注意范围的扩大会调节健康成年人的姿势控制、运动策略以及注意力网络的连接性：一项概念验证的混合方法研究

《Frontiers in Rehabilitation Sciences》：Expansion of attentional scope modulates postural control, motor strategies, and attentional network connectivity in healthy adults: a proof-of-concept mixed-methods study

　　摘要
引言：足底感觉输入在姿势控制中起着关键作用。然而，仅放大这种自下而上的感觉输入的训练方案效果并不一致。我们假设，采用足底感觉作为感知锚点，并将注意力范围从局部足底感觉扩展到全身参考框架的自上而下的训练方案，会比单纯的感觉辨别带来更大的改善。

方法：48名健康成年人（N=48）参与了一次10分钟的训练，分为仅感觉辨别（SDO）或感觉辨别结合注意力范围扩展（SDE）两种方案。SDE方案通过简短的治疗性对话来促进这种扩展。在基线（T0）、训练后立即（T1）和训练后30分钟（T2）分别评估了姿势稳定性指数（IPS）。在T0/T1阶段进行了半结构化访谈，以量化运动策略。在T0/T1阶段收集了静息态功能性磁共振成像（rs-fMRI）数据，用于分析感兴趣区域（ROI）之间的连接性，重点关注主要的大脑网络。

结果：SDE组表现出显著的IPS改善（ΔIPS约为+0.09，dz=0.42），并在30分钟后仍保持这种改善（T0 vs T2：dz=0.32），而SDO组没有变化。对SDE组自我报告的运动策略的定性分析表明，注意力从足底感知锚点扩展到了全身对齐，表现为更多提到肩膀的参考，而与脚相关的参考仍然常见。在rs-fMRI中，包括显著性网络和腹侧注意力网络在内的注意力回路中的一个簇显示出显著的组×时间交互作用[无阈值簇增强[TFCE]/家族错误[FWE]校正后的p<0.05]，其特征是在SDE后连接性降低，在SDO后连接性趋于增加。

结论：在这项概念验证研究中，将注意力范围从足底感知锚点扩展到全身参考框架与测量结果的即时组间变化相关。姿势稳定性得到改善，同时自我报告的运动策略和注意力回路内的静息态连接性也发生了变化。增强对自下而上的足底输入的敏感性仍然很重要；然而，这些发现提示了一个潜在的下一步——学习如何将足底输入解释为用于平衡调节的全身参考信号。需要在随机化和纵向研究中进行确认，包括在临床人群中的评估。

1 引言
人类姿势控制是一个复杂的多感官整合过程。中枢神经系统整合视觉、前庭和体感信息，以不断调整姿势反应以适应任务和环境需求。来自足底表面的感觉输入作为身体与支撑表面之间的接口，在检测身体摇晃和产生适当的姿势反应中起着关键作用。通过针对性麻醉或冷却减少足底感觉会显著损害平衡控制（1, 2），临床上看，老年人足底感觉减弱与平衡能力和步态不稳定有关（3, 4）。这些发现共同表明，足底感觉输入对姿势控制至关重要，是干预设计的关键目标。

针对足底表面以改善姿势控制的干预措施可以根据其潜在机制进行分类：（1）外围感觉增强方法，包括弱电刺激、振动刺激和纹理鞋垫，据报道可以调节受体检测阈值或放电模式，从而改善站立平衡和姿势反应（5–7）；（2）主动感知学习方法，涉及重复辨别任务（例如，区分硬度或重量）以提高感知敏锐度，从而增强两点辨别能力并减少摇晃（8, 9）；（3）增强反馈方法，将压力中心（COP）等信息转化为视觉或听觉线索，使参与者在主动调节摇晃的同时更新其内部模型（10, 11）。这些方法在改善姿势控制方面显示出有效性，从而支持将足底感觉干预作为可行的治疗选择。然而，许多传统的姿势控制干预主要针对足底感觉输入，强调刺激驱动的自下而上的注意力。相比之下，姿势控制是一个全身过程，需要协调调节身体各部分以维持整体稳定性（12）。这种全身协调依赖于自动的脑干级过程和目标导向的自上而下的注意力控制（例如，基于身体内部表征即身体图式的构建运动程序）（13, 14）。以往的方法没有解决自下而上的感觉输入和自上而下的控制如何相互作用以支持全身协调的问题。运动学习研究表明，将注意力局部化（例如，在脚上）会增加注意力需求并导致更大的平衡错误（15）。因此，可能需要在仍然使用足底感觉输入作为姿势控制的感知锚点的同时，扩大注意力范围。最佳策略可能是训练个体从清晰的脚部感觉意识开始，然后将注意力扩展到全身参考框架。这些考虑激发了当前对这种整合训练计划的评估，该计划基于足底感觉锚点，并鼓励扩大注意力范围。此外，仅评估行为结果可能不足以阐明这种整合训练的机制。姿势控制的改善发生在多个层面，包括运动策略的变化、对身体运动的意识调节以及相关的神经基础。然而，这些主观维度难以定量评估。虽然标准化的定量指标至关重要，但它们在捕捉参与者主观体验的复杂性方面存在局限性（16）。为了填补这一空白，通过访谈直接获取主观体验的定性方法对于澄清干预机制很有价值（17–20）。我们之前的研究表明，可以使用文本挖掘方法系统地评估这些主观体验，以定性分析自我报告的运动策略（21）。因此，将定性方法与客观的姿势控制评估相结合，对于全面理解干预效果至关重要。尽管取得了这些进展，但介导这些适应过程的神经基础仍知之甚少。静息态功能性磁共振成像（rs-fMRI）可以捕捉最近感觉运动体验后的大脑网络短期重构（22–24）。在这里，我们使用rs-fMRI来评估训练后的持续网络状态变化，而不是从单次短暂会话推断持久的神经可塑性。我们将行为结果、自我报告的运动策略和训练后的静息态活动整合在一个融合的混合方法设计中。据我们所知，这种统一方法尚未应用于足底感觉干预。因此，作为一项在健康成年人中的概念验证研究，我们比较了仅足底感觉辨别训练（SDO）与结合注意力范围扩展的感觉辨别训练（SDE），使用了一个三层次框架：姿势稳定性、自我报告的运动策略和rs-fMRI。我们假设，与SDO相比，SDE会在姿势稳定性、表明注意力从足底感知锚点扩展到全身策略元素的策略报告以及训练后大脑网络内部和之间的功能连接性（FC）方面带来更大的即时改善。在这种情况下，我们将rs-fMRI解释为最近感觉运动体验后短暂网络状态调节的窗口，这可能反映了训练期间使用的注意力策略的延续。我们关注了四个对体感处理、注意力和认知控制至关重要的网络内的FC，包括显著性网络（SN）、额顶网络（FPN）、默认模式网络（DMN）和感觉运动网络（SMN）。我们还旨在通过整合和分析定量和定性数据，提供对利用自上而下注意力控制来塑造体感整合与运动动作之间联系的训练的多层次理解。这种方法超越了纯粹的感觉运动视角，阐明了意识运动策略、行为和静息态大脑网络的变化如何共同伴随姿势控制的改善。

