行为不变而神经重组：粤语声调归一化在认知负荷下的主动抑制

英文题目：Neural Oscillatory Mechanisms of Speaker Normalization Under Cognitive Load: Evidence from Cantonese Tone Perception

会议身份：conference:interspeech:2026:conference-paper-id:zhang26ba_interspeech

来源为官方会议 PDF；图片依据原页像素，表格数字依据原文引用。PDF 文字层不视为原始 TeX，未可靠恢复的结构不作推断。

会议来源：官方记录 · 官方 PDF

标签：#时频分析 #言语感知 #脑信号 #语音 #语音识别

评分：5.5/10 | 创新 1.3/2 | 技术严谨 1.2/1.5 | 实验充分 0.9/1.5 | 清晰度 0.8/1 | 影响力 0.8/1.5 | 开源 0.0/1.5 | 可复现 0.3/0.5 | 工程/实践 0.2/1.5

排名：前50% | 文档类型：应用研究

👥 作者与机构

• Kaile Zhang：机构信息未能从会议 PDF 纯文本可靠映射
• Gang Peng：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

该研究处理粤语水平调T55/T33/T22在说话人基频漂移下的外在归一化，输入为载体短语语境加目标音节/ji/，输出为三选一字辨认，难点是绝对音高不可靠且视觉分心占用中枢资源。方法链先构造4说话人乘3种移调语境的听觉刺激以诱发对比性语境效应，再叠加4×4与8×8几何图形视觉搜索构成无负载、低负载与高负载三区组双任务，最后对目标锁时脑电做事件相关谱扰动与置换检验以分离Alpha与Delta调制。相比把归一化视为自动过程的观点，该工作提出负载下靠顶枕部Alpha同步抑制视觉流、前额Delta去同步转向外部听觉的补偿机制。在粤语声调归一化双任务条件下，语境F0主效应的卡方指标为19.77，高于认知负载主效应的卡方指标0.32。无负载出现0-415ms的Alpha去同步，负载转为159-800ms的持续Alpha同步并伴随303-565ms前额Delta去同步，行为上语境效应保持而负载主效应不显著。结论仅适用于健康年轻粤语母语者的小样本实验室双任务，未验证噪声、老年、第二语言或连续语流的外推。原文未披露训练、推理或部署成本。

🔗 开源与复现资源

本次未形成可展示的已核验资源记录，开放状态尚未核实。 可达状态仅表示本次链接检查结果，不代表许可证、本文权重或运行复现已验证。

🧭 深度解读

为什么说话人一变，声调就难认了？

本文输入是粤语声调感知研究，目标是讲清在有视觉分心任务时大脑如何维持说话人归一化。读者需要保留的关键信息是任务定义、双任务操作、行为与脑电的分离结果以及作者对主动控制的解释，输出是 1 篇可复述方法的中文解读。

从学习依赖看，先要理解缺乏不变性这个起点。不同说话人声道长度与喉部尺寸不同，同一个绝对基频值在男声里可能是高调，在女声里可能是中调或低调。粤语有高平 55、中平 33、低平 22 共 3 个平调，主要靠基频高度区分词义，绝对音高不可靠，听者必须借助先行语境估计当前说话人的音高范围，再把随后目标的基频映射到正确声调类别，这就是外在归一化。

以外在归一化为例，论文用粤语短语呢个字系作为语境，用意这个音节的中调 33 作为目标。目标本身在孤立时是模糊的，但放在不同语境后感知会偏移：在低基频语境后更可能听成高调医 55，在高基频语境后更可能听成低调二 22，在中语境后保持中调。这种高语境拉低、低语境抬高的模式称为对比性语境效应，它是判断被试是否使用了语境线索的行为证据。

外在归一化 × 对比性语境效应： 外在归一化分工是利用先行载体句估计说话人音高范围并建立声学到声调的映射，对比性语境效应分工是提供可观测的行为指标即高语境后目标听感偏低、低语境后目标听感偏高，搭配理由是只有以后者为判据才能判断前者是否发生，组合意义是用低语境报高调、中语境报中调、高语境报低调的期望反应来量化归一化是否成功。

