。在实验中告知被试接下来注意的方位:中央、或左、或右。然后播放听觉流,0.7s的等待时间之后被试有1.5s按键时间报告靶标方位出现的听觉流轮廓是哪种,最后给予正确与否的反馈。听觉方位由双耳时间差(ITD)实现。实验为了区分难度,又分了两种ITD:大和小,即声源对应的方位角大和小。

图1:刺激和实验流程概要。

(A)每一个试次等时呈现三个听觉流,每一个都由一个高音和一个低音组成一段旋律。每一个听觉流的起始音符都在时间上错开以便于记录独立的EEG响应。干扰流总是第一个开始,由基频为275Hz和317Hz的复合声组成(等幅的前三个谐波组成)。前行流(五个音符)其次开始,由基频为113Hz和124Hz的复合声组成。滞后流(四个音符)最后开始,由基频为177Hz和194Hz的复合声组成。前行流和滞后流每一个音符包含它们基频的前33个等幅谐波。每一段旋律或上升或下降或呈之字形。

(B)每一个试次以固定点开始,接着是一个视觉提示,最后是复合听觉流(中央、左或右)。三个听觉流从三个不同的角度呈现,只用耳间时间差来模拟:中央以及左右对称两个位置。左右听觉流的耳间时间差要么都小要么都大,依赖于当前试次。被试被提示在每个试次结束时去识别靶标听觉流的旋律轮廓,并在他们响应之后提供反馈。

首先研究人员统计了两组被试在四种实验条件下的正确率表现,发现听力损失被试在空间选择性任务中表现比听力正常被试差。并且表现中上等水平的听力损失被试呈现出侧听优势,即靶标位于两侧时比位于中央时被试的行为学正确率要高。如图2所示。

图2:听力损失被试比正常听力被试在空间选择性听觉注意任务中表现差。

(A)正常听力被试(左:红色和蓝色条)和听觉损失被试(右:淡蓝色和橘色条)在主体注意任务中的正确率得分和被试间的标准差(注意:在这幅图中以及接下来的所有图中,被试间差异是很大的,但是在不同的条件下是一致的,这导致尽管条件间一致但仍有很大的误差棒。)总体来说,正常听力被试表现胜过听力损失被试。两组被试都是耳间时间差大(实心柱)的声源比小(空心柱)的表现更好。对于正常听力被试(而非听力损失被试),对高音调的滞后听觉流(红色柱)比先行听觉流(蓝色柱)的表现更好。

(B)侧听优势,或相同空间结构下靶标位于侧边相较于位于中线时,表现正确率之差画作该空间结构下所有靶标位置的平均表现正确率的函数。灰色显示的是基于二阶多项式曲线拟合中预期中分位数的分布。当接近机会表现或者完美表现时,靶标定位几乎没有影响,但是侧听优势主要体现在中等水平表现时。因此,在特定空间结构下单个被试的能力决定了他看到中线靶标环绕干扰项的表现是否比看到靶标位于侧边的表现要差。

然后研究人员又利用对靶标听觉流的ERP幅度计算出注意力调制指数AMI,用以反映注意力对神经响应的影响。如图3,我们看到听力损失被试的AMI明显小于听力正常被试,说明听力损失确实会影响注意力调制能力。同时在听力正常被试上还观察到AMI随时间而增强的现象,但是听力损失被试没有类似效应。

图3:听力正常被试显示出较弱的、较不一致的对注意力焦点的神经响应调制。

(A)注意力调制指数或由于注意力聚焦的偏移导致事件相关电位幅度的标准化改变值,用与图2相同的方式画出。误差棒表示被试间标准差。总的来说,听力正常被试的注意力调制指数要大于听力损失被试,由多重方差分析发现听力状态是显著影响注意力调制指数的因子证实(见“听力损失被试注意力调节皮层响应的能力弱”)。

(B)听力正常被试,而非听力损失被试,显示出在单个试次的过程中注意力显著的累积效应。注意力调制指数或由于注意力的偏移导致事件相关电位幅度的标准化改变值,分别对前行听觉流(左)和滞后听觉流(右)的第一个音符和最后一个音符作图,误差棒是被试间标准差。上图是小耳间时间差的情况,下图是大耳间时间差的情况。内置的是注意力调制指数和音符位置(从第一个到最后一个)之间的斯皮尔曼等级相关性。虽然听力正常被试(蓝色和红色)从第一个音符到最后一个音符的注意力调制指数明显改变以及显著的等级相关性强有力地证明其注意力调制随音符而增强,但类似的效应未在听力损失被试(淡蓝色和橘黄色)上观察到。