2 材料与方法
2.1 研究设计
本研究采用了准实验性的比较设计，评估两种足底感觉训练方案：SDO和SDE方案。采用了融合的平行混合方法设计，在同一会话中收集定量数据（姿势稳定性指数和rs-fMRI）和定性数据（自我报告的运动策略），独立分析后进行最终解释。参与者按性别分层（男性/女性）顺序分配，以确保组间性别平衡。未应用随机序列生成和分配隐藏。为了保持程序一致性，由同一位物理治疗师（K.G.）负责所有训练方案、测量和访谈。由于训练的性质，未实施评估者和访谈者的盲法。本研究遵循了《赫尔辛基宣言》的伦理原则，并获得了东京都市大学伦理委员会的批准（批准号18112）。在参与之前，从所有参与者那里获得了书面知情同意。

2.2 参与者
共有50名健康成年人通过校园广告招募参与本研究。纳入标准如下：（1）20–39岁的健康成年人；（2）根据爱丁堡手性量表（25）确定为右利手，侧化商数（LQ）大于+40。排除标准如下：（1）有神经系统或骨科疾病史；（2）MRI禁忌症（例如，植入金属或幽闭恐惧症）。使用G*Power（v3.1）（26）进行了先验样本量分析，以确定2（组）×3（时间）混合设计方差分析（ANOVA）中的交互效应，这是本研究的主要统计测试。参数设置如下：效应大小（f）=0.25，α=0.05，统计功效=0.95，重复测量之间的相关性=0.5。该计算表明所需样本量为44人，实际招募了50名参与者以考虑潜在的流失。参与者被分配到SDO组（n=25）或SDE组（n=25），确保组间性别平衡。所有50名参与者完成了实验程序，但有两名参与者因MRI伪影被排除在最终分析之外，最终样本为48名参与者（SDE组，n=25；SDO组，n=23）（图1）。MRI相关排除后的最终分析样本的人口统计特征（N=48）总结在表1中。

图1 参与者流程图和评估时间表。图表展示了注册、分配到SDE或SDO，以及T0（基线）、T1（训练后立即）和T2（训练后30分钟）的评估时间；每个时间点都收集了测量数据。fMRI，功能性磁共振成像；IPS，姿势稳定性指数；SDE，结合注意力范围扩展的感觉辨别；SDO，仅感觉辨别。

表1 SDE组（n=25）和SDO组（n=23）的特征
p值
效应大小
年龄（岁），中位数[IQR]
23 [22–24.5]
23 [22–25]
r=0.005
性别
85
φ=0.027
— 女性，n (%)
19 (76)
18 (78)
— 男性，n (%)
6 (24)
5 (22)
BMI，kg/m2，平均值（SD）
21.1 (2.1)
21.1 (1.4)
r=0.009
EHI-LQ，中位数[IQR]
85 [75–95]
90 [80–100]
r=0.142

表1 最终分析样本（N=48；SDE，n=25；SDO，n=23）的基线人口统计特征。人口统计比较在最终分析样本（N=48；SDE，n=25；SDO，n=23）上进行。年龄和EHI-LQ以中位数[IQR]表示，并使用Mann–Whitney U检验（效应大小r）进行组间比较。体重指数（BMI）以平均值（SD）表示，并使用Welch's t检验（效应大小r）进行比较。性别以n (%)表示，并使用Fisher's exact检验（效应大小φ）进行比较。统计显著性设定为α=0.05（双侧）。

2.3 训练程序
参与者根据其组别分配，接受了以下训练方案之一，每个方案包括一次10分钟的会话。所有程序都在参与者坐在可调节的椅子上进行，确保双脚平放在地板上（图2）。

图2 训练程序示意图。所有任务都在双脚平放在地板上进行。（A）单腿任务（SDO/SDE，约5分钟）：实验者被动地将一只脚向八个方向中的某个方向移动约10厘米（白色箭头指示可能的方向），参与者口头识别出压力最大的足底区域。（B）双腿任务（SDO/SDE，约5分钟）：双脚同时向不同方向被动移动，参与者识别每只脚的压力最大区域。（C）注意力扩展（仅SDE）：在双腿任务期间，简短的治疗性对话促使参与者根据足底感觉想象他们的直立姿势，然后描述他们的整体对齐。该示例展示了双脚向右移动（白色箭头），引发想象中的身体向左倾斜。SDO，仅感觉辨别；SDE，结合注意力范围扩展的感觉辨别。

