使用fNIRS和深度学习为中国幼年学习者建立的阅读困难早期检测框架

为何及早发现阅读困难很重要

学会阅读是小学生获得的最重要技能之一，但许多儿童在课堂测验中并不容易被察觉地遇到困难。当阅读问题变得显而易见时，最佳干预时机可能已经过去。该研究提出了一种新方法，通过在儿童完成简单任务时静静观察其大脑运作，并用先进的计算模型解读这些模式，从而检测哪些中国幼年学习者存在阅读困难风险。

更深入地观察隐藏的阅读挑战

阅读困难，通常称为发展性阅读障碍，影响着全球相当一部分儿童。这些儿童在识字、阅读流畅性和理解方面持续存在困难，即使他们的智力和受教育程度正常。在以字符为书写单位的中文中，明确符合阅读障碍医学定义的儿童比例估计为4–7%，但教师报告指出更多儿童的表现徘徊在年级期望之下。他们可能不符合严格的医学定义，却在识别和书写国家课程要求的汉字方面落后。尽早识别这一更广泛的“有风险”人群至关重要，以便在挫败感和失败根深蒂固之前就开始提供支持。

无需手术地“倾听”大脑

研究者使用功能性近红外光谱（fNIRS），这是一种非侵入性的方法，通过光来跟踪大脑中血氧的变化。儿童戴着一个装有光源和探测器的舒适帽子，设备记录他们在完成任务时大脑不同皮层区域的活动情况。在本研究中，30名二年级学生（其中16名被教师标记为存在边缘性阅读问题，14名为典型阅读学生）在佩戴帽子时完成了两类任务。一类是视觉测试，要求他们识别并从外观相似的汉字和英文单词中挑选正确项；另一类是听觉测试，要求判断两段语音是否相同或不同。同时，该年级的全部150名学生完成了一项纸笔拼音（基于语音的标注）书写测试，证实了被判定为有风险的群体在语言基础能力上确实表现较差。

教会智能模型识别大脑模式

原始fNIRS数据很嘈杂：它们是长时间序列，显示头部多个位置上血氧的微小变化。传统统计工具难以处理如此复杂的信号。研究团队构建了一个新的深度学习模型，称为RD-risk Classifier（RDr-C），专门用于处理这类数据。首先，一个基于图的模块考察相邻传感器之间的空间关系，模拟大脑的网络结构。接着，双向时间序列模块跟踪数百个时间点上活动的前向与后向演变。最后，注意力模块学习信号中哪些时刻包含最有用的线索。三部分共同形成一个管道，能够自动发现区分有风险儿童与同龄人的模式，而无需手工制定规则。

惊人准确的早期预警信号

当模型在不同数据划分上反复训练和测试时，它几乎每次都能正确区分有风险和典型儿童，视觉与听觉任务的准确率均约为99–100%。即使在更严格的留一法测试中——用除一名儿童外的全部数据训练再预测被留下的儿童——模型仍接近90%的准确率。相比之下，包括标准神经网络和两个专门的fNIRS分类器在内的竞争模型表现明显较差。模型所学习特征的可视化显示两组数据形成两个紧密且分离良好的簇，这表明有风险儿童的大脑信号确实携带一种独特的特征，即便他们在任务中的行为与同学相比并无显著差异。

大脑揭示的微妙阅读风险

为了探究模型所学内容，研究者有系统地打乱不同脑区的数据，观察预测性能的下降程度。这突出了与精细手指运动相关的特定区域尤为重要。详细的时频分析显示，在视觉负荷较高的任务期间，典型儿童在该区域呈现有序、节律性的模式，符合在指点或按键时平滑的感觉运动控制。相比之下，有风险儿童表现出更不规则的活动，暗示这是一种情境依赖的协调问题，而非普遍性的运动缺陷。值得注意的是，在听觉任务中这一差异明显减弱，强化了某些大脑协调问题主要在视觉密集的类似阅读任务中才会显现的观点。

迈向课堂中基于大脑的干预

简言之，这项工作表明，一些看上去只是稍微落后的幼年阅读者，在视觉、运动与注意力协同工作时，其大脑已经显示出清晰可测的差异。通过将安全的脑成像与定制的深度学习模型结合，研究者创建了一个高度精确的早期预警工具，未来可能帮助教师和临床医生比现有方法更早几年识别出有风险的学生。尽管该研究规模尚小，系统需要在更大、更多样化的人群中进行测试——并可能与其他测量方法（如手写或眼动追踪）结合——但它指向了这样一种未来：通过静听大脑工作而非仅凭考试分数，就能发现微妙的学习风险。

引用: Yang, P., Duan, Y., Wang, L. et al. An early detection framework for young Chinese learners at risk of reading difficulty using fNIRS and deep learning. Sci Rep 16, 14104 (2026). https://doi.org/10.1038/s41598-026-44379-7

关键词: 阅读困难, 阅读障碍, 脑成像, 深度学习, 儿童识字