理解这一点后才能进入本文的矛盾。以往认为归一化需要中央资源，理应在高变异或不熟悉说话人时更慢更差，且顶叶注意网络参与其中。但近年双任务研究又发现无论分心任务是视觉还是听觉、语言还是非语言，行为上的归一化往往不垮。本文要回答的不是能不能归一化，而是在资源稀缺时神经系统如何重组来保住归一化。

自动还是受控：相关路线如何形成对立？

同输入同目标的路线是声调与元音的外在归一化行为研究。它们用移频后的高、中、低语境配合同一个目标，检验期望反应是否符合对比性效应。论文沿用了这类范式，并引用了粤语水平调归一化与音乐经验优势等前期工作，说明语境线索确实能提高知觉准确率。

同监督但不同运行阶段的路线是认知负荷双任务研究。1 条路线支持主动控制，强调高变异语音更慢更不准、熟悉说话人更容易、上顶叶注意区激活更高。另 1 条路线报告即使加上视觉搜索或听觉分心任务，声学语境效应依然存在。本文把 2 条路线并置，指出经验悖论不在于谁对谁错，而在于行为恒常可能掩盖了不同的神经实现。

认知负荷 × 主动控制假说： 认知负荷分工是占用中央资源制造稀缺条件，主动控制假说分工是主张说话人归一化是耗资源的可控过程而非自动过程，搭配理由是只有在负荷下观察归一化是否崩溃及其神经代价才能区分自动与控制，组合意义是行为保持但 alpha 与 delta 重组即被视为支持主动控制的补偿证据。

同运行阶段但不同信号的路线是脑振荡与不利听觉条件研究。alpha 段 8 到 13 Hz 被视为抑制门控，在鸡尾酒会问题中表现为忽略侧功率升高、注意侧功率降低。delta 段 1 到 3 Hz 与内外注意朝向有关，内部心算时升高、朝向外部感觉时降低。beta 段 14 到 30 Hz 被认为携带自上而下预测并维持工作记忆中的语境信息，本文预期 3 者都可能参与，但分工需要用目标锁定的时频数据检验。

本文要解决的具体问题是什么？

本文只研究 1 个任务：母语粤语听者在有或无视觉搜索分心时，利用先行语境对随后中调目标做声调归一化。输入是语境加目标的声音对加可选的视觉网格，输出是 3 选 1 声调判断加视觉目标有无判断，评价是期望反应准确率与目标锁定的事件相关谱扰动。

教学例子是沿 1 个试次走完全程，明确标为例子。假设语境是某位女声说呢个字系并整体上移 3 个半音，目标是同批说话人其中 1 位发的未移频意 33，听者若做了归一化，应倾向把该目标听成低调二 22。若语境下移 3 个半音，则倾向听成高调医 55。这里的方向是对比性效应的示意，不是本文报告的具体试次准确率数值。

关键约束是双任务要求听觉与视觉同等重要，且听觉反应在前、视觉反应在后。这意味着视觉表征需要在听目标期间被维持在工作记忆中，网格越复杂，内部维持与外部监听的冲突越大。这为后文前额 delta 去同步的解释提供了任务基础，也限定了注意外化推论的适用范围。

方法全景：从声音和网格到脑电指标经过了哪些站？

方法全景可以分为 4 站。第 1 站是刺激构造：4 位说话人含 2 男 2 女录制语境，基频轨迹用软件上移或下移 3 个半音形成高、中、低语境，共 12 种语境，目标是 4 位说话人发的 450 ms 中调。视觉刺激是黑色背景上的几何图形网格，低负荷用 4 × 4 网格，高负荷用 8 × 8 网格，50% 试次用白色菱形替换随机物体作为搜索目标。

第 2 站是实验流程：3 个平衡顺序的组块分别对应无视觉任务、低负荷、高负荷，每组块含 108 个测试试次即 12 种语境目标组合各重复 9 次加 36 个填充试次。双任务组块中视觉网格与听觉语境同时出现，被试边扫视网格边听语境，语境后 300 到 500 ms 静音，目标后 350 到 550 ms 出现词汇识别提示，最长 1500 ms 按键区分衣 55、意 33、二 22，再做视觉有无判断。单任务组块用注视十字代替网格并省略第 2 步反应。