2.3.1 SDO组
SDO组的训练包括一项旨在提高足底表面自下而上来感觉输入感知准确性的任务。该训练框架基于先前的发现，即足底感觉辨别可以增强体感功能和平衡（8, 9）。在这项研究中，实验者被动地移动每位参与者的脚部，以改变足底压力分布，随后要求参与者口头指出压力感受最强烈的足底区域。实验过程分为两部分：单腿任务（大约5分钟）和双腿任务（大约5分钟）。首先，在单腿任务中，实验者将一只脚在八个方向中的一个方向上重复移动约10厘米（前向、后向、右侧、左侧、前右、前左、后右或后左）（图2A）。每次移动后，都会要求参与者口头指出压力感受最强烈的足底区域。例如，如果脚被向前移动，生物力学上正确的回答应该是脚跟，这与预期的重心（COP）移动方向一致。如果回答错误，实验者会先将脚移动到报告的（错误的）位置，然后再移动到正确的位置，以强调感知上的差异。试验次数根据参与者的反应进行调整。在双腿任务中，两只脚会同时向不同方向移动（图2B）。参与者需要口头指出每只脚上压力最大的区域。

2.3.2 SDE组
SDE组执行了与SDO组相同的初始单腿感觉辨别任务，但随后的双腿任务增加了一个额外的注意力扩展组件。这个扩展包括简短的治疗性对话，这是一种已知可以增强身体感觉意识并促进运动策略重组的结构化对话技术（27）。通过治疗性对话，参与者被引导使用足底感觉作为感知锚点，然后将注意力从脚部扩展到整个身体参考框架。该方案的概念基础是，姿势控制涉及全身协调调节，而不仅仅是局部的感觉处理（12）。
在最初的5分钟内，参与者完成了与SDO协议中相同的单腿辨别任务。在最后的5分钟内，双腿任务阶段引入了治疗性对话。每次移动后，当参与者指出了主要压力区域后，实验者会提出一个两步的反思性问题，以促进自上而下的注意力扩展。首先，会问参与者：“如果你想象自己保持直立姿势，但脚部有这种感觉，你的身体会向哪个方向倾斜？”这个问题引发了关于姿势变化的心理意象。接下来，会问：“在这种姿势下，脚、膝盖、骨盆和肩膀之间的位置关系是什么？”这个问题有意地将参与者的注意力范围扩展到整个身体，有助于根据足底感觉重建全局运动策略（图2C）。

2.4 行为测量：姿势稳定性
2.4.1 IPS数据采集
姿势稳定性使用Mochizuki等人开发的姿势稳定性指数（IPS）（28）进行量化，并在后续的临床研究中得到广泛应用（29, 30）。测量在三个时间点进行：基线（T0）、训练后立即（T1）和训练后30分钟（T2）。
在每次测量中，参与者站在一个稳定仪（Gravicorder GS-11；ANIMA Corp., 日本；20 Hz）上，双脚间距为10厘米，并注视前方2米处的固定点。数据记录了10秒内的五个不同位置：首先是自然的中立站立姿势，然后是当参与者将重心（COP）移动到支撑基底的前、后、右、左极限时的情况。
IPS的量化方法按照Mochizuki等人的描述进行。首先，计算每个测量位置的重心轨迹的最大前后径和内外径所形成的矩形面积，平均值定义为姿势摆动面积。接下来，定义四个方向重量转移（前、后、右、左）期间摆动中心的矩形面积为稳定性极限面积。最后，使用以下公式计算IPS：
IPS = log(稳定性极限面积 + 姿势摆动面积)
根据这个公式，较高的IPS值表示更大的姿势稳定性。

2.4.2 IPS统计分析
IPS数据的统计分析使用R软件（版本4.5.1）进行。进行了2（组：SDO, SDE）× 3（时间：T0, T1, T2）的混合设计ANOVA（分割图ANOVA）。广义eta-squared（Gη2）被用作效应大小的度量。如果违反了球形假设，则应用Greenhouse–Geisser校正。如果发现显著的交互作用，使用Shaffer的方法进行多重比较调整。统计显著性设定为α = 0.05（双侧）。为了评估个体层面的变化，计算T1和T0之间的差异（ΔIPS），并与之前报告的最小可检测变化（MDC95）0.26进行比较，后者作为超出测量误差的变化阈值（31）。此外，使用Cohen的dx（被试内效应大小）量化组内时间点之间的变化。解释遵循Cohen（1988）的标准：0.20（小）、0.50（中等）和0.80（大）（32）。

2.5 定性测量：自我报告的姿势策略
2.5.1 访谈程序
在T0和T1时进行了半结构化的访谈，探讨参与者的姿势控制策略。这种方法是一种公认的定性研究方法，通过预定义的访谈指南确保数据收集的一致性，同时保留根据参与者反应提出自发后续问题的灵活性（33）。这种方法的主要优势在于能够深入探讨现象背后的原因和过程（“为什么”和“如何”），这些是定量数据无法捕捉的维度，增加了解释的深度（34）。访谈指南集中在用于IPS评估的四方向重量转移任务中的姿势控制策略上。主要问题包括：（i）“当你向前、向后、向左、向右倾斜姿势时，你注意到了什么？”以及（ii）“如果你注意到了任何特定的身体部位或感觉，请描述你是如何意识到它们的。”所有参与者都以相同的顺序接受了这些问题。在T1时进行了相同的访谈，以捕捉训练后立即的变化。T1访谈在训练协议的解释、回顾或总结之前进行，以避免引发对训练本身的主观评价。
所有访谈均由实验者（K.G.）在安静的私人房间中一对一进行，并使用集成电路录音机记录。音频数据最初使用自动语音识别软件转录，然后由未参与访谈的合作者（R.S.）进行手动校对。校对者没有被告知组和时间点信息。最终转录本的准确性通过随机抽样和交叉检查进行验证。

