DOI: https://doi.org/10.1038/s41539-025-00316-3
PMID: https://pubmed.ncbi.nlm.nih.gov/40355483
تاريخ النشر: 2025-05-12
المؤلف: Guoyang Liu وآخرون
الموضوع الرئيسي: التعرف على الوجه والإدراك
نظرة عامة
تشير هذه الفقرة إلى وجود علاقة ذات دلالة إحصائية، مع قيمة p تتراوح بين 0.01 و 0.05. وهذا يشير إلى أن العلاقة الملحوظة من غير المحتمل أن تكون نتيجة للصدفة العشوائية، مما يوفر دليلاً على وجود ارتباط ذو معنى بين المتغيرات قيد الدراسة. ستكون هناك حاجة إلى مزيد من التفاصيل حول طبيعة العلاقة، بما في ذلك المتغيرات المحددة المعنية وسياق الدراسة، لفهم الآثار المترتبة على هذه النتائج بشكل كامل.
طرق
في هذه الدراسة، تم جمع بيانات حركة العين باستخدام جهاز SR Research Eyelink Portable Duo، مع إعداد مثبت على حامل ثلاثي مرتبط بشاشة عرض بحجم 510 × 291 سم. عمل جهاز تتبع العين بتردد عينة قدره 1000 هرتز، متتبعًا العين السائدة للمشاركين الذين تم وضعهم على بعد 60 سم من الشاشة. تم إجراء المعايرة باستخدام إجراء قياسي من تسع نقاط، مما يضمن بقاء الأخطاء أقل من 1° من زاوية الرؤية، مع إجراء فحوصات انحراف قبل كل تجربة. تم تسجيل بيانات EEG المستمرة باستخدام نظام ANT eego، مستفيدًا من 64 إلكترود Ag/AgCl تم تكوينها وفقًا للنظام الدولي 10-20، بمعدل عينة قدره 500 هرتز. استخدمت الدراسة 256 صورة ملونة لوجوه آسيوية، تم تطبيعها من حيث الحجم ونسبة العرض إلى الارتفاع، تم تقديمها في مهمة التعرف على الوجه التي تتكون من مرحلة دراسة ومرحلة التعرف.
شارك المشاركون في سلسلة من المهام المعرفية جنبًا إلى جنب مع مهمة التعرف على الوجه، والتي تضمنت مهام العودة إلى الوراء لتقييم الذاكرة العاملة ومهمة برج لندن لتقييم الوظيفة التنفيذية. تضمنت نموذج التعرف على الوجه 16 كتلة، تحتوي كل منها على 8 وجوه مستهدفة و8 وجوه مزيفة، مع تقديم المحفزات بترتيب عشوائي. تضمنت مقاييس الأداء الدقة، المحددة كنسبة الاستجابات الصحيحة في التعرف، ومتوسط زمن الاستجابة (RT) المحسوب من التجارب الصحيحة. قيست المهام المعرفية قدرات معرفية متنوعة، مع تسجيل الدقة وRT لمهام العودة إلى الوراء، بينما قيست مهمة برج لندن أوقات التخطيط والتنفيذ عبر 12 تجربة. بشكل عام، كانت المنهجية تهدف إلى استكشاف العلاقة بين حركات العين، ونشاط EEG، والأداء المعرفي في التعرف على الوجه والمهام ذات الصلة.
