视觉流调控稳态跑步机行走时的皮层电活动：虚拟现实与脑电图研究揭示的神经机制

本研究通过虚拟现实(VR)结合脑电图(EEG)技术，探讨了视觉流(Optic Flow)在跑步机行走过程中对大脑皮层活动的调节作用。研究发现，在theta、alpha和beta频段，视觉流可特异性调节感觉运动区、顶叶及顶枕区的电活动，尤其在顶枕区theta功率显著增强。该研究为理解自然环境中行走的神经调控机制提供了新见解，对神经系统疾病康复具有重要参考价值。

　　

在复杂环境中安全行走需要整合多感官信息，其中视觉流（Optic Flow）——即个体移动时产生的全局视觉运动模式——对控制行走速度和方向至关重要。然而，传统的神经影像研究多局限于静态条件下的视觉处理，或在无视觉流的跑步机行走中考察运动控制，未能真实反映自然行走中视觉与运动的整合机制。这种局限性使得人们难以全面理解大脑如何在动态环境中处理视觉流信息以指导 locomotion（移动）。

为填补这一知识空白，Marco A. Bühler 等人在《Behavioural Brain Research》上发表研究，通过结合虚拟现实（VR）和 high-density electroencephalography（EEG，脑电图）技术，首次在受控的跑步机行走任务中直接比较了有无视觉流条件下的皮层活动差异。研究招募24名健康年轻参与者，在VR环境中完成站立（S）、无视觉流行走（NF）和有视觉流行走（OF）任务，使用64通道EEG系统记录数据，并通过独立成分分析（ICA）和源定位方法解析出与感觉运动、顶叶和顶枕区（V6）相关的皮层活动。

研究采用的关键技术包括：

1. 1.

   虚拟现实环境构建：使用Unity引擎设计无限走廊场景，通过纹理差异（蜂窝纹理vs无纹理）操控视觉流条件；

2. 2.

   移动EEG数据采集：使用actiCAP系统记录 electrocortical activity（皮层电活动），并通过 BeMoBIL Pipeline 进行预处理和 artifact 去除；

3. 3.

   独立成分分析（ICA）与聚类：采用AMICA算法分解数据，并通过 dipole fitting（偶极子拟合）定位到特定脑区（如初级运动皮层、顶叶和V6区）；

4. 4.

   频段功率分析：计算theta（4–7 Hz）、alpha（8–12 Hz）和beta（13–30 Hz）频段的功率谱密度（PSD），使用广义估计方程（GEE）进行统计比较。

研究结果

4.1. 感觉运动区调制

• •

  Alpha去同步化：与站立相比，两种行走条件均引起双侧感觉运动皮层alpha功率显著下降（p < 0.01），但OF与NF之间无显著差异。

• •

  Beta调制：仅右侧感觉运动皮层在OF条件下显示beta功率下降（vs S: Δ = 0.98 dB; vs NF: Δ = 0.50 dB），左侧未出现显著变化。

  结论：感觉运动区alpha抑制主要与运动执行相关，而对视觉流的敏感性较弱，提示该区域更多参与基础运动控制而非视觉整合。

4.2. 顶叶与枕叶调制

• •

  顶叶区：Alpha功率在行走条件下均下降（p < 0.05），但OF与NF无显著差异；Beta功率在OF条件下显著低于NF（Δ = 0.76 dB, p < 0.01），表明视觉流增强了顶叶的感官整合处理。

• •

  顶枕区（V6）：

  • •

    Theta同步化：OF条件下theta功率显著高于S和NF条件（Δ = 1.36–1.59 dB, p < 0.01），提示视觉流处理涉及特定theta频段活动；

  • •

    Alpha去同步化：OF引起alpha功率显著下降（vs NF: Δ = 1.97 dB, p < 0.05），反映视觉处理增强；

  • •

    Beta调制：OF条件下beta功率下降，但高频段（25–30 Hz）可能受肌电 artifact 影响。

    结论：顶枕区对视觉流表现出高度特异性响应，theta同步化可能与视觉空间注意力调节相关，而alpha/beta去同步化标志视觉信息处理增强。

讨论与意义

本研究首次系统揭示了视觉流在行走过程中对多个皮层区域的频段特异性调节：

1. 1.

   感觉运动区的alpha去同步化主要响应运动执行，与既往研究一致，但其对视觉流的敏感性较低，凸显该区域在运动控制中的核心作用；

2. 2.

   顶叶区的beta去同步化在视觉流条件下增强，支持其作为多感官整合枢纽的角色；

3. 3.

   顶枕区（V6） 的theta同步化和alpha去同步化表明，该区域特异性参与视觉流分解与处理，为fMRI研究发现的V6在视觉运动处理中的功能提供了电生理证据。

这些发现不仅深化了对自然行走中视觉-运动整合机制的理解，也为临床康复提供了新思路：例如，神经系统疾病患者（如脑卒中或帕金森病）可能存在视觉流处理障碍，针对性的VR康复训练或许可通过调节特定皮层活动改善行走功能。此外，本研究建立的VR-EEG范式为未来研究真实环境中的感官-运动交互提供了可靠方法。

然而，研究也存在一定局限性：如未探索视觉流强度或质量的影响、高频段（如gamma）活动未分析、以及VR与真实环境的差异等。未来工作可进一步细化视觉参数，并考察临床人群的神经响应差异，以推动转化应用。