第 3 站是脑电记录与预处理：64 导按国际 10 到 20 个系统，采样率与阻抗等细节见后文实验条件表，离线转平均乳突参考，取目标前后负 500 到正 800 ms 分段并做基线校正，超阈与眼电伪迹剔除后保留至少 70% 试次者进入分析，最终 30 人。

下图为试次流程图，阅读时先看主路径再看双任务叠加，这是复现时序控制的关键依据，图中斜箭头串起 7 个黑屏阶段并标注听觉与视觉提示位置。

看图路径： 1. 先沿斜箭头从注视点看到语境、静音、目标、2 次按键反应的完整顺序；2. 再确认听觉喇叭图标与视觉网格在时间上是否重叠出现；3. 对比单任务注视十字与双任务物体网格在语境段的差异；4. 记录各段标注时长：注视 500 ms、目标 450 ms 与 2 段静音区间

论文图 1。原论文 Figure 1：“The trial procedure. No object grid and the”。

上图显示从 500 ms 注视点开始，语境段 811 到 1005 ms 与视觉网格同时呈现，随后 300 到 500 ms 静音，450 ms 目标呈现，再经 350 到 550 ms 静音后出现词汇识别提示最长 1500 ms，最后是视觉任务无限时判断。这种先听后答、听觉优先的顺序解释了为什么高负荷下内部视觉维持会干扰听觉加工，也为后文注意外化的解释提供了程序依据。像素细节显示各阶段黑屏方块沿斜箭头排列，语境与目标旁有喇叭图标，末 2 屏分别为哪个词与白色菱形有无的英文提示。

3 个频段各自负责什么，为什么组合起来看？

先说白话。alpha 可以理解为局部加工的刹车，功率升高对应压制该区处理，功率降低对应放行并积极参与。delta 可以理解为内外注意的指针，升高偏向内部运算，降低偏向外部感觉。beta 可以理解为自上而下的预测与维持，用于把语境信息保存在工作记忆中供目标判断使用，后文简称固定为 alpha、delta、beta。

alpha 振荡 × 抑制门控： alpha 振荡分工是调节局部皮层兴奋性，功率升高对应压制而降低对应放行，抑制门控分工是阻断无关通道信息进入目标加工，搭配理由是双任务中听觉目标与视觉干扰争夺有限资源，组合意义是顶枕区 alpha 功率升高被解释为对视觉加工的主动压制，从而提高听觉通路信噪比。

delta 振荡 × 注意朝向： delta 振荡分工是指示内外注意分配状态，功率升高偏向内部运算而降低偏向外部感觉，注意朝向分工是决定资源投向内部表征维持还是外部感觉输入，搭配理由是高负荷下被试需在记忆视觉网格与监听听觉目标之间取舍，组合意义是前额 delta 去同步被解释为注意由内转向外并优先保证外部听觉流监测。

组合机制紧接上文。alpha 与 delta 在本研究中被组合为 2 层保护：顶枕 alpha 同步负责屏蔽视觉分心，解决感觉通道之间的竞争。前额 delta 去同步负责把注意指针拨向外部听觉流，解决内部维持与外部监测之间的冲突。beta 原本预期负责维持语境表征，但实际未观察到显著 beta 活动，作者据此认为至少在头皮脑电层面，外在归一化的语境维持不突出依赖 beta 振荡，这是一个需要保留的阴性结果，而不是证明 beta 无关。

本研究训练了什么，没有训练什么？

本研究没有训练神经网络模型，也没有更新任何模型参数，不存在梯度路径、优化器、冻结层或早停问题。该节的真实计算过程是脑电时频分解与统计推断，监督来源是期望反应编码的行为建模而非网络损失。

事件相关谱扰动 × 基线归一化： 事件相关谱扰动分工是度量刺激后各频率功率相对变化，基线归一化分工是提供刺激前参考并以分贝表示增减，搭配理由是只有减去基线才能区分任务诱发的同步与去同步，组合意义是后续报告的 alpha 抑制与激活、delta 抑制都是相对基线的改变量而非绝对功率。