2.5.2 文本挖掘分析
定性数据使用KH Coder（v3.02c）（35, 36）进行分析。我们筛选转录本，仅保留与任务相关的言论，并排除无关或仅是否定的/不确定的言论。然后使用ChaSen进行形态学分析，将保留的转录本分割成单词。

2.5.2.1 第一阶段：掌握整体词汇
首先，将T0和T1的所有口头报告合并成一个数据集，并进行了词汇共现网络分析。在这里，共现定义为单词在同一句子中的同时出现。为了提高共现结构的可解释性，我们应用了标准预处理，包括自定义的停用词列表。我们还应用了词性过滤，仅保留内容词类别（如名词、动词和形容词）进行共现分析。为了平衡可解释性和代表性，我们仅保留了在合并语料库（所有参与者，T0 + T1合计）中至少出现25次的单词进行共现分析。为了可视化，我们仅绘制了前45个共现边缘，以保持图形的可读性。在保留空间方向术语（如“前”、“后”、“左”、“右”）的敏感性分析中，这些术语与与脚相关的术语（如“脚/足”）强烈共现，形成了一个额外的方向/轨迹中心簇。由于这个簇反映的是方向控制而不是解剖学参考，我们将空间方向术语从主要共现网络分析中排除，并在补充图S1中展示了保留的术语网络。多个分析师共同解释了这个共现网络图，以识别由强相关词组形成的主题。这项分析表明，参与者在整个研究期间的整体词汇不仅指向脚部，还指向了身体的其他部分，如肩膀和躯干（图3）。
图3 自我报告的运动策略词汇共现网络。为了描述整体词汇，将T0和T1所有参与者的口头报告合并成一个语料库，并分析了在合并语料库中总频率≥25的单词。节点代表单词（大小∝频率），边连接在同一句子中共现的单词，颜色代表数据驱动的子图。为了便于阅读，我们仅可视化了前45个共现边缘。在保留空间方向术语的情况下（如“前”、“后”、“左”、“右”），这些术语与与脚相关的术语（如“脚/足”）强烈共现，形成了一个额外的方向/轨迹中心簇。因为这个簇反映的是方向控制而不是解剖学参考，所以我们从主要共现网络分析中排除了空间方向术语，并在补充图S1中展示了保留的术语网络。结果共现网络图由多位分析师共同解释，以识别由强相关词组形成的主题。这项分析表明，参与者在整个研究期间的整体词汇不仅指向脚部，还指向了身体的其他部分，如肩膀和躯干。

2.5.2.2 第二阶段：身体部位类别编码和组间比较
在第一阶段的基础上，我们进行了基于编码的分析，以量化参与者自我报告的运动策略中的身体部位引用，并比较了不同组和时间点之间的分布。具体来说，我们定义了五个身体部位代码[脚；下肢（非脚）；肩膀；腰骨盆区域；躯干]，并制定了明确的编码规则和相关同义词及语言变体（表2）。两位有文本挖掘经验的研究人员独立审查了编码规则，并通过共识达成最终决定。每个时间点的每个参与者的转录本被视为一个单独的文档。对于每个身体部位代码，我们评估了其在文档中的存在与否。如果某个代码对应的单词至少出现一次，则将参与者的文档编码为该类别的“1”；否则，编码为“0”。这个过程生成了一个二元数据集，其中单个参与者可能同时满足多个代码。

表2 编码包括的术语
脚：足底、脚掌、足弓、脚趾、“大脚趾”、“脚掌”、“小脚趾”、脚跟、脚
下肢（非脚）：膝盖、大腿、小腿、“小腿”、“下身”、“髋关节”
肩膀：肩膀、“右肩”、“左肩”
腰骨盆区域：“下背”、“腰部”、“骨盆”、“骶骨”、“臀部”、“臀部”
躯干：“上身”、“肚脐”、“躯干”、“核心”、“脊柱”、“背部”、“胸部”、“腹部”
身体部位代码的编码规则
文本挖掘分析是在原始日语转录本上进行的。列出的术语是日语表达的英文翻译。
随后，我们按组（SDO vs. SDE）和时间点（T0 vs. T1）对这些二元数据进行了交叉制表，并应用了皮尔逊卡方检验来评估关联度，计算Cramér's V来量化效应大小。当卡方检验显著时，我们检查了调整后的标准化残差（|z| > 1.96），以识别在组和时间点之间过度或不足代表的代码。作为对主要参与者级编码的补充敏感性分析，我们总结了句子级别的代码频率（包含每个代码的句子数量和百分比），并在补充表S1中报告了这些描述性结果。所有分析都是用日语进行的。为了出版，一位双语合作者将结果共现网络图和编码规则翻译成英语。

