数据驱动的静息态功能磁共振成像研究中与问题性智能手机使用相关的功能连接神经可塑性变化
《iScience》:Neuroplastic changes in functional connectivity associated with problematic smartphone use in a data-driven rs-fMRI study
【字体:
大
中
小
】
时间:2026年10月23日
来源:iScience 4.5
编辑推荐:
**亮点**• 客观测量的屏幕使用时间(OMST)和问题性智能手机使用(PSU)均得到了评估 • 采用数据驱动的多元模式分析来评估功能脑网络 • OMST与脑连接性无关 • PSU与额顶网络、边缘系统及默认模式网络呈现相关性
**摘要** 既往研究揭示了问题性智能手机使用(
**亮点**• 客观测量的屏幕使用时间(OMST)和问题性智能手机使用(PSU)均得到了评估 • 采用数据驱动的多元模式分析来评估功能脑网络 • OMST与脑连接性无关 • PSU与额顶网络、边缘系统及默认模式网络呈现相关性
**摘要** 既往研究揭示了问题性智能手机使用(PSU)中存在异常的功能连接,但多数研究采用自我报告数据来评估PSU。因此,在本研究中,我们利用数据驱动的多元模式分析,探讨了与PSU及客观测量的智能手机屏幕使用时间(OMST)相关的功能连接性(FC)神经可塑性变化。根据研究结果,OMST对FC没有直接影响,但躯体运动网络与额顶网络之间的功能连接与PSU呈负相关,而躯体运动网络与边缘网络之间的连接与PSU呈正相关。此外,默认模式网络与边缘系统之间的功能连接与PSU呈负相关,默认模式网络与躯体运动网络之间的连接也与PSU呈负相关。基于我们的发现,PSU可能会损害更高层次的脑网络功能,尽管未来仍亟需研究来确定哪些特定的客观测量屏幕时间活动可能影响脑功能。
**引言** 智能手机渗透到我们生活的方方面面,我们用它来社交、工作、购物和娱乐。这一重大影响力也很好地体现在以下事实中:2023年,全球近70%的人口是活跃的智能手机用户,且这一比例持续上升。然而,过度且不受控制的智能手机使用可能导致一种新的行为障碍——问题性智能手机使用(PSU),其特征表现为成瘾障碍。多项行为学和磁共振成像(MRI)研究将PSU视为对心理健康的潜在威胁,这些调查发现PSU导致社会认知、情绪调节和认知功能发生异常(例如执行功能和注意力控制受损、决策能力下降及语言处理改变)。静息态功能性磁共振成像(rs-fMRI)是推进我们理解大脑复杂功能组织和神经生理过程的最广泛应用技术之一。该方法能够识别静息状态下脑区之间的功能连接,从而反映来自不同脑区的脑功能整合网络。研究发现,PSU中多个网络发生异常。突显网络(SN)——负责注意力和认知资源分配——与自我参照的默认模式网络(DMN)之间的功能连接与PSU相关。进一步的发现包括行为调节中央执行网络与突显网络之间的功能连接降低,以及默认模式网络与躯体运动网络区域之间连接的改变。抑郁症状与海马旁回-颞中回功能连接的改变相关,而额-纹状体功能连接受损和伏隔核-扣带回功能连接增加则与PSU中增强奖赏敏感性相关。最后,PSU中还发现了语言网络和额顶网络(FPN)内部网络连接性的改变。这些发现提示了PSU多样化且复杂的神经功能基础,但数据采集和分析方法的异质性使我们对这些发现进行比较和泛化变得困难。既往PSU研究主要采用基于先验种子的模型化rs-fMRI分析,仅有一项先行研究使用了无模型的独立成分分析。此外,使用不同的自我报告问卷来评估PSU严重程度也使rs-fMRI结果难以比较,因为评估工具的特征和截断分值的任意性可能会对PSU的患病率和性质产生重大影响。不同的量表往往侧重于PSU的不同方面,如主要症状或PSU对日常整体功能的影响。此外,一些rs-fMRI研究基于自我报告的智能手机屏幕使用时间来调查智能手机使用的一般时长。这可能存在问题,因为参与者通常无法准确估计自己的屏幕使用时间,这导致PSU相关的fMRI发现和由此得出的结论存在不准确性。正如Montag和Becker在其综述中所建议的,通过进行更多考察客观追踪智能手机数据与脑功能之间关联的研究,可以为PSU的神经科学研究增加另一个视角。然而,截至目前,尚无此类rs-fMRI研究。