接着研究人员又考察了注意力对干扰流的第一个音符是否有影响,如图4所示,对两组被试来说,注意力都没有影响到干扰流的第一个音符。另外针对不同干扰流的位置出现的ERP幅度差异,作者用一个被动实验排除了自上而下的注意力因素,确定了只是由于干扰流位置不同造成的。

图4:无论是听力正常被试还是听力损失被试,干扰听觉流的首个音符都不被注意力的空间聚集所调制。

(A)在主体注意实验中干扰流的首个音符诱发的事件相关电位幅度在不同的空间结构下画出,左边是听力正常被试,右边是听力损失被试。因为结果的左右对称,空间结构是结合了镜像对称的结果。每一个图柱簇对应一个不同的干扰流位置(从左到右分别是无耳间时间差,小耳间时间差,大耳间时间差),在每一个图柱簇里面,结果又按照注意力的方向划分,褐红色表示中央,紫色表示侧边。对两组被试而言,大角度的干扰流比中央或者小角度的干扰流有更大的事件相关电位幅度。

(B)一小部分听力正常被试完成被动听觉对照试验的事件相关电位幅度,图画法类似A。被动听觉数据用绿色表示。A图中看到的事件相关电位幅度之差在被动听觉试验结果中也出现了,因此说明这是由于干扰项耳间时间差的区别,而非自上而下的注意力。

鸡尾酒效应是人在复杂的语音环境中,提取目标语音,抑制干扰声的能力,可想而知这种对于干扰声的抑制能力直接影响人在很多生活场景中语言沟通的效果。所以研究人员继续考察两组被试抑制干扰流音符的能力,发现听力正常的被试,无论听觉场景的空间结构如何,都能有效抑制干扰流,但是听力损失的被试,当靶标位于中央,干扰流位于一侧时,抑制干扰流的能力就变弱了。如图5所示。

图5:听力正常被试不论刺激流空间结构如何都很擅长抑制后来的干扰流音符,而听力损失被试在注意力聚焦在中央(干扰流位于侧边时)抑制音符的能力弱。干扰流后面的音符诱发的平均ERP幅度分别对听力正常(上图)和听力损失(下图)被试画出。每一套图柱对应不同的干扰流位置(从左到右分别是无耳间时间差,小耳间时间差,大耳间时间差)。每一套图柱内,结果又被分解为注意力焦点的方向,用柱的颜色表示(褐红色表示中央,紫色表示侧边),标记对应靶标ITD。HI被试对大小耳间时间差(中间和右边的柱)都有更大的ERPs。另外,在这些空间结构下,HI被试当靶标在中央相较于在一侧时对干扰流有显著更大的ERPs。这些结果表明HI被试在抑制任务无关的干扰项时表现比NH组差,特别是最有挑战的听觉状态下,即靶标位于中央环绕这竞争刺激。

然后研究人员又探究了两组被试行为学表现和注意力调制能力之间的的相关性,考察是否是注意力因素影响被试在空间选择性听觉任务中识别目标刺激的能力,如图6所示,发现两组被试的行为学表现和注意力调制能力呈现显著正相关,说明确实是注意力影响被试在复杂听觉场景中分辨目标声音的能力。

图6:两组被试在选择性注意任务中单个被试的表现与其注意力调制强度有关,表明在注意任务中表现好的被试显示出更强的神经响应调制。四个小图显示的是单个被试在特定条件下行为学表现与注意力调制指数之间的相关性散点图。左图是注意到前行流,右图是注意到后置流,上图是小耳间时间差,下图是大耳间时间差。在每一个图里,都同时展示了NH被试和HI被试。对应颜色的回归线表示对应组被试在特定实验条件下注意力调制指数和行为学表现之间的关系。值得注意的是,听力最差的HI被试在任务中表现接近机会水平,没有显著的注意力调制,然而,即使最差的NH被试可能也没有显著的注意力调制,但是他们在注意任务中的表现也是在远超机会水平。