2.6 神经影像学测量：rs-fMRI
2.6.1 MRI数据采集
所有图像都是在配备8通道头部线圈（SENSE-Head-8）的3.0T MRI扫描仪（Philips Achieva 3.0T）上捕获的。在两个会话中捕获了结构和静息状态功能图像：T0（基线）和T1（训练后）。在每个会话中，数据按以下顺序收集：T0、rs-fMRI、IPS和访谈；T1、IPS、访谈和rs-fMRI（图1）。在T1时，进行了行为评估，以捕捉训练后的即时效果。所有组的顺序相同。使用泡沫垫和隔音耳机最小化了参与者的头部运动。
结构T1加权图像使用3D Turbo Field Echo序列捕获，参数如下：重复时间（TR）= 8.1 ms；回波时间（TE）= 3.7 ms；翻转角度（flip angle）= 8°；视野（FOV）= 240 × 240 mm；矩阵大小（matrix size）= 240 × 240；160个矢状切片；切片厚度（slice thickness）= 1.0 mm；体素大小（voxel size）= 1.0 × 1.0 × 1.0 mm。
rs-fMRI图像使用单次回波平面成像序列捕获。参与者被指示保持眼睛睁开，并注视屏幕上呈现的十字准线。主要采集参数为TR = 2,500 ms；TE = 30 ms；翻转角度（flip angle）= 80°；视野（FOV）= 212 × 212 mm；矩阵大小（matrix size）= 64 × 64；40个上升切片；切片厚度（slice thickness）= 3.2 mm；切片间隔（slice gap）= 0.8 mm；体素大小（voxel size）= 3.31 × 3.37 × 3.20 mm。总共捕获了240个体积，前四个体积被丢弃以允许磁化稳定。脂肪抑制是使用具有反转恢复技术的光谱预饱和技术进行的。2.6.2 MRI数据预处理rs-fMRI数据的预处理和后续统计分析是使用CONN工具箱（v.22a）（37）在SPM12上（伦敦Wellcome成像神经科学部门）进行的。预处理流程遵循了默认的CONN协议，包括以下顺序步骤：（1）切片时间校正；（2）重新对齐和去扭曲以校正头部运动；（3）使用Artifact Detection Tools（ART）识别异常值；（4）配准每个参与者的T1加权解剖图像；（5）将组织分割为灰质、白质（WM）和脑脊液（CSF）；（6）空间标准化到Montreal Neurological Institute（MNI）空间；（7）使用6毫米半高全宽高斯核进行空间平滑。随后的去噪是使用基于解剖成分的噪声校正方法（aCompCor）进行的。从血氧水平依赖（BOLD）信号中回归了WM和CSF掩膜的五个主要成分。额外的干扰回归因子包括24个与运动相关的参数（6个刚体参数、它们的一阶时间导数以及所有12个值的平方）。最后，数据进行了线性去趋势处理和带通滤波（0.008–0.09 Hz）。2.6.3 关注区域（ROI）到ROI的功能连接性分析基于训练协议的理论框架，选择了四个主要的大规模网络进行ROI到ROI分析：SN、FPN、DMN和SMN。这四个网络由CONN默认图谱中的18个解剖学定义的ROI组成（SN：七个ROI；FPN：四个ROI；DMN：四个ROI；SMN：三个ROI）。选择SN是因为它在检测和引导注意力朝向显著刺激方面的核心作用（38），这是针对体感聚焦干预的基本过程。选择FPN是因为它在SDE协议的注意力引导组件所需的自上而下的认知调节中的核心作用（39）。选择DMN是因为它在运动准备中的关键作用（40）。最后，选择SMN是因为它在感觉处理和运动执行中的关键作用，这是姿势控制训练的最终目标（41）。对于一级分析，提取了每个ROI的平均BOLD时间序列。对于每个参与者，通过计算所有ROI对之间的Fisher z变换相关系数来计算连接矩阵，得到153个成对连接。FC的变化（ΔFC）计算为训练后和训练前的z值之间的差异（T1—T0）。对于二级分析，采用了一般线性模型来评估组（SDE vs. SDO）× 时间（T1 vs. T0）对FC的交互效应。为了校正153个连接中的多重比较，采用了非参数的基于排列的Threshold-Free Cluster Enhancement（TFCE）方法（42）。统计显著性定义为经过家族错误（FWE）校正的p值小于0.05。对于任何识别的显著簇，提取了个体ROI到ROI连接的t值和假发现率（FDR）校正的p值以进行事后解释。2.6.4 与行为变化的探索性关联为了探索观察到的大脑连接变化与行为之间的关系，我们进行了探索性相关性分析。首先，对于在主要分析中识别的显著簇，计算了其所有组成连接的平均FC变化（ΔFC_cluster）。然后使用Spearman等级相关性来检查ΔFC_cluster与每个组姿势稳定性改善（ΔIPS）之间的关联。在补充的事后分析中，我们进一步检查了在FDR校正后仍然显著的单一连接中ΔIPS与边缘特定FC变化之间的关系（右AInsula–右SMG；ΔFC_edge）。这种相关性是使用Spearman等级相关性来评估的。作为这些变化分数分析的探索性补充，我们分别按组检查了T0和T1时IPS和FC之间的时间点特定（同时）相关性（补充图S2）。3 结果3.1 参与者特征最终分析共包括48名参与者（SDE组：n=25；SDO组：n=23）。如表1所示，两组在年龄、性别、体重指数（BMI）或 handedness评分方面没有显著差异（所有p>0.05）。3.2 行为结果：姿势稳定性（IPS）进行了混合设计（分割图）ANOVA，因素为组（SDO, SDE）和时间（T0–T2）对IPS进行分析。分析显示组×时间交互作用显著，F(1.80, 82.90) = 5.83, p = 0.004, Gη2 = 0.017（Greenhouse–Geisser校正），表明两组之间的姿势稳定性变化的时间模式不同。在此交互作用之后，使用Shaffer的方法来测试简单的主效应。SDE组从T0到T1的IPS显著增加（ΔIPS = +0.09, p = 0.001, dz = 0.42），并且这种改善在T2时仍然存在（T0 vs. T2: p = 0.004, dz = 0.32）。相比之下，SDO组没有显示出组内的显著变化。尽管SDE组的平均IPS变化没有超过之前报告的年轻健康成人的MDC95的0.26，但这种改善在统计上是显著的。时间过程如图4所示，描述性统计和测试值总结在表3中。图4显示了不同组别随时间变化的姿势稳定性指数（IPS）。点代表组平均值（SDE，实线；SDO，虚线），95%置信区间作为误差条；线条连接了不同时间点的平均值（T0基线，T1训练后立即，T2训练后30分钟；较高值表示更好的稳定性）。分割图ANOVA显示了显著的组×时间交互作用。在SDE组中，IPS从T0增加到T1并在T2时保持较高（括号表示使用Shaffer调整的组内成对测试的p值），而SDO组没有明显变化。ANOVA，方差分析；CI，置信区间；IPS，姿势稳定性指数；SDE，具有注意力范围扩展的感觉辨别；SDO，仅感觉辨别；T0，基线；T1，训练后立即；T2，训练后30分钟。表3时间点/统计SDE组（n=25）SDO组（n=23）IPS平均值（SD）T0（基线）1.71（0.23）1.75（0.13）T1（训练后）1.80（0.22）1.73（0.16）T2（随访）1.78（0.24）1.73（0.18）组内变化Δ（T1–T0）平均变化[95% CI]+0.09 [0.05, 0.14]?0.02 [?0.07, 0.02]调整后的p（仅SDE）；Cohen's dz.001；0.42n/a；?0.15组内变化Δ（T2–T0）平均变化[95% CI]+0.07 [0.03, 0.12]?0.02 [?0.08, 0.04]调整后的p（仅SDE）；Cohen's dz.004；0.32n/a；?0.15组内变化Δ（T2–T1）平均变化[95% CI]?0.02 [?0.07, 0.03]?0.00 [?0.08, 0.07]调整后的p（仅SDE）；Cohen's dz.425；?0.08n/a；?0.01描述性统计和组内姿势稳定性指数的变化。