鉴于此,本研究的主要目标在于克服前述方法学上的不准确性。遵循Montag和Becker的建议,我们使用客观测量的屏幕时间数据来增进对智能手机使用对FC影响的理解。此外,PSU严重程度通过来自两个不同自我报告问卷的综合评分进行评估,涵盖症状特征(如渴求和戒断)以及PSU对日常整体功能的影响。最后,为评估rs-fMRI数据,我们采用数据驱动、无模型分析方法(多体素模式分析,MVPA)而非模型化分析方法。该方法能够搜索可重复的神经波动的空间模式,并解码不同状态(如PSU)的神经背景。数据驱动的rs-fMRI方法为假设驱动的基于种子的分析提供了重要补充,因为它不需要先验地指定种子区域或网络边界。这种方法尤其具有优势,因为PSU的神经机制尚未得到充分确立,且既往研究使用了异质性的评估方法。由于数据驱动方法(包括MVPA)能够捕捉全脑连接模式并同时识别多个静息态网络,它们可能揭示出由限于预定义感兴趣区的分析所错过的意外或空间扩展的网络改变。然而,数据驱动的结果需要谨慎解读和独立验证,因为结果可能取决于降维及其他分析参数的选择。
**结果**
**描述性统计** 人口学变量和问卷的描述性统计数据见表1。如预期所示,PSU(综合评分)与原始工具(简版智能手机成瘾量表[BASS]和匈牙利智能手机剥夺量表[HSDI])呈强正相关;贝克抑郁量表(BDI)与所有问卷评分呈正相关,而OMST(图1)与其他变量无关联。
**图1** 每周智能手机屏幕时间的客观测量
**变量** | **N** | **均值** | **标准差** | **1** | **2** | **3** | **4**
---|---|---|---|---|---|---|---
性别(男性) | 63(23) | | | | | |
年龄 | | 24.3 | 3.8 | 1 | | |
1. 贝克抑郁量表 | | 6.3 | 5.4 | | 2 | | |
2. 简版智能手机成瘾量表 | | 17.8 | 4.9 | 0.259* | | 3 | |
3. 智能手机剥夺量表 | | 16.4 | 8.2 | 0.481** | 0.357** | | 4 |
4. 问题性智能手机使用 | | 17.1 | 5.6 | 0.456** | 0.684** | 0.899** | |
5. 客观测量的屏幕时间(分钟/天) | | 266.9 | 119.8 | 0.077 | 0.159 | 0.001 | 0.036
**表1** 样本的人口学和问卷数据。展示的是Spearman等级相关系数(rho)。* p < 0.05, ** p < 0.01。
**PSU与脑功能连接的关系** MVPA分析揭示了四个显著聚类,包括右侧海马和杏仁核(MVPA1)、左侧海马和杏仁核(MVPA2)、右侧中央前回(MVPA3)以及左侧中央后回(MVPA4;见图2和表2)。MVPA1和MVPA2中的区域被认为是边缘网络的一部分,而MVPA3和MVPA4中的脑区被鉴定为躯体运动网络的一部分。所有聚类均与PSU相关。
**图2** 与问题性智能手机使用相关且通过Bonferroni校正的脑功能连接模式(n = 63)
MVPA种皮区域以绿色显示。红-黄色条表示MVPA种子区域与静息脑体素之间的正相关,蓝色-浅蓝色条表示负相关。以放射学惯例显示轴向切面。p值经FDR校正后,MVPA分析为聚类水平p < 0.001,基于种子的分析为p < 0.01。
**聚类名称** | **位置(AAL)** | **网络** | **k(体素数)** | **p(FDR校正后)** | **聚类坐标(MNI)** | **网络功能**
---|---|---|---|---|---|---
MVPA1 | 海马/杏仁核 右侧 | 边缘网络 | 130 | <0.000001 | +26 ?14 ?20 | 情感与动机加工、奖赏估值、情绪-认知交互以及记忆相关加工
MVPA2 | 海马/杏仁核 左侧 | 边缘网络 | 590 | 0.000243 | ?22 ?16 ?20 | | | | | | |
MVPA3 | 中央前回 右侧 | SMN(躯体运动网络) | 139 | <0.000001 | +0 4 ?20 +76 | 感觉运动整合、躯体感觉加工以及运动规划/执行