نتائج
تكشف نتائج الدراسة عن نتائج مهمة تتعلق بأداء فك تشفير EEG في مهام التعرف على الوجه بين 84 مشاركًا. استخدمت التحليل آلات الدعم الشعاعي (SVM) لتقييم الجهد الكهربائي المرتبط بالحدث (ERPs) ونشاط نطاق ألفا، مع قياس المساحة تحت منحنى خصائص التشغيل المستقبلي (AUC). أظهر فك تشفير ERP ذروة AUC قدرها 0.56 عند 720 مللي ثانية، مما يشير إلى أن مكونات ERP اللاحقة، وخاصة N400 وP600، حاسمة في التمييز بين الوجوه القديمة والجديدة. بالمقابل، أظهر فك تشفير نطاق ألفا منحنى أداء أكثر تدريجية، حيث حقق نطاق ألفا المنخفض ذروة AUC قدرها 0.53 عند 1240 مللي ثانية وحقق نطاق ألفا العالي ذروة AUC قدرها 0.54 عند 1080 مللي ثانية، مما يشير إلى أن نطاق ألفا العالي يحتوي على ميزات تمييزية أكثر.
أشارت تحليلات الارتباط على مستوى الفرد إلى أن دقة فك تشفير ERP الأعلى كانت مرتبطة بأوقات استجابة أسرع في التعرف على الوجه وحركات عين أكثر اتساقًا. على وجه التحديد، كانت أداء فك تشفير نطاق ألفا العالي مرتبطًا سلبًا بأنماط حركة العين، مما يشير إلى أن التركيز الأكثر على العين يرتبط بدقة أعلى في فك تشفير EEG. علاوة على ذلك، كشفت تحليل الانحدار الهرمي أن اتساق حركة العين ساهم بشكل كبير في ذروة زمن الاستجابة لفك تشفير نطاق ألفا العالي بعد التحكم في معدل الذكاء غير اللفظي. أبرز تحليل أهمية الميزات أن الأقطاب المركزية والجدارية كانت الأكثر تأثيرًا في التمثيلات العصبية للتعرف على الوجه، مع ملاحظات للتغيرات بناءً على أنماط حركة العين، مما يشير إلى وجود رابط محتمل بين الانتباه وأداء فك التشفير في مهام التعرف على الوجه.
مناقشة
في هذه الدراسة، بحث المؤلفون في العلاقة بين أنماط حركة العين والاتساق أثناء التعرف على الوجه وارتباطها بالتمثيل العصبي، كما تم قياسه من خلال فك تشفير EEG. باستخدام تحليل حركة العين مع نماذج ماركوف المخفية (EMHMM)، تم تحديد نمطين رئيسيين: التركيز على العين والتركيز على الأنف. أشارت النتائج إلى أن نمط التركيز على العين يرتبط بدقة فك تشفير أعلى في نطاق ألفا العالي، مما يشير إلى تحسين جودة التمثيل العصبي للتعرف على الوجه. على العكس من ذلك، كان الاتساق الأعلى في حركات العين مرتبطًا بزمن استجابة أقصر في دقة فك التشفير، مما يشير إلى كفاءة أكبر في تطوير التمثيلات العصبية.
تؤكد النتائج على الأدوار المتميزة لسلوك حركة العين في عمليات التعرف على الوجه. على وجه التحديد، يبدو أن أنماط حركة العين تؤثر على فعالية التمثيلات العصبية، بينما يعكس الاتساق كفاءة تطويرها. تسلط الدراسة أيضًا الضوء على إمكانيات إشارات نطاق ألفا EEG في فهم الفروق الفردية في معالجة الوجه. يمكن أن توفر هذه الرؤى تطبيقات عملية، مثل استخدام تتبع العين للت screening المبكر أو التدخلات الشخصية للأفراد الذين يعانون من ضعف في الإدراك الاجتماعي. بشكل عام، تساهم الأبحاث في فهم دقيق للتفاعل بين استراتيجيات الإدراك والمعالجة العصبية في التعرف على الوجه.
DOI: https://doi.org/10.1038/s41539-025-00316-3
PMID: https://pubmed.ncbi.nlm.nih.gov/40355483
Publication Date: 2025-05-12
Author(s): Guoyang Liu et al.
Primary Topic: Face Recognition and Perception
Overview
The section indicates the presence of a statistically significant correlation, with a p-value ranging between 0.01 and 0.05. This suggests that the observed relationship is unlikely to be due to random chance, thus providing evidence for a meaningful association between the variables under investigation. Further details regarding the nature of the correlation, including the specific variables involved and the context of the study, would be necessary to fully understand the implications of these findings.