最后研究人员考察了ITD敏感性与被试整体表现水平之间的相关性,发现两者呈显著负相关,又因为听力损失被试的听力损失程度与ITD敏感性也呈显著相关,所以听力损失、耳间时间差敏感性、辨识目标声音的能力以及注意力调制强度四者是具有内在联系的。

图7:两组被试,单个被试在选择注意任务中的整体表现水平与他们平均耳间时间差阈值呈负相关。上图是NH被试的散点图,下图是HI被试的散点图,整体正确率呈ITD阈值的函数。最适回归线在每幅图中可见,注意HI被试的横坐标范围比NH被试大。两组被试,整体表现都显著与ITD阈值相关。

综上所述,研究人员探究发现听力损失与耳间时间差敏感性,耳间时间差敏感性和行为学表现,行为学表现和注意力调制强度之间都具有显著相关性,说明听力损失可能导致耳间敏感性降低,即空间分辨能力减弱,从而导致注意力分布困难,最后导致在复杂听觉环境下难以提取目标声音。该研究为听力损失与空间听力能力之间的关系提供了直接证据。

参考文献:DaiL, Best V, Shinn-Cunningham B G. Sensorineural hearing loss degrades behavioraland physiological measures of human spatial selective auditory attention[J].Proceedings of the National Academy of Sciences, 2018: 201721226.

原文发布于微信公众号 - 思影科技(transfer_3274775643)

原文发表时间:2018-04-15

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏AI研习社

IJCAI 2018 广告算法大赛落下帷幕,Top 3 方案出炉

雷锋网 AI 研习社消息,IJCAI-18 阿里妈妈搜索广告转化预测比赛近日落下帷幕,本次比赛为阿里妈妈与 IJCAI2018、天池平台联合举办,总奖池 370...

1343
来自专栏目标检测和深度学习

全球最全计算机视觉资料(7:领域专家)

2701
来自专栏大数据挖掘DT机器学习

TF-IDF与余弦相似性文本处理:自动提取关键词、找出相似文章

这个标题看上去好像很复杂,其实我要谈的是一个很简单的问题。 有一篇很长的文章,我要用计算机提取它的关键词(Automatic Keyphrase extract...

3624
来自专栏AI科技评论

深度高能粒子对撞追踪:Kaggle TrackML粒子追踪挑战赛亚军访谈

AI 科技评论按: Kaggle TravML 粒子追踪挑战赛的颁奖仪式即将在 NIPS 2018 大会上进行。这个比赛不仅是机器学习助力其它领域科学研究的经...

1042
来自专栏AI研习社

一起来涂鸦吧!用风格迁移把iPhoneX的照片变成艺术画

自从Gatys发表了神经风格迁移算法,我们见证了海量的图片摇身一变成了艺术品。 算法用了一个前馈网络把给定图片的风格输入网络。我们还看到了超厉害的“非艺术气质的...

2705
来自专栏大数据挖掘DT机器学习

Twitter情感分析及其可视化

主要是基于twitter的内容有: 实时热点话题检测 情感分析 结果可视化 Twitter数据挖掘平台的设计与实现 实时热点话题挖掘 Twitter的数据量是十...

6687
来自专栏AI科技评论

学界 | KDD 2018:滴滴提出WDR模型显著提升ETA预测精度

AI 科技评论按:国际数据挖掘领域的顶级会议 KDD 2018 在伦敦举行,今年 KDD 吸引了全球范围内共 1480 篇论文投递,共收录 293 篇,录取率不...

2242
来自专栏AI科技评论

学界 | 一窥 ACL 2018 最佳论文

AI 科技评论按:随着定于 7 月 15 日的开会日期逐渐临近,自然语言处理顶会 ACL 2018 继公开了接收论文名单之后,今天也公布了包含 3 篇长论文 与...

1055
来自专栏鸿的学习笔记

用python讲故事(下)

从排序(歌曲,然后发生了点什么)到英雄的幸福的大驼峰,随后是阴暗的山谷。 我们检测到某种电影/故事的迪斯尼公式吗? 当绘制线在不同长度上发生时,很难比较这些曲线...

1561
来自专栏AI启蒙研究院

敲黑板!!!乐高测距传感器的思考

942

扫码关注云+社区

领取腾讯云代金券