MVPA4 | 中央后回 左侧 | SMN | 460 | 0.000081 | ?54 ?10 +28 | | | | | | |
MVPA,多元模式分析;AAL图谱,自动解剖学标注;k,聚类体素数;MNI,蒙特利尔神经病学研究所;SMN,躯体运动网络。p值(FDR校正至聚类水平 p < 0.001,并校正贝克抑郁量表和客观测量的屏幕时间)。
以MVPA1作为种子时,种子-体素分析显示,PSU与左右中央后回、双侧中央前回以及右侧顶下小叶——均属于躯体运动网络——呈正相关。此外,在属于默认模式网络的左侧颞角和顶下回区域发现了负相关(表3)。
**种子区域** | **峰值坐标(MNI)** | **位置(AAL)** | **网络** | **k** | **p(FWE校正后)** | **网络功能**
---|---|---|---|---|---|---
种子:MVPA1 海马/杏仁核 右侧(边缘网络) | ?38 ?34 +64 | 中央后回 左侧 | | | |
| | 中央前回 双侧 | SMN | 735 | <0.000001a | 感觉运动整合、躯体感觉加工以及运动规划/执行
| +34 ?36 +70 | 中央后回 右侧 / 顶下小叶 右侧 | SMN | 635 | <0.000001a | 感觉运动整合、躯体感觉加工以及运动规划/执行
| ?46 ?54 +42 | 颞角 左侧 / 顶下回后部 左侧 | DMN | 980 | 0.000066a | 自我参照和内部导向认知、自传体记忆、未来模拟及白日梦
| +40 ?66 ?42 | 小脑 Crus2 右侧 | 小脑 | 670 | 0.000902a | 运动协调和计时,并通过脑-小脑回路对认知和情感调节有额外贡献
种子:MVPA2 海马/杏仁核 左侧(边缘网络) | +32 ?40 +72 | 中央后回 右侧 / 顶下小叶 右侧 | SMN | 1230 | 0.000006a | 感觉运动整合、躯体感觉加工以及运动规划/执行
| ?56 ?08 +14 | 中央后回 左侧 / 岛叶中央回 左侧 / 中央前回 左侧 | SMN | 760 | 0.000288a | | |
| ?44 ?64 +06 | 外侧枕叶皮层下部分 左侧 / 颞中回 左侧(颞枕部) | 视觉 | 530 | 0.002569 | 基本和高级视觉感知、视觉空间加工以及物体/场景分析
种子:MVPA3 中央前回 右侧(SMN) | +64 ?42 +38 | 顶下回后部 右侧 / 顶下回前部 右侧 | FPN | 213 | <0.000001a | 灵活认知控制、工作记忆、目标导向注意以及任务集维持
| +22 ?12 ?22 | 海马 右侧 / 海马旁回前部 右侧 | 边缘网络 | 133 | 0.000008a | 情感与动机加工、奖赏估值、情绪-认知交互以及记忆相关加工
| +00 ?20 +28 | 扣带回后部 | FPN | 940 | 0.000134a | 灵活认知控制、工作记忆、目标导向注意以及任务集维持
| +36 +32 +38 | 额极 右侧 / 额中回 右侧 | FPN | 830 | 0.000319a | | |
| ?10 ?68 +38 | 楔前叶 | FPN | 700 | 0.000937a | | |
| ?56 ?34 +38 | 顶下回前部 左侧 | VAN(腹侧注意网络) | 570 | 0.002945 | 检测行为相关或意外刺激以及刺激驱动的注意重新定向
| +42 ?44 ?34 | 小脑 Crus1 右侧 / 小脑6区 右侧 | 小脑 | 570 | 0.002945 | 运动协调和计时,并通过脑-小脑回路对认知和情感调节有额外贡献
| ?44 ?30 +64 | 中央后回 左侧 | SMN | 570 | 0.002945 | 感觉运动整合、躯体感觉加工以及运动规划/执行
种子:MVPA4 中央后回 左侧(SMN) | ?38 ?66 ?40 | 小脑 Crus2 左侧 | 小脑 | 640 | 0.001285a | 运动协调和计时,并通过脑-小脑回路对认知和情感调节有额外贡献