Methods
In this study, eye movement data were collected using the SR Research Eyelink Portable Duo, with a tripod-mounted setup connected to a 510 × 291 cm display monitor. The eye tracker operated at a sampling frequency of 1000 Hz, tracking the dominant eye of participants positioned 60 cm from the screen. Calibration was performed using a nine-point standard procedure, ensuring errors remained below 1° of visual angle, with drift checks conducted before each trial. Continuous EEG data were recorded with the ANT eego system, utilizing 64 Ag/AgCl electrodes configured according to the 10-20 international system, at a sampling rate of 500 Hz. The study employed 256 color images of Asian faces, normalized for size and aspect ratio, presented in a face recognition task comprising a study phase and a recognition phase.
Participants engaged in a series of cognitive tasks alongside the face recognition task, which included two-back tasks for assessing working memory and the Tower of London task for evaluating executive function. The face recognition paradigm involved 16 blocks, each containing 8 target and 8 foil faces, with stimuli presented in random order. Performance metrics included accuracy, defined as the proportion of correct recognition responses, and average reaction time (RT) calculated from correct trials. The cognitive tasks measured various cognitive abilities, with accuracy and RT recorded for the two-back tasks, while the Tower of London task assessed planning and execution times across 12 trials. Overall, the methodology aimed to explore the relationship between eye movements, EEG activity, and cognitive performance in face recognition and related tasks.
Results
The results of the study reveal significant findings regarding EEG decoding performance in face recognition tasks among 84 participants. The analysis utilized support vector machines (SVM) to assess event-related potentials (ERPs) and alpha band activity, measuring the area under the receiver operating characteristic curve (AUC). The ERP decoding showed a peak AUC of 0.56 at 720 ms, indicating that later ERP components, particularly N400 and P600, are crucial for distinguishing between old and new faces. In contrast, the alpha band decoding exhibited a more gradual performance curve, with the low-alpha band achieving a peak AUC of 0.53 at 1240 ms and the high-alpha band reaching a peak AUC of 0.54 at 1080 ms, suggesting that the high-alpha band contains more discriminative features.
Individual-level correlation analyses indicated that higher ERP decoding accuracy was associated with faster face recognition response times and more consistent eye movements. Specifically, the high-alpha band decoding performance was negatively correlated with eye movement patterns, suggesting that a more focused gaze correlates with better EEG decoding accuracy. Furthermore, a hierarchical regression analysis revealed that eye movement consistency significantly contributed to the peak latency of high-alpha band decoding after controlling for non-verbal IQ. The feature importance analysis highlighted that central and parietal electrodes were most influential in the neural representations for face recognition, with variations observed based on eye movement patterns, indicating a potential link between attention and decoding performance in face recognition tasks.
Discussion
In this study, the authors investigated the relationship between eye movement patterns and consistency during face recognition and their association with neural representation, as measured through EEG decoding. Utilizing eye movement analysis with Hidden Markov Models (EMHMM), two primary patterns were identified: eyes-focused and nose-focused. Results indicated that a more eye-focused pattern correlated with higher decoding accuracy in the high alpha band, suggesting enhanced quality of neural representation for face recognition. Conversely, higher consistency in eye movements was linked to shorter peak latency in decoding accuracy, indicating greater efficiency in the development of neural representations.
The findings underscore the distinct roles of eye movement behavior in face recognition processes. Specifically, eye movement patterns appear to influence the effectiveness of neural representations, while consistency reflects the efficiency of their development. The study also highlights the potential of EEG alpha band signals in understanding individual differences in face processing. These insights could inform practical applications, such as using eye tracking for early screening or personalized interventions for individuals with social cognition impairments. Overall, the research contributes to a nuanced understanding of the interplay between perceptual strategies and neural processing in face recognition.