除非另有说明，否则值表示为平均值（SD）。Δ表示后期和早期时间点之间的差异。括号表示平均变化的95%置信区间。在主要分析中观察到显著的组×时间交互作用后，报告了SDE组的组内Shaffer调整后的p值。dz是从差异的SD计算出的Cohen的配对标准化平均变化，用于表示幅度，不论显著性如何。双侧α=0.05。CI，置信区间；IPS，姿势稳定性指数；SDE，具有注意力范围扩展的感觉辨别；SDO，仅感觉辨别；SD，标准差。3.3 定性结果：自我报告的运动策略如表4所示，从参与者自我报告的运动策略中得出的身体部位代码的分布与组和时间点有统计学上的显著关联[总体χ2(12) = 30.41, p = 0.002, Cramér's V = 0.20]。在独立性的零假设下，根据边际总数计算了预期计数。在T1的SDE组中，“Shoulder”代码的观察计数高于预期计数（z = 4.83, p < 0.001），而“Foot”代码低于预期计数（z = ?2.37, p = 0.018）。在T0的SDE组中，“Shoulder”代码的观察计数低于预期计数（z = ?3.01, p = 0.003）。在任何其他身体部位代码中都没有观察到显著偏差，SDO组在两个时间点也没有（所有|z| < 1.96）。作为敏感性分析，补充表S1中描述性地总结了句子级别的代码频率，以补充参与者级别的发现。在各种条件下，“Foot”代码仍然普遍存在，而SDE在T1的主要定性变化是“Shoulder”参考的显著增加，这与注意力扩展而不是从脚部相关监控的转移一致。表4代码SDE在T0SDE在T1SDO在T0SDO在T1n（%），zn（%），zn（%），zn（%），zFoot25（100%），0.7924（96.0%），?2.37a22（95.7%），1.0220（87.0%），0.98下肢（非脚部）7（28.0%），0.1712（48.0%），0.973（13.0%），?1.305（21.7%），?0.03肩部0（0.0%），?3.01a20（80.0%），4.83a2（8.7%），?1.653（13.0%），?0.91腰骶区域9（36.0%），0.1614（56.0%），0.547（30.4%），?0.115（21.7%），?0.73躯干22（88.0%），0.8822（88.0%），?1.7119（82.6%），0.9615（65.2%），0.13按组和时间点划分的身体部位代码的频率和调整后的标准化残差。百分比是组内的分母（SDE，n=25；SDO，n=23）。条目显示了每个代码至少出现一次的参与者数量（n）、相应的百分比（%）和调整后的标准化残差（z）。预期计数是基于独立性的零假设下的边际总数得出的。SDE，具有注意力范围扩展的感觉辨别；SDO，仅感觉辨别。a表示|z|≥1.96。没有对残差应用多重比较调整。为了补充这种参与者级别的分析，补充表S1提供了句子级别的敏感性分析。3.4 神经影像学结果：rs-fMRI（ROI到ROI，簇级别）ROI到ROI分析评估了组×时间对ΔFC（T1—T0）的交互作用。在SN定义的ROI内识别出一个显著簇，TFCE = 36.29, p-FWE = 0.015（图5；表5）。在其他预定义网络中没有识别出显著簇。这个双边缘SN簇内的平均连接性在SDE组训练后减少，而在SDO组中趋于增加（图5B）。如表5所示，这个簇包括两个连接。负t值表明SDE组的连接性变化（T1—T0）显著小于SDO组。对这个簇内个别连接的事后检查表明，右前岛叶（rAI）和右缘上回（rSMG）之间的连接性变化在FDR校正后仍然显著（p-FDR = 0.012）。相比之下，左前岛叶和rSMG之间的差异没有达到显著性（p-FDR = 0.336）。图5训练相关的静息态功能连接性变化。（A）这两个边缘构成了组×时间交互作用的单一TFCE显著簇（簇级别p-FWE <.05）；详见表5的边缘统计。（B）斜率图显示了从T0到T1每个个体的边缘平均（簇平均）Fisher z变换连接性（细线）和组平均值（粗线）。簇平均连接性是每个时间点两个组成ROI到ROI的Fisher z值的平均值。平均而言，TFCE显著簇内的平均连接性在SDE中减少，在SDO中增加。AInsula，前岛叶；l/r，左/右；SMG，缘上回；SDE，具有注意力范围扩展的感觉辨别；SDO，仅感觉辨别；T0，基线；T1，训练后立即；TFCE，无阈值簇增强；p-FWE，家族错误校正的p值。表5簇脑区1，MNI坐标（x，y，z）脑区2，MNI坐标（x，y，z）T值（df = 46）p-FDR簇1（TFCE = 36.29，p-FWE = 0.015）rAInsula，（47，14，1）rSMG，（62，?35，32）?4.350.012lAInsula，（?44，13，1）rSMG，（62，?35，32）?2.710.336注意力回路边缘（显著性/腹侧注意力）构成了组×时间交互作用的TFCE显著簇（ROI到ROI FC）。一般线性模型测试了组[具有注意力范围扩展的感觉辨别[SDE]和仅感觉辨别[SDO]]×时间（T1 vs. T0）对Fisher z变换ROI到ROI功能连接性的交互作用。子标题显示了来自无阈值簇增强（TFCE）的簇级别统计，带有家族错误校正（p-FWE）。对于显著簇内的事后检查，边缘级别的p值进行了FDR校正；只有右AInsula–右SMG边缘保持显著（p-FDR = 0.012）。负t值表明SDE的FC减少幅度大于SDO（即ΔFC_SDE < ΔFC_SDO）。MNI坐标（mm）是来自CONN图谱的ROI质心。AInsula，前岛叶；FC，静息态功能连接性；FDR，假发现率；FWE，家族错误；l/r，左/右；MNI，蒙特利尔神经学研究所；SMG，缘上回；SN，显著性网络；VAN，腹侧注意力网络。3.5 与IPS的探索性关联对于显著簇，我们使用Spearman等级相关性评估了其平均FC变化（ΔFC_cluster）与ΔIPS之间的关系。在SDO组中，与ΔIPS的相关性为中等负值（rs = ?0.33），但没有达到统计显著性（p = 0.119；图6A）。相比之下，在SDE组中，与ΔIPS的相关性接近零（rs = 0.08，p = 0.693）。图6静息态功能连接性变化与姿势稳定性之间的探索性相关性。散点图显示了按组划分的FC变化（ΔFC；x轴）和IPS变化（ΔIPS；y轴）之间的相关性。（A）TFCE显著簇的ΔFC（ΔFC_cluster）。（B）经过FDR校正后仍然显著的边缘的ΔFC（p-FDR <.05；右AInsula–右SMG；ΔFC_edge）。点代表个体，虚线表示最小二乘拟合，Spearman的rs和p值已标注。SDO组的相关性为中等负值（A面板：rs = ?0.33；B面板：rs = ?0.40），尽管它们没有达到统计显著性（p = 0.119和p = 0.055）。SDE组中的相关性可以忽略不计且不显著。Δ表示变化（T1减去T0）；FC表示静息态功能连接性；FDR表示假发现率；IPS表示姿势稳定性指数；SDE表示具有注意力范围扩展的感觉辨别能力；SDO仅表示感觉辨别能力；rs表示斯皮尔曼等级相关系数。在额外的事后探索性分析中，我们还评估了ΔIPS与经过FDR校正后仍显著的单个边缘变化之间的关系（rAI–rSMG；ΔFC_edge）。在SDO组中，这种关联显示出中等负相关强度（rs = –0.40），尽管这种关联也未达到统计显著性（p = 0.055；图6B）。相比之下，SDE组中的相关性可以忽略不计（rs = 0.05，p = 0.795）。