| ?16 +54 +20 | 额极 左侧 | DMN | 540 | 0.003252 | 自我参照和内部导向认知、自传体记忆、未来模拟及白日梦
**表3** 与问题性智能手机使用相关的种子区域(见表2报告)的功能连接结果。AAL图谱:自动解剖学标注。k:聚类体素数。MNI:蒙特利尔神经病学研究所。MVPA:多元模式分析。SMN:躯体运动网络,DMN:默认模式网络,FPN:额顶网络,VAN:腹侧注意网络。p值(FWE校正至聚类水平 p < 0.01,并校正贝克抑郁量表和客观测量的屏幕时间)。+/?表示PSU与功能连接之间的正向和反向关联。a 通过Bonferroni校正(p < 0.01/4)。
以MVPA2作为种子区域时,种子-体素分析显示,PSU与左右中央后回、左侧岛叶中央回、左侧中央前回以及右侧顶下小叶——均属于躯体运动网络——呈正相关。
以MVPA3作为种子时,种子-体素分析显示,PSU与右侧海马和右侧海马旁回——属于边缘网络——呈正相关。此外,在右侧顶下回、后扣带回、右侧额极、右侧额中回以及楔前叶——均属于额顶网络——发现了负相关。
以MVPA4作为种子时,在小脑发现了负相关。其他脑区未能通过Bonferroni校正。OMST与任何MVPA种子之间均无显著关系。
**讨论** 在本研究中,我们探讨了与PSU和OMST相关的FC神经可塑性变化。在缺乏一致的、可重复的先验知识的情况下,我们决定使用数据驱动的多元模式分析方法探索潜在种子区域,并通过种子-体素分析揭示与PSU和OMST相关的相关性改变。根据研究结果,OMST与FC无关;然而,PSU与多个网络间FC模式呈相关。总体而言,我们发现躯体运动网络与额顶网络之间的连接与PSU呈负相关,而躯体运动网络与边缘网络之间的连接与PSU呈正相关。此外,默认模式网络与边缘网络之间的连接与PSU呈负相关。总体而言,功能网络之间增强的连接性——反映为BOLD信号波动的共享方差增加——可能意味着这些网络之间的通信改善。这反过来可以支持将不同的心理和神经生物学构念整合为日常生活中功能所必需的协调系统。相反,功能的丧失被认为反映为专门化脑系统中协同波动的丧失。
考虑到以上因素,为功能连接(FC)的变化赋予生理意义可能存在两条主要的论证路径,而皮层可塑性过程在两者中都起着核心作用。首先,任务激活研究中一个已被充分重复验证的发现是,问题性智能手机用户(无论采用何种测量方法)均表现出被认为是默认网络(DMN)、躯体运动网络、边缘系统以及额顶网络的一部分的大脑区域的招募模式发生改变。这些研究揭示了功能相关脑区之间的激活模式。根据"共同激活"理论,我们的发现可能代表了此类共同激活的残留特征,FC捕捉了皮层回路内协调活动的统计历史。根据赫布可塑性理论,突触强度的稳定变化由突触前和突触后活动的同步发生驱动;因此,脑区的频繁共同激活可能增强其结构连接——进而增强功能连接。相反,问题性智能手机用户之间网络FC降低可能表明,在这一框架下,特定脑区之间的共同激活减少。第二条解释路径源于以下认识:FC的增加可能反映皮层加工中神经努力程度加大,这是对结构损伤的一种回应。根据"结构损伤"理论,FC增加可以作为一种补偿机制,限制神经结构退化的后果,并帮助维持可行的计算能力水平。多项研究调查了PSU的结构变化,报告了灰质体积、脑干亚结构和包括边缘系统在内的皮质下区域的结构性减少,以及皮层折叠复杂性的下降。根据该理论,PSU与边缘系统和躯体运动网络之间FC的正相关可以被解释为对结构退化的补偿,以维持心理和生物功能。边缘系统的参与是预期之中的,因为此前已证实其与PSU相关;然而,躯体运动网络在多个维度上的参与似乎令人惊讶。事实上,我们可能声称,该网络是识别行为功能障碍倾向的潜在影像学生物标志物方面的一个新功能靶点。尽管躯体运动网络作为功能大脑的关键枢纽而广为人知,但其在心理障碍(如抑郁症和焦虑症)中的潜在作用才开始被认识。它参与身体自我意识和内感受,这些过程对多种神经心理学功能至关重要。在粗略层面上,我们的结果强调了主观评价和身体状态在行为成瘾等心理功能障碍病理生理机制中的重要性。躯体运动网络与额顶网络之间的FC被发现与PSU呈负相关,表明问题性智能手机用户中这些功能网络之间的交流受损,提示PSU中感觉运动整合受损。这种连接减少可能损害思维与运动之间的协调,导致运动抑制功能下降。