长时间认知任务中的大脑补偿机制：fNIRS和眼动追踪研究

茗创科技

于 2024-09-19 17:10:12 发布

阅读量2.1k

点赞数 12

文章标签： fnirs

本文链接：https://blog.csdn.net/u011661076/article/details/142365179

版权

摘要

在需要高度集中和高效完成关键任务的领域，如何在疲劳状态下维持认知表现是一个非常重要的问题。在这种情况下，帮助大脑克服疲劳的补偿机制研究就显得尤为重要。本研究探讨了生理、行为和主观测量之间的相关性，同时考虑了疲劳对工作记忆任务表现的影响。采用功能性近红外光谱(fNIRS)和眼动追踪相结合的方法，基于fNIRS数据重建大脑功能网络，并从全局聚类系数和全局效率等网络特征的角度进行分析。结果显示，主观疲劳显著增加，但实验期间的表现没有显著变化。研究证实，尽管存在疲劳，受试者仍可以通过补偿机制和增加心理努力来维持工作表现，而补偿水平取决于任务的复杂性。此外，补偿性努力有助于维持额顶网络的效率，而且这种补偿性努力的程度与高、低复杂性任务之间的反应时间差异有关。

引言

近年来，快节奏的生活方式和不断涌入的信息导致需要长时间集中精力和心理活动的任务持续时间增加。大脑对这些任务的适应起着至关重要的作用，这需要从基础和应用两个角度进行理解。众所周知，大脑网络系统在应对环境条件的改变时，会做出调整和适应，这种适应方式不仅仅体现在大脑的结构发生变化上，而且还表现为大脑的功能网络发生改变。

大脑的这种适应性主要通过其模块化结构来实现，这使得大脑能够在分离和整合信息加工状态之间动态切换。大脑在分离和整合模式之间的切换是认知适应和抵抗疲劳的关键。分离模式允许大脑特定区域进行专门化处理，而整合模式则促进不同区域之间的通信。这种动态平衡支持大脑高效分配资源、适应任务需求，并通过优化功能连接模式来减少认知疲劳。

因此，疲劳在大脑适应机制中扮演着重要角色，它作为一种生理指标，提醒身体和大脑需要休息以防止因过度劳累造成的损害。不幸的是，在许多日常情况下，我们常常需要抑制这一系统来补偿由于疲劳而导致的性能下降。

在疲劳的背景下，补偿性努力是指为克服或减轻疲劳影响所采取的策略或行动。例如，有研究探讨了在压力和高工作负荷下调节人类表现时的补偿性努力。所提出的补偿控制模型表明，在压力和疲劳的情况下，可以通过调动额外资源来维持表现，但这会以增加主观努力以及行为和生理成本为代价。

Nakagawa等人(2013)的研究旨在利用功能磁共振成像(fMRI)技术在视觉-听觉注意分散任务中分离补偿性努力对神经血管需求的影响。研究结果表明，在疲劳状态下，复杂任务中的补偿性努力比简单任务中更为显著。Wang等人(2016)研究了在长期持续执行认知控制任务背景下的补偿性大脑活动。结果发现，前额叶大脑活动可以补偿疲劳导致的任务网络功能损害。

尽管已有大量研究，但补偿性大脑活动的机制仍然难以捉摸。特别是，补偿机制对记忆的影响还有待深入研究。本研究采用了Sternberg工作记忆范式，参与者在一段较长的时间内执行该任务。需要注意的是，Sternberg工作记忆测试主要侧重于考察言语工作记忆，特别是语音环路。此外，屏幕上同时显示多个字符可能会激活视觉空间工作记忆。因此，该测试可以有效地评估中央执行系统在工作记忆中管理信息和任务的整体能力。因此，Sternberg工作记忆测试使我们能够全面评估工作记忆表现，本研究认为它特别适用于研究精神疲劳和补偿努力在这一领域的影响。

为了全面研究补偿机制，本研究在实验过程中监测了参与者的多模态数据。使用功能性近红外光谱(fNIRS)记录大脑的血流动力学反应，使用眼动仪追踪眼球运动轨迹，以及记录主观评估和行为特征。注意，眼动追踪提供了关于注视方向和对特定刺激的注视持续时间的信息，这可以揭示视觉注意和感知的关键方面。另一方面，fNIRS反映了脑血流量和氧合水平的变化，这些变化是特定脑区神经活动的指标。通过结合这两种技术，我们可以研究特定大脑区域的神经活动如何与认知任务中的视觉注意和感知相关联。这有助于我们深入了解这些过程背后的神经机制。此外，同时使用眼动追踪和fNIRS研究认知过程，可以为神经活动与行为之间的关系提供新的见解。

材料与方法

参与者

共14名健康受试者(9名男性和5名女性)参加了本次实验，年龄在18至22岁之间，视力正常或矫正至正常。所有受试者在实验前均签署了书面知情同意。所有参与者了解了实验任务，并有机会提问和获得回答。实验研究遵循《赫尔辛基宣言》，并获得了Innopolis大学当地研究伦理委员会的批准。

