《Brain Research Bulletin》：Unraveling the Neural Dynamics of Mathematical Interference in English Reading:A Novel Approach with Deep Learning and fNIRS Data
編輯推薦：
為探究英語學習與數學認知的神經關聯，研究人員利用功能近紅外光譜（fNIRS）構建數學干擾數據集，提出 AC-LSTM 模型（融合 Transformer 與 LSTM）。結果顯示其檢測數學殘留認知準確率達 99.8%，還定位關鍵腦區（如 R-Broca、L-Broca），為教育神經科學提供新視角。
在語言學習的浩瀚領域中，英語作為全球通用語言，其學習效率與認知機制一直是研究的熱點。然而，盡管行為研究表明英語學習與數學認知存在關聯，但二者背后的神經機制卻如同隱藏在迷霧中的寶藏，遲遲未被深入挖掘。傳統研究多聚焦于行為層面的觀察與問卷調研，缺乏客觀的神經科學證據，難以揭示大腦在兩種認知過程中的動態交互。在此背景下，探索數學思維對英語學習的神經干擾效應，解析其背后的神經動力學機制，成為認知神經科學與教育領域亟待攻克的難題。
為了揭開這一神秘面紗，四川師范大學的研究人員開展了一項極具創新性的研究。他們以英語閱讀中的數學干擾為切入點，利用功能近紅外光譜技術（functional near-infrared spectroscopy, fNIRS）構建了獨特的數據集，并結合深度學習模型，深入探究數學認知對英語學習的神經影響。這項研究成果發表在《Brain Research Bulletin》上，為理解人類認知過程提供了全新的視角。
研究人員主要采用了以下關鍵技術方法：首先，利用 fNIRS 采集 40 名本科學生在不同任務狀態下的腦功能數據，該技術通過測量腦皮層血氧水平變化，實時反映大腦活動，具有無創、便攜的優勢。其次，開發了一種融合 Transformer 和 LSTM 架構的新型深度學習模型 AC-LSTM（Attention-augmented LSTM for Classification），用于檢測和分類數學殘留認知信號。此外，通過網格搜索（grid search）和關聯規則分析（association rule analysis）等數據挖掘技術，篩選關鍵腦區并解析腦區之間的動態關聯。
5.1 數學殘留檢測實驗
研究人員構建了包含 29,299 個樣本的數據集，其中陽性樣本（數學訓練）21,180 例，陰性樣本（英語學習）8,119 例。通過 8:2 的訓練測試劃分和 SMOTE 過采樣技術平衡數據后，利用 AC-LSTM 模型進行二進制分類。結果顯示，該模型在測試集上達到了 99.8% 的準確率，遠超傳統機器學習模型（如 KNN、MLP）和其他深度學習模型（如 CNN、LSTM）。ROC 曲線分析表明，AC-LSTM 的 AUC 值接近 1，顯示出卓越的分類性能�；煜仃囷@示，模型對陰性樣本分類準確率達 100%，僅 5 例陽性樣本誤判，驗證了其在檢測數學殘留認知方面的高精度。
5.2 數學思維分類實驗
在四分類任務中（英語、代數、幾何、數量推理），AC-LSTM 模型以 75.9% 的準確率位居榜首。傳統模型如 KNN（67.85%）和 MLP（68.79%）表現較差，而 CNN（74.48%）和 LSTM（73.77%）雖優于傳統模型，但仍不及 AC-LSTM�；煜仃囷@示，模型對英語和數量推理樣本分類準確，但代數與幾何存在較多誤判，提示兩者可能共享神經基質，與 fMRI 研究中頂 - 額葉網絡重疊的結論一致。
5.3 關鍵腦區搜索與可視化
通過網格搜索，研究人員從 49 個腦區中篩選出前 20 個關鍵特征，其中 S6-D5（右梭狀回，R-37）和 S5-D4（右 Broca 區，R-Broca）與數學干擾關聯最強。數據分析顯示，數學訓練后，R-Broca 區活動顯著抑制，而左 Broca 區（L-Broca）活動增強。關聯規則分析進一步發現，英語學習組中 R-Broca 與多個腦區強關聯，而數學訓練組中 L-Broca 的連接性顯著提升，揭示了大腦在不同任務狀態下的功能重組。
5.4 腦區動態關聯可視化
通過關聯規則和圖結構分析，研究人員發現數學干擾導致 R-Broca 區連接減弱，L-Broca 區與聽覺皮層（R40）連接增強，可能反映了大腦通過增強聽覺 - 語音整合來代償數學干擾的影響。關鍵腦區活動比例變化顯示，R-Broca 活動下降 6.15%，L-Broca 上升 12.91%，進一步印證了數學任務對語言處理區域的抑制效應和大腦的適應性調整。
這項研究首次通過 fNIRS 與深度學習的結合，系統揭示了數學認知對英語學習的神經干擾機制。AC-LSTM 模型的高準確性證明了深度學習在解析復雜神經數據中的強大潛力，而關鍵腦區的發現（如 Broca 區的動態變化）為理解語言與數學的交互提供了神經科學依據。研究結果不僅深化了對跨領域認知干擾的理解，也為設計高效的雙語教育策略提供了新方向，例如通過合理安排數學與語言學習的時間間隔，減少認知資源競爭。未來，結合更高分辨率的腦成像技術和圖神經網絡（GNNs），有望進一步揭示大腦網絡的動態交互，為個性化教育和認知干預開辟新路徑。