运动抑制通常通过认知任务(如Stroop任务、Go/No-go任务和Simon任务)进行评估,研究发现PSU以及其他形式的互联网相关成瘾(如一般互联网成瘾、社交媒体成瘾和连续观看)中运动抑制功能均有下降。此外,运动抑制是自我调节的主要形式,其缺陷也已被确定为PSU的关键特征。躯体运动网络与额顶网络之间FC的降低表明注意调节和心理运动活动存在紊乱,这可能也与观察到的运动行为失调有关。默认网络与边缘系统之间的FC与PSU呈负相关。这种连接表明默认网络在情绪加工中发挥作用,尽管关于其在情感过程中的确切功能仍存在有限的共识。一个最近的模型提出,默认网络在产生离散的情绪体验(如恐惧或愤怒)中起构成性作用,其节点支持将特定的生理感觉感知为更广泛的情绪类别的表现。这一过程——通常被称为"概念化"或"意义建构"——发生在心理分析水平。此外,默认网络完整性的丧失可能损害情绪体验。从这个角度看,我们的结果并不令人惊讶。PSU(尤其是社交媒体参与)此前已被证实与更高的压力、焦虑和抑郁水平相关。情绪调节能力降低也与智能手机使用相关,在我们最近的论文中,我们发现PSU中情绪面部表情识别能力下降,皮层-边缘区域在这一关联中起关键作用。本研究发现的PSU与默认网络及边缘网络之间FC呈负相关,与以往静息态功能磁共振成像(rs-fMRI)研究的结果总体一致,后者表明PSU与涉及内定向认知、显著性加工、情感调节和奖赏相关加工的大规模网络间交互作用的改变有关。以往研究报道了PSU中涉及显著性网络(SN)、默认网络、注意网络和额纹状体环路的连接改变,尽管效应的具体方向和定位在各研究间有所不同。例如,Ahn等人发现了显著性网络与默认网络之间以及显著性网络与中央执行网络之间FC的改变,而Kwon等人报告了PSU中背内侧前扣带回(dACC)与注意网络和默认网络连接的改变。其他研究强调了智能手机过度使用中与认知控制和奖赏加工相关的额纹状体连接降低。我们的发现扩展了这一文献,表明PSU还可能与默认网络相关的自我参照/内省思维过程和边缘情感-奖赏系统之间整合减弱有关。然而,我们的结果与以往研究之间的差异也可能反映了PSU评估方法、样本特征和分析策略的异质性。因此,现有证据并未指向单一的局部神经基质,而是表明PSU与大规模功能脑网络中分布广泛的改变有关。最后,根据我们的结果,客观屏幕使用时间(OMST)与FC之间无关联。结果缺失乍一看可能出人意料,因为以往关于屏幕时间的研究揭示了多项FC改变,包括视觉词形区与多个Brodmann区(如13、20、24、25、39和47区)之间的连接,躯体运动网络与默认网络、注意网络和听觉网络之间的连接,以及多个皮质下区域(如杏仁核、壳核和伏隔核)之间的连接。然而,必须指出本研究与以往研究之间一个重要的差异:以往研究均使用自我报告方法估算屏幕使用时间,而我们通过应用程序测量了实际使用时间(Android上的数字健康应用和iOS上的屏幕使用时间应用)。这一差异极为重要,因为以往研究已强调,智能手机总使用时间的自我报告与客观测量之间仅存在较差或中等的吻合度。此外,OMST可能是一个相对粗糙的智能手机相关问题的指标,因为它捕捉了使用量但未反映使用的心理质量、情境或动机方面。相比之下,PSU得分反映了不良适应特征,如控制力下降、 preoccupies 和类戒断体验,这些特征可能比单纯的使用总时长与脑连接改变的关系更为直接。此外,OMST很可能包含问题和非问题性的活动,如工作、沟通、导航或行政任务,这可能会稀释其与神经结果之间的关联。显然,基于本研究结果缺失的情况,我们不能确定地宣称屏幕使用时间本身对功能性神经连接无影响。未来研究亟需增大样本量,并聚焦于特定使用领域——如社交媒体、游戏和购物。综上所述,我们调查了与PSU和OMST相关的功能连接神经可塑性变化。OMST对FC无影响;然而,PSU显示出与多个网络改变之间的关联,包括躯体运动网络、额顶网络、边缘系统和默认网络。我们的结果证实,PSU可能显著改变脑功能,但仍需未来研究揭示这些变化背后的具体智能手机使用领域。研究局限本研究的局限性之一是相关研究性质。因此,我们无法确定所检测到的脑改变与PSU之间的因果关系。亟需纵向研究来解决这一问题。此外,在特定队列中验证我们的结果也将是有益的,例如有智能手机成瘾的人群。