4. 讨论
本研究发现，一种旨在将注意力范围从局部足底感觉（作为感知锚点）扩展到全身参考框架的短期训练方案与即时、多层次的效果相关，包括行为、主观和神经生理学测量。与我们的假设一致，在这三个层面上都观察到了趋同的证据。姿势稳定性方面观察到了显著的组×时间交互作用。SDE组在训练后立即显示出IPS的增加，并在30分钟后仍然持续，而SDO组则没有变化。尽管平均ΔIPS没有超过MDC95阈值，但在组水平上仍然观察到了统计学上的显著改善。补充这一行为效应的是，对自我报告的运动策略的分析表明，SDE组的“肩部”代码在训练后显著增加，而“脚部”代码在参与者层面有所减少。这种模式与注意力向全身策略元素的扩展一致，同时足部相关的监控仍然存在，而不是完全从足部聚焦的注意力转移（表4）。此外，在一个连接中识别出了显著的组×时间交互作用（rAI–rSMG），其中SDE组的连接性下降，而SDO组的连接性呈上升趋势。总体而言，这些趋同的结果表明，注意力范围的扩展与姿势稳定性的即时改善以及自我报告的运动策略和训练后静息态连接性的变化相关。

这种训练的核心机制可能涉及重新配置自下而上的感觉信息的使用方式。研究表明，使用足底感觉作为感知锚点，将注意力范围扩展到全身参考框架，可能促进注意力向更全局的运动策略元素的扩展，从而有助于立即改善姿势。重要的是，这种扩展并不意味着脱离足部监控；相反，足底感觉仍然是一个感知锚点，而注意力则扩展到包括其他全身参考线索。先前的研究已经证明，促进全身自上而下注意力控制的干预措施，如身体意识疗法（43）和正念冥想中的身体扫描技术（44），可以改善平衡和内感受性准确性。观察到的改善，加上对全身参考线索的注意力扩展，与这些发现一致。然而，我们方法的独特之处在于将传统的感觉精炼技术（8, 9）与明确的治疗性对话相结合。这种对话指导参与者使用局部足底感觉作为感知锚点，然后将他们的注意力扩展到全身参考框架，从而促进节段间协调的学习。这一整合过程可能有助于促进自下而上的感觉信息与自上而下的注意力控制之间的主动协调，可能支持姿势控制。这种整合框架可能为解决传统感觉聚焦康复的局限性提供新的视角，并可能为感觉输入增强和辨别训练的未来工作提供信息。