主观测试

本研究采用多维疲劳量表(MFI-20)进行全面的主观疲劳评估。该量表共20个条目，包括五个维度：一般疲劳、身体疲劳、精神疲劳、动机降低和活动减少。各条目的得分由1分(完全符合)到5分(完全不符合)不等。本研究使用了原始NASA任务负荷指数(Raw NASA-TLX)来估计实验任务引起的负荷。该测试评估以下因素：心理需求、身体需求、时间需求、挫折感、努力程度和表现。需要注意的是，Raw NASA-TLX是NASA-TLX的修改版，它完全省略了结果的加权过程。

使用视觉模拟量表(VAS)来评估受试者在完成实验任务时的主观疲劳程度。VAS是一种对疲劳进行视觉主观评估的快速测试方法。测试过程如下：屏幕上显示一个“疲劳程度”刻度，刻度标签从“低”到“高”，受试者需要使用鼠标移动滑块，以反映当前的疲劳程度。

实验任务

实验采用Sternberg工作记忆任务作为主要任务。在Sternberg工作记忆任务中，受试者被要求记住一组字母。随后，他们会看到一个单独的字母，并需要判断这个字母是否属于最初的字母组。为了确保受试者记住的是字母的语义意义而不是其视觉形象，字母以小写形式呈现。实验任务如图1a所示。每个试次开始时，会在黑色背景上呈现一个白色十字注视点，持续1.5-2.5s。然后，呈现一个包含7个符号的刺激，其中7个符号中有2个用大写西里尔字母(Cyrillic)表示，其余符号用星号(*)表示。一组字母呈现时间为1.5-2.5s，受试者需要记住所有呈现的字母。然后显示3-7s的空屏，之后显示一个小写字母。要求受试者判断该字母是否出现在最初的字母组中，并做出回答。回答的时间间隔为4s，其中包括2s的字母呈现时间和2s的空屏时间。

实验程序

本研究在一个分辨率为1920×1080像素，刷新率为60Hz的24英寸显示器(52.1cm×29.3cm)上演示任务(图1c)。受试者的眼睛与显示器之间的距离约为0.8m，视角约为0.37 rad。实验期间，受试者坐在专为神经生理实验设计的“CE-1”椅子(Neurobotics，Russia)上。用于刺激呈现的显示器放置在受试者眼前的桌子上，并使用操纵杆来记录对刺激的反应(图1c)。

图1.a.实验任务示意图。b.实验的总体设计。c.实验装置示意图。d.本研究中使用的fNIRS光探头布置方案。

在实验开始时，本研究使用MFI-20测试综合评估了受试者的基线疲劳水平。随后，受试者完成了实验的主要部分。然后，使用Raw NASA-TLX评估了任务引发的工作负荷，并使用MFI-20评估受试者的疲劳程度。

实验的主要部分包含四个相同的block(见图1b中的block 1-4)。每个block包含72个任务试次：每种字母数量(从2到7)重复12次。在这12次重复中，6个任务试次包含目标字母，6个任务试次不包含。任务试次的呈现顺序对每个受试者都是随机的。在每个block之前和之后，使用VAS评估当前的疲劳水平。

将任务分为两种复杂度等级：低复杂度(2到3个字母)和高复杂度(6到7个字母)。本研究分析了不同复杂度等级下的表现和反应时间。在这里，任务表现是指正确回答的比例，而反应时间是从测试字母呈现到回答的平均时间。需要注意的是，本研究只使用了正确的回答来计算反应时间。此外，本研究还分析了高复杂度任务和低复杂度任务之间的反应时差异（DRT）。

fNIRS分析

使用NIRScout设备(Germany)记录血流动力学信号。NIRScout系统的分辨率为7.8125Hz，由8个光源和8个探测器组成，放置在受试者的额叶和顶叶皮层，如图1d所示。每对“光源-探测器”之间的距离约为3cm，形成一个fNIRS通道。本研究使用了16个fNIRS通道。通道1到9覆盖顶叶(包括体感联合皮层、缘上回和角回)，部分涉及颞中回。通道10到16覆盖颗粒状的额回(背外侧前额叶皮层，DLPFC)和额中回(包括额眼区)。为了使通道与这些脑区对齐，本研究使用了Brainnetome Atlas(https://atlas.brainnetome.org/)。

本研究使用了专门的NIRx软件进行fNIRS数据采集和预处理。众所周知，fNIRS实验数据会受到各种生理噪声和伪影的影响，如Mayer波(约0.1Hz)、呼吸(约0.25Hz)和心跳(约1Hz)。对fNIRS信号进行0.04-0.07Hz的带通滤波，以去除生理噪声并选择感兴趣的频率范围。需要注意的是，这个范围位于大脑功能连接研究中经常分析的频率范围内。对原始fNIRS数据进行滤波后，使用修正的比尔-朗伯定律计算总血红蛋白(totHb)浓度的变化。为了确定大脑功能连接，本研究分别计算了每个block中每对totHb信号的Pearson相关系数rij(i和j为通道编号)。然后，对额叶(rF)、顶叶(rP)区域以及它们之间的相关系数(rFP)进行平均：