第二个局限是,对于数据驱动的静息态功能磁共振成像研究而言,样本量相对较小,特别是在考察复杂的行为相关性时。这可能限制了检测较小效应量的能力。本研究的样本量对于全脑多变量模式分析而言应被视为适中。尽管多变量模式分析非常适合检测分布式的多元连接模式,但全脑脑-行为关联分析通常需要较大的样本量以获得稳定和可重复的效应估计。因此,本分析可能主要对中等到大效应的PSU相关连接模式效应敏感,而较小或空间分布更广的关联可能未被检测到。未来需要更大独立样本的研究来重复本研究结果并评估所识别连接模式的泛化性。第三个局限是在评估OMST时缺乏关于具体智能手机使用领域的信息。遗憾的是,在研究的试点阶段,我们发现不同操作系统间的应用分类方法存在实质性差异,而手动分类被认为高度主观且不可靠。因此,未来聚焦于智能手机使用特定类别的研究将非常重要,并可能揭示类别特异性的脑改变。资源可用性主要联系人如需进一步信息和资源,请联系主要联系人 Gergely Darnai(darnai.gergely@pte.hu)。材料可用性本研究未产生新的独特试剂。数据和代码可用性:本文报告的数据将由主要联系人根据要求提供。本文不报告原创代码。重新分析本文所报告数据所需的任何其他信息均可向主要联系人索取。致谢本研究由匈牙利脑研究计划 2017-1.2.1-NKP-2017-00002 政府基金支持。我们的研究部分由匈牙利人力能力部高等教育机构卓越计划资助,在匈牙利佩奇大学第五主题计划框架内(20765/3/2018/FEKUSTRAT);匈牙利国家研究、发展和创新基金的主题卓越计划(TKP2021-EGA-16 和 TKP2021-EGA-13);以及匈牙利转化神经科学国家实验室,在"成人神经系统疾病-RRF-2.3.1-21-2022-00011"项目框架内。á.A. 和 S.A.N. 获得匈牙利国家研究、发展和创新基金大学研究奖学金项目(EK?P-25-4-I-PTE-434 和 EK?P-25-4-II-PTE-536)的支持。G.D. 和 S.A.N. 获得匈牙利科学院 János Bolyai 研究奖学金的支持。J.J. 获得匈牙利国家研究、发展和创新基金支持(NKFIH-K142479)。作者贡献á.A. 和 G.D. 负责撰写论文并监督整个过程。S.A.N.、G.P. 和 G.O. 负责磁共振成像测量和统计分析。G.D.、A.T.S.、H.A.A. 和 B.D. 负责论文审阅和批评。á.A. 和 G.D. 对研究项目的构思、组织和执行贡献等同。利益声明作者声明无利益冲突。生成式AI和AI辅助技术在论文撰写过程中的声明:在撰写本文过程中,作者使用了 ChatGPT 5.6 进行语法纠正和语言编辑。使用此工具后,作者审阅并编辑了内容,并对论文内容承担全部责任。STAR★方法关键资源表:试剂或资源:Presentation(呈现软件)、CONN功能连接工具箱、IBM SPSS Statistics。来源:Neurobehavioral Systems Inc.、Whitfield-Gabrieli 和 Nieto-Castanon、IBM Corp.。标识符:版本17.1、版本21.a;Whitfield-Gabrieli 和 Nieto-Castanon、版本28。其他:CONN项目文件、补充文件、Android数字健康应用(来源:Google,Android Pie 或更高版本)、iOS屏幕使用时间应用(来源:Apple,iOS 12 或更高版本)、爱丁堡利手量表(来源:Oldfield)、简要智能手机成瘾量表 BASS(来源:Csibi 等)、匈牙利智能手机剥夺量表 HSDI(来源:Csibi 等)、贝克抑郁量表 BDI(来源:Beck 等)。实验模型和研究参与者详情:六十三名健康年轻人参与了本研究,包括23名男性(基于自我报告),平均年龄为24.3 ± 3.8岁(年龄范围:18-29岁)。所有参与者根据爱丁堡利手量表均为右利手。有慢性病或神经或精神障碍的参与者未纳入。参与者被要求在实验前24小时内避免含酒精的物质。由于参与者未被分配到不同的组别或实验条件中,本研究不适用随机化。所有参与者在参与研究前均获得了研究信息并提供了书面知情同意。