具体操作是单试次目标锁定分段经带通滤波与重参考后，用 EEGLAB 的时频函数做谱估计，时间范围负 500 到 800 ms，频率范围 1 到 50 Hz 步长 1 Hz，基线窗负 300 到负 100 ms 以减少与刺激前后活动的重叠。显著性通过 1000 次置换检验判断，代理分布由打乱基线期谱估计生成，阈值为显著性水平 0.01。负荷间 alpha 比较在每时间点拟合以认知负荷为固定效应、被试为随机截距的线性混合效应模型，基于统计量质量识别显著时间簇。

未报告的缺项要明确指出：原文未给出滤波器阶数与过渡带、独立成分分析是否使用、坏导插值与否、零填充因子 16 之外的窗长与重叠、簇形成阈值与多重比较校正细节，不能从软件名称推定这些实现。行为部分的广义线性混合效应模型以语境基频、认知负荷及其交互为固定效应，以被试与录音说话人为随机截距，这是统计建模，不是神经网络训练。

被试、设备与试次条件如何保证可比？

实验条件的公平性来自 3 点。第 1，被试同质：32 名右利手粤语母语者，平均年龄 20.5 岁，听力言语语言正常、视力正常或矫正正常，知情同意与伦理批准齐备，最终剔除后 30 人，保证每种负荷条件都是被试内比较。第 2，刺激可比：同一套 12 种语境与 4 个目标跨 3 个负荷组块重复使用，只是视觉网格有无与复杂度变化，组块顺序平衡，每组块测试与填充试次数量固定并随机化以最大化变异。第 3，记录与分段一致：同一放大器、同一电极排布、同一采样与参考转换、同一目标锁定窗口，保证时频差异可归因于负荷而非设备漂移。

下表整理被试与记录参数，表前问题是复现需要哪些硬性配置，公平条件是同批被试与同一记录链路，指标方向是参数越大或越小对应数据质量而非效果好坏，表中单位与数值保留原文写法。

表后解释是这些参数的主要收益是保证跨负荷可比，具体代价是剔除标准较严，最终样本从 32 降到 30，且眼电检测用了眨眼与扫视自动准则，复现时若改阈值会直接改变保留试次比例与信噪比。未胜出项是原文未报告各条件保留试次数的分布，不能假设 3 组完全均衡，目标时长 450 ms 与基线设置也需严格对齐才能复现时频结果。

行为不变而神经重组：主结果的数字是什么？

行为主结果是语境效应显著而负荷效应不显著。广义线性混合效应模型显示语境基频主效应显著，高语境期望准确率高于低语境与中语境，作者解释为语境目标音高距离差异所致：高低语境由原始轮廓上下移 3 个半音生成，而目标恒为中调 33，感知低调 22 在高语境中因更接近中调而更容易，感知高调 55 在低语境中相对更难。认知负荷主效应及其与语境的交互均不显著，表明负荷操作未改变归一化过程。视觉搜索准确率低负荷均值 0.91、高负荷均值 0.7，差异显著，说明负荷操作本身有效。

下图为期望反应准确率箱线图，阅读时先看负荷是否压低整体，再看语境是否拉开差距，图中 3 列对应无、低、高负荷且每列含低中高语境共 9 个箱线。

看图路径： 1. 先确认横轴为语境基频低中高、纵轴为期望反应准确率、3 列为无低高负荷；2. 再比较每列内蓝色高语境箱线位置是否系统高于红色与绿色；3. 观察 3 列整体高度是否随负荷增加而明显下移

论文图 2。原论文 Figure 2：“The expected response accuracy.”。

上图可见 3 列无、低、高负荷整体高度相近，未随负荷系统下移。每列内蓝色高语境箱线中位线位置最高，红色低语境与绿色中语境相对更低且离散更大，个别低分点低至 0.3 附近。这支持行为归一化对视觉分心具有韧性，但也提示低中语境的个体差异大于高语境。像素上纵轴为准确率 0.4 到 1.0，横轴为语境基频低中高，箱内黄点为均值附近的分布标记。

下图为各负荷目标锁定事件相关谱扰动，阅读时重点区分抑制与激活的颜色与位置，左侧为时频图而右侧为对应频段地形图且时间范围覆盖目标前后。

看图路径： 1. 先按无负荷、低负荷、高负荷 3 行分别看左侧时频图低频段颜色；2. 再对照右侧头皮地形图确认深蓝抑制与红黄激活的空间位置；3. 在高负荷行额外确认下方 1 到 3 Hz 地形图的前额深蓝色分布

