婴儿视觉物体识别神经基础研究新突破：200 物体图像 EEG 数据集揭秘

为解决婴儿高质量神经影像数据稀缺问题，研究人员开展婴儿 EEG 研究，揭示其视觉物体识别神经机制，意义重大。

　　在日常生活中，人们能够迅速且准确地识别各种物体，哪怕是在复杂的视觉环境里，或是面对物体因光照、视角变化而产生的不同视网膜投影时，也不在话下。理解人类物体识别的神经基础，一直是认知神经科学研究的核心。近年来，越来越多的研究聚焦于这一能力在婴儿期的发展过程，然而，目前高质量的婴儿神经影像数据十分有限，已有的婴儿神经影像研究存在刺激集规模小、样本量不足以及数据不公开等问题，严重阻碍了该领域的发展。而且，婴儿神经影像数据噪声大，相比成人数据需要更高程度的预处理，而这依赖于开放数据。因此，获取高质量的开放婴儿神经影像数据迫在眉睫。

在此背景下，西悉尼大学 MARCS 大脑、行为与发展研究所等机构的研究人员 Tijl Grootswagers、Genevieve L. Quek、Zhen Zeng 和 Manuel Varlet 开展了一项研究，相关成果发表在《Scientific Data》上。该研究为探究婴儿视觉物体识别的神经基础提供了重要依据，有助于深入理解人类早期物体识别和语义知识的发展轨迹。

研究人员用到的主要关键技术方法如下：

• 实验设计：招募 42 名 2 - 12 个月大的婴儿，通过 MARCS Institute BabyLab 数据库征集。实验使用 200 张涵盖 50 种物体概念的图像作为刺激，这些图像分为三个标签层级。利用 Python 和 Psychopy 库编程，以 5Hz 的频率、50% 的占空比随机呈现图像，每次实验持续约 5 - 20 分钟，根据婴儿配合度而定12。
• 数据采集：采用 BrainVision Liveamp EEG 放大器和 BrainVision RNet 32 电极帽，按照国际 10 - 10 系统放置电极，以 500Hz 的采样率进行无线 EEG 记录34。
• 数据分析：运用 EEGlab 工具包进行预处理，包括滤波、删除坏段和坏通道等；使用 fieldtrip 工具包计算功率谱；借助 CoSMoMVPA 工具包进行时间分辨的表征相似性分析（RSA）567。

研究结果如下：

• 基本质量检查和技术验证：对每个受试者进行基本质量检查和技术验证，通过检查频域信号幅度和时域标准多变量模式分析，验证数据集中条件特异性信息的存在。
• 功率谱分析：计算 0 - 40Hz 的功率谱，发现大多数婴儿在枕部电极处有明显的 5Hz 信号，表明婴儿对刺激有神经反应。
• 时间分辨的表征相似性分析：创建代表不同内容的二元模型 RDMs，计算其与神经 RDMs 的 Spearman 相关性。结果显示，6 个月以上的婴儿能够解码物体类别信息，而 6 个月及以下的婴儿则不能。并且，6 个月以上婴儿的解码结果与之前使用相同刺激和呈现速度的成人 EEG 表现出相似的时间动态789。
• 婴儿与成人 RDMs 的重叠分析：对婴儿和成人的 RDMs 进行时间 - 时间 Spearman 相关性分析，发现 6 个月以上婴儿与成人在神经反应的特定时间段存在共享方差，而 6 个月及以下婴儿与成人则无此现象10。

研究结论表明，该研究提供的数据集可作为高质量资源，用于未来对婴儿视觉物体识别神经发展的研究。6 个月以上婴儿对物体类别的神经反应更成熟，能解码相关信息，且与成人在特定时间段的神经反应存在关联；6 个月及以下婴儿的神经反应则相对不成熟。这一研究成果为深入了解婴儿视觉物体识别的神经机制提供了关键数据支持，有助于进一步探索人类早期认知发展的奥秘，对认知神经科学领域研究婴儿物体识别和语义知识的发展轨迹具有重要意义。同时，该研究的实验设计和数据分析方法也为后续相关研究提供了有益的参考。