每位参与者获得5,000福林(约合14美元)作为对其时间和精力的补偿。本研究已获得国家医学研究理事会批准(注册号NNGYK/36085-6/2025)。
## 方法细节
### 问卷调查
由于目前尚无被广泛接受的屏幕相关成瘾的诊断标准或临界值(如PSU),我们采用问卷得分作为连续变量。
为评估问题性智能手机使用,本研究采用了智能手机成瘾简表(BASS),这是一种自评问卷,用于筛查基于智能手机应用程序的成瘾风险。该量表包含6个项目,涉及成瘾的核心标准。项目采用6点李克特式量表评分,从1(强烈不同意)到6(强烈同意)。BASS得分越高,表明发展为智能手机应用程序使用成瘾的风险越大。
本研究还使用了匈牙利智能手机剥夺量表(HSDI)来评估问题性智能手机使用。该量表着重于识别持续的情绪状态并评估停止该行为后出现的戒断症状。这9种情绪状态的症状如下:情绪—心理症状(烦躁、坐立不安、紧张、气馁、悲伤)以及心理生理不适(失眠、紧张、僵硬、疲惫)。9个项目采用7点量表评分,从1(完全不符合)到7(高度符合)。
为便于结果解读,我们基于两份问卷的总分计算了一个数据驱动的复合得分。采用回归法进行固定单因子解的主成分分析,以BASS和HSDI的总分为依据导出因子得分。该主成分解释了70.7%的方差,且在两个量表上均具有较高载荷(均为0.841)。回归得到的因子得分被保存并作为PSU的复合指标用于后续分析。
本研究还施行了贝克抑郁量表(BDI),这是一种广泛使用的自评问卷,用于评估抑郁症状的严重程度。参与者采用4点量表(0–3)对自身体验进行评分,得分越高表明抑郁水平越严重。BDI已显示出良好的心理测量学特性,使其在临床和研究环境中均是一种可靠的工具。
### 屏幕使用时间测量
鉴于以往关于静息态脑功能的研究仅调查了主观估计的智能手机屏幕使用时间(仅让参与者主观、回顾性地估计使用时间,例如:“您通常每天花多少时间使用智能手机?”),本研究则转而关注客观测量的屏幕使用时间(OMST)。
关于我们的OMST调查:自2018年8月以来(Android Pie或更高版本)的Android近期版本以及自2018年9月以来(iOS 12或更高版本)的iOS智能手机操作系统,均允许用户通过软件相关应用程序(Android上的数字健康应用程序;iOS上的屏幕使用时间应用程序)访问其详细的智能手机使用时长。数字健康应用程序和屏幕使用时间应用程序均可提供过去7天在智能手机上花费的总小时数和分钟数(详见图1)。与其他第三方屏幕使用时间追踪器相比,基于Android和iOS的应用程序具有一个主要优势:只要智能手机被解锁,即使在飞行模式下,它们也会记录活动。要访问并生成每周OMST报告,用户需在任一操作系统上启用该功能。
实验前约一周,研究团队成员会致电参与者:
1. 若之前未安装,请参与者下载Android数字健康或iOS屏幕使用时间应用程序。
2. 若应用程序已安装在手机上但未激活,请参与者开始收集数据。
3. 若应用程序已激活,请参与者检查数据收集是否正常进行。
在进行MRI测量的当天,我们要求参与者基于Android数字健康或iOS屏幕使用时间报告,提供其过去一周的总屏幕使用时间。根据一项先前的行为学研究,我们在分析中使用平均每日OMST数据,计算方法为将每周总使用时长除以七。
### 静息态fMRI范式
在扫描仪中,参与者被要求静息并保持眼睛睁开10分钟,同时注视黑色背景上叠加的白色注视十字。参与者被要求保持清醒并尽量不去思考任何事情。该范式使用Presentation软件(版本17.1,Neurobehavioral Systems Inc.,美国加利福尼亚州伯克利)实施,刺激通过兼容MRI的液晶显示屏(用于fMRI的BOLDscreen 24 LCD,Cambridge Research Systems Ltd.,英国罗切斯特)呈现。
### MRI数据采集
参与者使用同一台3T MRI扫描仪(MAGNETOM Prismafit,Siemens Healthcare,德国埃尔朗根)配合64通道头颈部线圈进行成像。
功能像采用2D单激发梯度回波回波平面成像(EPI)序列获得,参数如下:重复时间(TR)/回波时间(TE)= 3000/30 ms;翻转角(FA)= 83°;视野(FOV)= 210 × 210 mm2;70 × 70矩阵;44层轴向切片,厚度3 mm;接收带宽2040 Hz/pixel,采用交错切片顺序。