论文图 3。原论文 Figure 3：“The ERSP results in each condition.”。

上图可见无负荷行低频段出现横向深蓝色带，对应显著 alpha 抑制，地形图在前额与顶枕最深。低负荷行低频段转为黄红带，对应显著 alpha 激活，地形图集中在顶枕。高负荷行除更强的 alpha 激活外，低频底部出现蓝色带，对应显著 delta 抑制，地形图前额最深。右侧色标与 8 到 13 Hz、1 到 3 Hz 标注明确了频段归属，不能把高频浅绿变化误读为主要效应。

比较问题是负荷是否改变时频模式，公平条件是同一目标锁定窗口与同一基线归一化，指标方向是分贝正值表示相对基线激活、负值表示抑制，关键数字与支持判断见下表，表中时间均为目标后毫秒。

表后解释是主要收益为模式反转：无负荷为早期 alpha 去同步反映积极投入，有负荷转为持续顶枕 alpha 同步反映主动压制视觉，且高负荷在感知晚期招募更多 alpha 资源并伴随特异性前额 delta 抑制。具体代价是该表为相对基线的组平均效应，不能推广为每个被试每时刻都成立，且 beta 段未见显著活动，说明语境维持机制在头皮层面未得到 beta 证据。未胜出项是低负荷的 alpha 激活晚于高负荷起始，但强度弱于高负荷晚期，表明负荷效应主要在晚期而非全程。

负荷分级与脑行为相关能否排除自动加工？

负荷分级比较进一步支持资源需求解释。无负荷与有负荷的 alpha 在 0 到 800 ms 全窗显著分离，簇质量 9439。高负荷比低负荷在 428 到 707 ms 显著更强，说明更高负荷在晚期感知阶段调用额外 alpha 资源。若归一化完全自动，不应出现这种随网格复杂度单调增强的抑制投入。

下图为 alpha 段事件相关谱扰动随时间曲线，阅读时关注零线上下分离与晚期分叉，横轴为目标后时间而纵轴为分贝值且阴影带表示变异范围。

看图路径： 1. 先确认横轴为目标后 0 到 800 ms、纵轴为 alpha 频段事件相关谱扰动分贝值；2. 再比较红色无负荷曲线在零线以下与绿蓝负荷曲线在零线以上的分离；3. 聚焦 400 到 700 ms 区间观察蓝色高负荷是否高于绿色低负荷

论文图 4。原论文 Figure 4：“The ERSP of the Alpha band activity.”。

上图可见红色无负荷曲线全程在零线以下约负 2.5 到负 0.8 分贝，绿色低负荷与蓝色高负荷曲线全程在零线以上约 0.3 到 3.5 分贝，3 者在 0 到 100 ms 起点接近，随后迅速分离。500 到 700 ms 蓝色高于绿色，800 ms 附近两者回拢。这表明负荷效应不是起始偏移，而是目标加工展开后的持续分化，阴影带为变异范围，不能把末端回拢误读为效应消失。

脑行为相关提供了另 1 条反证。在低负荷条件，alpha 功率与视觉次任务准确率呈显著负相关，相关系数负 0.38，表现为 alpha 越高视觉越差。作者解释为以牺牲视觉换取听觉信噪比，其他条件未见显著相关。这支持抑制解释而非任务投入解释：若 alpha 同步只是走神或不投入，应同时损害听觉归一化，但听觉行为并未下降。限制是相关不等于因果，且仅在低负荷显著，高负荷可能因视觉难度地板效应或策略变化而掩盖相关，原文未测量误判类型与反应时分布，不能推断速度代价。

哪些结论还不能下，缺了什么验证？

论文直接报告的是行为恒常加神经重组，有限解释是 alpha 同步为视觉抑制、delta 去同步为注意外化，未验证推测是这些机制是否因果性保护归一化。措辞上前者用报告与显示，后者用支持，可能的因果链用可能与待验证表达。