另一个值得注意的发现是rAI和rSMG之间FC变化的相反方向。这种分歧可能反映了每种训练方案所引发的不同的注意力需求。rAI是SN的中心枢纽，在响应行为显著刺激时在启动注意力控制中起着关键作用（45）。相比之下，rSMG作为CONN图谱中的SN ROI之一，功能上被认为是右颞顶交界区（rTPJ）的一部分，这是腹侧注意力网络（VAN）的关键枢纽（46）。VAN主要支持注意力向行为相关外部刺激的自下而上的重新定向。SDO方案强调对顺序性、外部引导的足部运动的辨别，本质上优先考虑反应性和局部化的注意力模式。其结构包括一系列离散的运动，要求参与者反复将注意力转移到每个新的短暂足底感觉上。这种对外部生成刺激的持续、反应性监控过程可能需要SN（检测新感觉）和VAN（将注意力转移到它上面）之间相对强的功能耦合。因此，在SDO组中观察到的rAI–rSMG连接性的增加可能与一种认知要求高的、刺激驱动的注意力模式一致，在这种模式下，参与者反复监控并转移到每个新的足底感觉上。然而，这种连接性变化与SDO组姿势改善之间的探索性相关性为中等负相关强度（rs = –0.40），尽管它们没有达到统计显著性（p = 0.055）。因此，这些相关性不能作为支持或反对这种解释的证据。目前，认为增强的SN–VAN整合反映了增强稳定性的相对低效配置的观点应被视为一个需要在未来研究中测试的假设。相比之下，SDE方案可能重新定义了刺激驱动输入的角色。它不是将足底感觉视为一个孤立的监控目标，而是设计用来引导参与者使用这种感觉信号作为感知锚点，从而促进自上而下的注意力控制从局部焦点转移到对全身对齐的更全局意识。鼓励参与者有意识地将足底感觉信息与他们的整体身体对齐联系起来，可能培养了一种更有效的注意力状态，这种状态可能较少依赖于持续、紧密耦合的SN–VAN交互。一种可能的解释是，扩大注意力范围可能将足底感觉输入重新定义为全身参考信号，从而可能有助于SN–VAN耦合的变化。与这种解释一致，这些连接性变化伴随着姿势稳定性的短期改善，尽管当前数据没有建立神经效应和行为效应之间的机制联系。

这两组之间神经活动的这些看似相反的变化模式可以在功能分离和整合的高级框架内进行讨论。根据Wang等人的观点，高效的大脑功能依赖于分离和整合之间的动态平衡，在分离中，各个网络独立执行专门的处理，在整合中，多个网络协调处理复杂任务（47）。从概念上讲，当整合变得过于强烈或广泛时，神经处理可能会悖论性地失去效率，专门化网络的独特角色变得模糊，整体成本效益降低（48）。鉴于此背景，SDO条件下从T0到T1观察到的rAI–rSMG连接性的增加可能与更强的耦合状态一致，而SDE条件下rAI–rSMG连接性的减少可能与相对更大的分离一致。然而，由于我们没有观察到显著的ΔFC–ΔIPS关联，这些解释仍然是推测性的，应被视为关联性的而非机制性的。因此，注意力扩展可能伴随着策略层面的变化和短暂的网络状态差异，但没有显示出因果神经机制。

这项研究存在一些局限性。首先，所有训练、IPS评估和访谈都由同一位物理治疗师进行，没有应用分配隐蔽或掩盖措施。这些因素可能引入了期望效应、观察者偏差和访谈者偏差，可能夸大了SDE组的明显改善。尽管T1访谈在任何反馈之前进行，并且指导是标准化的，但无法排除残余偏差。未来的研究应使用独立的、盲目的评估者和访谈者进行IPS测试和访谈，并在可行的情况下对分析师进行组分配的掩盖。其次，尽管该方案旨在使用足底皮肤感觉作为感知锚点，参与者也可能依赖其他输入（例如踝关节/膝关节本体感觉或视觉）来判断姿势并在训练期间做出反应。此外，由于治疗性对话是SDE的一个组成部分，一些训练后的词汇可能是由对话引发的。相反，基于频率的文本挖掘输出可能低估了低频但可能有意义的表达，需要在未来的工作中进行补充的定性分析。第三，尽管SDE组在IPS方面显示出统计学上可靠的改善，但平均变化（ΔIPS ≈ +0.09）没有超过年轻健康成年人的最小可检测变化阈值（MDC95 = 0.26）。因此，观察到的组水平效应可能不表明基于此MDC标准的个体有意义的变化。第四，这项概念验证研究是在一个小型、同质的年轻健康成人样本中进行的，并且只使用了一次短暂会话；因此，其对临床人群的普遍性和效果的持久性尚不清楚。第五，rs-fMRI数据是在训练前后立即收集的，探索性分析没有发现显著的大脑–行为关联；因此，观察到的连接性变化与姿势改善之间的关系仍然是关联性的而非机制性建立的。这种零关联应谨慎解释，因为基于变化分数的相关性可能特别容易受到测量误差的影响（49）。未来的研究需要采用多会话设计，并在几天到几周内进行随访，以确定这些网络变化是否持续，并澄清它们与行为结果的机制关联。总体而言，这些发现应被视为即时训练变化的机制性、多层次的概念验证证据，可以指导未来机制性和纵向研究的假设，而不是临床有效性的证据。

5. 结论
这项在健康年轻成人中的概念验证研究表明，将注意力范围从局部足底感觉（作为感知锚点）扩展到全身参考框架与姿势稳定性、自我报告的运动策略和静息态连接性的即时变化相关。提高对自下而上的足底感觉输入的敏感性仍然是姿势控制的一个基本且重要的目标。尽管如此，我们的结果提示了一个潜在的重要下一步：学习如何解释和使用足底输入，不是作为一个孤立的刺激，而是作为平衡调节的全身参考信号。同时，单次会话设计和缺乏显著的大脑–行为关联限制了机制推断和关于持久性的结论。需要进一步的机制性和纵向研究，包括在临床人群中的评估。