fMRI测量之后,采用与fMRI扫描相同方向和调整参数的磁场映射序列(TR/TE1/TE2 = 480/4.92/7.38 ms;FA = 60°;44层轴向切片;切片厚度 = 3 mm;FOV = 210 × 210 mm2;70 × 70矩阵;接收带宽 = 290 Hz/pixel)进行采集。
解剖像采用T1加权3D MPRAGE序列(TR/TE/反转时间 = 2530/3.4/1100 ms;FA = 7°;FOV = 256 × 256 mm2;256 × 256矩阵;切片厚度 = 1 mm;176层矢状切片;接收带宽200 Hz/pixel)获得。
### MRI数据预处理
图像使用CONN功能连接工具箱(版本21.a)进行处理。图像预处理包括以下步骤:功能像重新配准和去扭曲(通过整合场图进行磁敏感畸变校正)、切片时间校正、结构分割和归一化、功能像间接归一化、异常值检测以及平滑(采用6 mm全宽半高斯核)。潜在异常扫描通过伪迹检测工具清除流程识别(已在CONN工具箱中实现):逐帧位移超过0.9 mm或全局BOLD信号变化超过5个标准差的采集被标记为异常值。由于任何受试者中被标记为异常值的体素数占总体的比例均未超过25%,因此未排除任何受试者。分割和归一化后,对所有分割组织进行了目视检查。CONN项目文件(S1)作为补充材料附于本手稿。
异常体素(7个主成分,PCs)用于去噪步骤中的清除。此外,还从BOLD信号中回归了以下混杂效应:来自白质的5个PCs、来自脑脊液的5个PCs、来自受试者运动参数的24个PCs以及用于静息效应的2个PCs(采用线性去趋势)。为最大程度减少头动、生理噪声及其他噪声源的影响,应用了带通滤波器,并设定为0.008–0.09 Hz。
### 多体素模式分析(MVPA)
采用MVPA估计全脑静息态功能连接(FC)。这种数据驱动的方法计算每个个体种子体素与全脑其余部分之间的FC图谱,从而能够确定全脑的FC模式是否与PSU或OMST相关。由于分析了每个体素与全脑其余部分的连接以发现最大受试者间异质性,因此需要进行降维;本研究将维度设定为64(默认设置)。在组水平分析中,特征模式得分(表征每个体素的FC)的数量为五。这一特征模式得分数量似乎足够敏感以检测FC的较大效应,同时也能够发现更为边缘的效应。所得MVPA成分被用作后续种子至体素连接分析中的种子。
为识别潜在种子,采用一般线性模型(GLMs)对每个5个成分进行统计分析,其中分别将PSU得分(以BDI和OMST为协变量)以及OMST(以年龄和PSU得分为协变量)作为感兴趣的回归变量。结果采用组阈值p < 0.001的体素水平阈值与经错误发现率(FDR)校正的p < 0.001团块大小阈值的组合进行阈值处理。显著团块用于种子至体素分析。在评估结果时,采用7网络Yeo图谱来界定显著脑区所属的网络。
### 种子至体素分析
采用MVPA团块结果作为种子进行种子至体素分析。由于MVPA对OMST的分析未发现显著结果,因此所有用作种子的团块均源自与PSU相关的MVPA分析。采用皮尔逊双变量相关性分析计算种子与全脑其他体素之间的连接。与MVPA类似,进行GLM检验FC关联,其中MVPA团块作为种子,PSU得分(以BDI和OMST为协变量)作为感兴趣的回归变量。结果采用组阈值p < 0.0001的体素水平阈值与经FWE校正的p < 0.01团块大小阈值的组合进行阈值处理。采用Bonferroni校正调整p值,以弥补多重比较中的族系误差率(初始α值除以MVPA所得显著团块数,本研究中为:0.01/4)。同样地,结果依据7网络Yeo图谱进行解读。
### 量化与统计分析
采用IBM SPSS Statistics(版本28)进行Spearman相关(双侧)分析,以探寻问卷得分与OMST之间的相互关系。相关的alpha水平阈值设定为0.05。p值经FDR校正,MVPA分析在团块水平p < 0.001,基于种子的分析在p < 0.01。
### 补充信息
(1)归档文件(330.08 KB)
数据S1. Conn项目文件
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号