具体边界有 4 点。第 1，视觉干扰为静态几何网格搜索，与真实鸡尾酒会中的动态听觉竞争不同，不能推广到听觉分心或语义负荷下的同一机制。第 2，语境与目标来自 4 位说话人并做 3 半音移频，模拟了音高变异但未系统操纵声道长度等频谱包络线索，不能分离基频与共振峰贡献。第 3，分析跨语境基频平均以提高信噪比，代价是无法检验高、中、低语境各自的时频差异，行为上高语境更准的优势是否对应不同神经投入仍待验证。第 4，beta 阴性结果限于头皮脑电与当前时频参数，不能断言工作记忆维持不参与归一化，颅内或源定位研究可能有不同灵敏度。

资源状态方面，本次未发现来源绑定且完成超文本传输安全协议状态验证的资源，不得声称代码、模型或数据已公开。复现只能依赖正文参数，不能假设存在可下载脚本或数据集。训练资源、推理开销、输出帧率与实际延迟在本研究中不适用，因为无模型训练与部署，脑电采集耗时与计算成本原文也未量化，不承诺效率改善。

要复现这套双任务加时频分析先做什么？

复现先做刺激与程序对齐。音频侧准备 4 人录制的呢个字系语境，用语音软件整体移频正负 3 个半音形成高中低语境，目标用同一批 4 人未移频意 33 并统一时长 450 ms。视觉侧按低负荷 4 × 4、高负荷 8 × 8 生成几何图形网格，50% 试次嵌入白色菱形。程序侧按无、低、高 3 组块平衡顺序，每组块 108 测试加 36 填充，时序严格执行注视 500 ms、语境 811 到 1005 ms、静音 300 到 500 ms、目标 450 ms、静音 350 到 550 ms、词汇 3 选 1 最长 1500 ms、视觉有无判断，强调听觉视觉同等重要且听觉先答。

再做记录与分析对齐。64 导 10 到 20 个系统、1000 Hz 采样、阻抗低于 5 kΩ、在线参考在中央与中央顶之间、双极眼电监测，离线 0.01 到 50 Hz 带通、平均乳突重参考、目标锁定负 500 到 800 ms、基线校正、正负 100 微伏剔除、眼电自动阈值与 70% 保留准则。时频用快速傅里叶变换加汉宁窗、16 倍零填充、1 到 50 Hz、基线负 300 到负 100 ms 分贝转换，跨语境平均后做 1000 次置换检验，负荷比较用混合效应模型加簇置换。

还需补的验证是预注册样本量依据、剔除后各条件试次数、反应时与混淆矩阵、语境分开的时频结果、以及视觉难度匹配的控制实验，以排除网格复杂度本身而非双任务冲突驱动 alpha 增强。关键超参数与信息条件是移频量、网格尺寸、静音抖动范围与基线窗位置，改动任 1 都会改变对比性效应大小或基线估计。

何时值得借鉴这套主动抑制思路？

当目标是在分心下保住语音知觉恒常而非单纯提高安静下准确率时，值得尝试本文思路：行为不降不等于自动加工，应同步检查神经代价。具体做法是在已有归一化范式上叠加可参数化的次任务，用目标锁定时频分离早期投入与晚期抑制，用脑行为负相关检验是否以次任务为代价换取主任务。

常见误解是把 alpha 升高直接读成不专心或把曲线向下读成变差。本文的纠正是结合纵轴为相对基线的分贝改变量与地形位置判断好坏：顶枕 alpha 升高对应压制视觉分心，对听觉是有益的。前额 delta 降低对应转向外部监听，在高负荷内部维持干扰增大时是有益的。总体趋势不等于每组每步成立，晚期高比低更强不代表全程都更强。

收束是行为韧性由主动重组支撑：无负荷用 alpha 去同步积极参与，有负荷用持续顶枕 alpha 同步屏蔽视觉，高负荷额外用前额 delta 去同步把注意拨向外部听觉流，beta 未见显著提示语境维持另有机制。这支持归一化是受控过程，但因果性、跨干扰类型泛化与源定位仍需后续工作。

⚖️ 评分明细

评分属于系统判断，不是论文实验结果；八维数值与总分见页首，原始审计记录保留在后端。

• 评分规则：type-aware-v1
• 评分模型：muse-spark-1.3-contributor
• 评分请求协议：openai_responses

← 返回 interspeech-2026 论文汇总