小世界网络特性与太极云手动作的皮层反应：来自功能性近红外光谱（fNIRS）的研究洞察

《Complementary Therapies in Medicine》：Small-World Network Properties and Cortical Responses of Tai Chi Yunshou: Insights from fNIRS

通过功能近红外光谱（fNIRS）和图论分析（GTA），研究发现太极云手（Tai Chi Yunshou）的四个状态（静息、观察、想象、运动）均呈现小世界网络特性（γ>1，λ≈1），其中运动状态γ、λ、Cp、Eloc显著高于静息和观察状态（P<0.01），且λ和Cp高于想象状态（P<0.01）。运动状态下前额叶皮层（DLPFC）和前额极区（FA）的介数中心性和节点效率显著增强，表明多脑区协同增强。机器学习模型（梯度提升树优于随机森林和AdaBoost）可有效区分神经机制：运动状态体现更强的认知-运动整合，而观察和想象状态侧重于内部心理调控。

　　本研究通过功能性近红外光谱（fNIRS）技术，对太极拳云手（Tai Chi Yunshou）在四种状态下的时间域特征和功能网络属性进行了系统分析，以揭示其在心理调节与身心整合方面的神经机制。研究涉及100名健康参与者，并采用多种方法，包括脑网络属性分析、机器学习模型分类以及统计分析，旨在全面理解太极拳云手对大脑活动的影响。

太极拳作为一种融合了冥想、呼吸、全身拉伸、放松和缓慢肢体运动的独特身心锻炼方式，长期以来被认为对身体健康和认知功能具有积极影响。已有大量研究表明，太极拳可以增强身体功能、改善认知表现，并有助于提升自我控制能力和运动协调性。然而，尽管这些研究揭示了太极拳对大脑活动的某些影响，但大多数仍集中在激活分析上，缺乏对全局网络属性（如全局效率、富俱乐部现象、小世界特性等）和时间动态特征的深入探讨。因此，本研究试图填补这一空白，通过fNIRS技术对太极拳云手在四种状态下的脑功能网络变化进行系统分析。

根据模拟理论（Simulation Theory），动作观察、动作想象和动作执行依赖于一个共享的神经网络，即动作观察网络（AON）。这一理论认为，这些任务所激活的大脑网络主要位于初级运动皮层（M1）和次级运动区域，如运动前皮层（PMC）、补充运动区（SMA）和顶叶皮层。已有研究表明，在进行手势执行时，与观察或想象状态相比，氧合血红蛋白（oxy-Hb）水平在运动前皮层和感觉运动皮层（SM1）中显著升高，而后顶叶皮层（PPC）在执行和观察状态下均显示出相似的增加趋势，但在想象状态下则较低。这表明，不同状态下的大脑活动模式存在显著差异，尤其是在运动状态下，大脑的激活模式与静态状态（如观察和想象）有所不同。

本研究采用图论分析（GTA）来评估大脑网络的局部和全局属性。通过MATLAB和GRETNA工具箱，研究人员分析了不同状态下的功能连接矩阵，包括相关性（COR）、相干性（COH）和相位锁定值（PLV）。研究结果表明，这四种状态下的大脑功能网络均呈现出小世界特性（γ>1且λ≈1），表明大脑在处理全局和局部信息时具有较高的效率。此外，与休息和观察状态相比，运动状态下的γ、λ、Cp（聚类系数）和Eloc（局部效率）显著升高（P<0.01），而在与想象状态相比时，λ和Cp也表现出显著增长（P<0.01）。这些结果提示，太极拳云手的运动状态不仅增强了大脑网络的整合能力，还提高了局部信息处理的效率，这与太极拳强调身心协调的理论相吻合。

在运动状态下，研究人员还检测到了大脑网络中的高中心性节点（hubs），这些节点主要位于背外侧前额叶皮层（DLPFC）和前极区（FA）。这些区域在协调认知和运动功能方面发挥着关键作用，表明太极拳云手的运动状态促进了大脑不同区域之间的同步活动，从而提升了整体的神经协调能力。此外，研究还发现，不同状态下的大脑网络拓扑结构存在差异，运动状态下的大脑网络表现出更强的整合性和动态性，这可能反映了太极拳云手在促进身心整合方面的独特机制。

为了进一步区分心理调节（观察和想象状态）与身心整合（运动状态）的神经特征，研究人员采用了机器学习模型，包括随机森林、AdaBoost和梯度提升（Gradient Boosting）。这些模型通过分析提取的特征，能够有效地识别和分类不同的神经模式。结果显示，梯度提升算法在所有评估指标中均表现出最佳的分类性能，包括准确率、精确率、AUC（曲线下面积）和F1分数。与非特征选择模型相比，基于特征选择的梯度提升模型在分类性能上有所提升，进一步验证了特征选择在提升模型表现方面的重要性。

研究还发现，特征重要性分析表明，梯度提升模型中最重要的前十大特征主要涉及网络拓扑属性，如节点中心性（NE）和边中心性（BC），以及功能连接指标，如相关性（COR）、相干性（COH）和相位锁定值（PLV）。这些结果提示，太极拳云手在心理调节与身心整合之间的区别主要体现在整个大脑网络结构的重组和不同区域之间通信模式的变化，而非单一脑区的局部激活。因此，机器学习模型在识别这些复杂的神经模式方面具有不可替代的优势。

尽管本研究取得了重要进展，但仍存在一些局限性。首先，研究未与其他运动方式（如步行、瑜伽、有氧运动）进行比较，因此无法确定太极拳云手所表现出的网络变化是否具有独特性，还是仅仅是身体活动的一般特征。其次，研究主要关注了前额叶和运动皮层的血流变化，但未涉及时间顶叶联合区（TPJ）——这一区域在多感官整合中起着关键作用，处理视觉、触觉和空间信息。因此，未来的研究可以考虑扩展神经成像的覆盖范围，以更全面地评估太极拳云手对多感官网络的影响。此外，研究未评估自主神经系统指标（如心率变异性或皮肤电活动）和行为评估（如注意力网络测试或情绪状态量表），这些指标可能有助于更深入地理解身心互动的机制。因此，未来的研究应采用多模态方法，结合神经生理学、自主神经和行为测量，以更全面地揭示太极拳云手的神经机制。

综上所述，本研究通过fNIRS技术和机器学习方法，系统地分析了太极拳云手在四种状态下的大脑活动模式。结果显示，太极拳云手的运动状态显著增强了大脑网络的整合能力，并提高了局部信息处理的效率，这可能与其促进身心协调的特性密切相关。此外，机器学习模型在识别不同状态下的神经特征方面表现出色，尤其是梯度提升算法，其分类性能优于其他两种算法。这些发现不仅加深了我们对太极拳云手神经机制的理解，也为未来的神经科学研究提供了新的方法和思路。然而，研究仍存在一定的局限性，未来的工作应进一步扩展研究范围，以更全面地揭示太极拳云手对大脑网络的深远影响。