参数NF=21、NP=36和NFP=63分别表示额区、顶区以及额区与顶区之间的相关系数数量。

为了表征实验过程中额顶网络的变化，本研究分别计算了功能整合和分隔的网络指标，例如全局效率和全局聚类系数。这些计算基于对相关矩阵的分析，该矩阵概括了所有通道之间的相互作用，具体表现为一个16×16的矩阵。本研究使用Matlab的大脑连接工具箱来计算这些指标。

眼动数据分析

本研究使用了EyeLink 1000 Plus(Canada)，这是科学研究中最流行和最准确的眼动仪之一，它能够以1000Hz的频率跟踪注视点。对于注视点的检测，本研究使用了Engbert等人(2003)中提出的基于速度的算法，参数λ设置为15，并采用窗口大小为3的移动平均平滑方法。参数λ指定了应使用速度分布标准差的多少倍作为检测阈值。此外，将最短注视持续时间阈值设置为40ms。

本研究分析使用了block平均注视时间，并考虑中等注视占总注视数的比例。这里的中等注视指的是持续时间在150-900ms之间的注视。有研究表明，中等注视与认知信息加工有关，反映了高级认知过程。本研究使用的另一个特征是实验期间block平均瞳孔大小的动态变化。为了最小化被试间的差异，本研究通过比较所有block的瞳孔大小(PS)和实验主要部分开始前60s的瞳孔大小(PSbaseline)来对瞳孔大小(NPS)进行标准化：NPS=(PS−PSbaseline)/PSbaseline。

统计分析

组水平的主效应采用重复测量方差分析(ANOVA)进行评估，效应大小使用偏η方(ηn2)进行估计。事后分析采用配对样本t检验，效应大小使用Hedges’g估计。采用Wilcoxon符号秩检验评估实验任务引起的疲劳变化，该疲劳通过多维问卷MFI-20测量，并用秩双列相关(RBC)估计效应量。使用Shapiro-Wilk进行正态性检验。采用重复测量相关分析实验期间所有特征变化对的组水平相关性。本研究还使用Spearman相关性分析来探索MFI-20与行为结果之间的关系。选择Spearman相关性分析是因为它对数据分布的正态性不敏感，更适合调查连续变量和离散变量之间的关系。相关性的显著性阈值设定为p＜0.05。本研究使用了多个开源统计包(如Pingouin、SciPy和Statsmodels)进行统计分析。

结果

主观评估结果

主观评估结果如图2所示。MFI-20结果表明，执行任务后的一般疲劳水平增加(图2a)。本研究对所有测试维度的疲劳水平变化以及总分进行了统计评估。结果发现，一般疲劳(pcorr=0.0087，RBC=1；pcorr使用Bonferroni进行多重比较校正，每个维度及总分进行六次比较)和总分(pcorr=0.0051，RBC=0.92)均显著增加。一般疲劳的中位值从8增加到14。值得注意的是，在开始执行任务之前，参与者在MFI-20的所有维度上得分都较低，这表明没有受试者存在任何类型的疲乏。此外，实验期间主观疲劳显著增加(表1和图2b)。根据Raw NASA TLX，本研究发现任务表现是导致疲劳增加的主要原因(图2c)。

图2.主观评估结果。

行为数据

执行任务的主要结果如图3所示。研究发现，任务的表现和反应时间取决于任务的复杂性：高复杂度任务的表现低于低复杂度任务，而高复杂度任务的反应时间高于低复杂度任务。同时，本研究发现，实验过程中的任务表现或反应时间没有发生显著变化。然而，在实验过程中，高复杂度和低复杂度任务之间的反应差异有所减少(表1)。

图3.行为数据的结果。

表1.方差分析总结。

注视和瞳孔大小

关于眼动注视和瞳孔大小的结果如图4所示。结果发现，在任务执行过程中，注视持续时间、中等注视比例以及标准化瞳孔大小均呈下降趋势。注视持续时间的变化最为明显。可以清楚地看到，除了第一个和第二个block之间的差异不明显外，实验中的所有block之间都观察到显著的变化(图4a)。中等注视比例的下降不太明显，仅在第一个和第四个block之间观察到显著变化(图4b)。在事后分析中，未发现标准化瞳孔大小的显著变化。然而，在未经校正的统计水平下，第一个block与所有其他block之间存在显著差异(图4c)。

图4.任务执行过程中注视和瞳孔大小的动态变化。

连通性分析

在任务执行过程中，顶叶区域内以及额叶与顶叶区域之间的功能连接显著减少(图5a和b)。在第一个block与第四个block之间以及第一个block与第三个block之间，观察到顶叶区域内的连接显著减少。同时，额叶与顶叶之间的连接仅在第一个block与第四个block之间存在差异。本研究没有发现额叶区域内的显著变化。从全局聚类系数和全局效率等网络指标的角度对额顶网络进行分析，发现这些指标在任务执行过程中也显著降低(图5c和d)。事后分析发现，皮层网络的全局聚类系数在第一个block与第四个block之间存在显著变化。然而，大脑皮层网络的全局效率没有发生显著变化。

图5.连通性分析结果。