综述:脑电图神经反馈与训练干预对高尔夫推球表现的影响:系统综述与元分析

《Frontiers in Psychology》:Effects of EEG neurofeedback and training interventions on golf putting performance: a systematic review and meta-analysis

【字体: 大 中 小 】 时间:2026年04月23日 来源:Frontiers in Psychology 2.9

编辑推荐:

  摘要 背景:脑电图神经反馈(EEG-NFT)被用于调节大脑功能,以提高高尔夫推球的成绩。然而,EEG-NFT的有效性及其与非EEG训练干预在提高推球成绩方面的关系仍不明确。 方法:遵循系统评价和元分析的 Preferred Reporting Items (PRISMA) 指

  摘要

背景:脑电图神经反馈(EEG-NFT)被用于调节大脑功能,以提高高尔夫推球的成绩。然而,EEG-NFT的有效性及其与非EEG训练干预在提高推球成绩方面的关系仍不明确。

方法:遵循系统评价和元分析的 Preferred Reporting Items (PRISMA) 指南以及国际系统评价前瞻性注册库 (PROSPERO) 的注册要求 (CRD420251068586),本研究系统地检索了截至2025年6月8日的多个数据库。纳入了研究EEG-NFT和其他高尔夫推球训练干预的随机对照试验 (RCTs)。元分析采用了随机效应模型,并进行了亚组分析以探讨调节因素。

结果:共纳入12项RCTs,涉及424名参与者。总体分析显示EEG-NFT对推球成绩有显著积极影响(标准化平均差值,SMD = 1.33;95% CI:0.36–2.29;p = 0.007),但存在较大异质性(I2 = 94%)。亚组分析表明,技能水平显著调节了干预效果(p = 0.0003),新手表现出最大的改善(SMD = 2.10)。关键的是,干预效果强烈依赖于解剖特异性和目标频段:中央区域-感觉运动节律(Cz-SMR)-NFT显示出稳健的积极效果(SMD = 1.12,95% CI:0.59–1.66),而针对Mu节律(SMD = ?1.84)和前额中线θ波(SMD = ?1.92)的抑制性协议则显示出显著的负面影响。非EEG训练干预也对推球成绩有积极影响,基于技能练习的干预措施在新手高尔夫球手中显示出与有效的EEG-NFT协议相当的效果。

结论:EEG-NFT可以提升推球成绩,但成功需要根据技能水平和神经目标选择精确的方案。Cz-SMR增强似乎是可靠的,而非特异性抑制可能有害。未来的研究应建立标准化方案,并进行更大规模的RCTs来验证这些发现。

系统评价注册:https://www.crd.york.ac.uk/prospero/display_record.php?RecordID=1068586,标识符(CRD420251068586)

1 引言
在高尔夫中有一句俚语:“开球是为了展示,推球是为了赚钱”(Jiménez-Ortega等人,2020;Brouillette,2010)。尽管有力的开球能够吸引观众的注意,但推球才是决定胜负的关键。推球占总击球次数的约43%(Tanaka和Iwami,2018;Richardson等人,2015),并且通过准确的推球技术,用更少的击球次数将球放入洞中可能是提高成绩的有效方法(Shim等人,2019)。与依赖体力和高尔夫挥杆机械性的开球不同,推球是技术精度、心理韧性、神经认知控制和环境适应之间的复杂互动(McHugh等人,2024;Chen等人,2022)。在技术层面上,后摆幅度标准化和击球点准确性直接影响球的滚动轨迹(Yang等人,2024;Liu等人,2025)。在心理层面上,压力下调节焦虑的能力决定了动作的稳定性(Cooke等人,2014);在神经认知层面上,SMR调节的持续时间构成了表现一致性的神经基础;在果岭阅读层面上,对果岭速度或坡度的感知偏差可能导致策略性错误(Wu等人,2024b;Wu等人,2024a)。更复杂的是,果岭环境的动态复杂性——草的模式、坡度和湿度相互作用改变球的滚动——使得纯粹的技术或环境量化推球成绩变得不切实际(Stephens等人,2021;Hasegawa等人,2024)。这一多维挑战使研究焦点转向神经认知机制,而脑电图(EEG)作为一种关键工具被用来揭示大脑在最佳推球中的作用,因为它具有可操作性和机制清晰性(Wang等人,2023;Ji等人,2019;Afrash等人,2023)。

EEG提供了一个非侵入性的窗口,可以观察运动表现背后的神经动态。该技术捕捉了来自皮层神经网络的同时电活动,特定的频段反映了不同的认知和运动过程(Cai等人,2024)。EEG活动包括使用EEG测量的神经振荡,其特征是频段(如α波、β波、θ波、感觉运动节律[SMR]和Mu波)和空间分布。在高尔夫推球中,专家的EEG特征是SMR(12–15 Hz)同步增强和α波(8–12 Hz)调制优化,特别是在中央和前额区域(Lu等人,2025)。这种高效的神经特征与技能较低的运动员的混乱皮层活动形成对比(Wright等人,2013)。此外,在竞争压力下,精英高尔夫球手保持稳定的EEG模式,而业余球手则表现出前额中线θ波(FMT,4–7 Hz)功率升高——这是认知过载的标志,会损害表现稳定性(Wang等人,2020)。在高风险时刻,业余球手的FMT功率显著升高,这是认知努力和焦虑增加的标志,会干扰自动运动(Chen等人,2022)。然而,精英高尔夫球手保持相对稳定的EEG模式:他们的SMR保持一致,FMT升高最小化,从而在压力下仍能保持运动效率(Afrash等人,2023)。这种对比突显了EEG识别“神经韧性”标志物的潜力,这些标志物区分了精英和次精英的表现。神经韧性被定义为在心理压力或认知需求条件下维持稳定、任务最优振荡模式的能力。在高尔夫推球中,神经韧性通过两个关键的EEG特征来体现:(1)SMR同步的稳定性,它是持续运动执行的基础;(2)前额中线θ波功率的有效调节,它最小化了干扰表现的认知干扰。

EEG-NFT:这种干预方式使个体能够实时接收关于特定EEG频段的反馈,以学习自我调节皮层活动。与EEG-NFT并行,训练干预长期以来一直是提高高尔夫推球成绩的主要实际策略,包括基于技能练习的方法和认知控制训练(Abdoli等人,2025;Gallicchio和Ring,2019;Wang等人,2024;Zhu等人,2011)。这些非EEG干预(不涉及神经反馈的训练方法,但可能包括EEG测量以获得机制洞察)侧重于通过有针对性的练习或心理调节来优化技术熟练度、运动记忆和认知调节,补充了EEG-NFT的神经认知目标。尽管这些方法被广泛应用,但其有效性以及与非EEG训练干预的相对有效性在现有文献中尚未得到充分综合。

Mu节律(8–13 Hz)是记录在感觉运动皮层上的振荡模式,在执行、观察或想象运动动作时会被抑制(Sabate等人,2012)。先前的研究表明,Mu节律的脱同步(ERD)与自愿运动的准备和执行相关,而同步(ERS)与运动抑制和休息状态相关(Debnath等人,2019)。研究发现,运动技能较高的运动员在运动执行过程中表现出更明显的ERD,表明Mu节律反映了运动皮层的激活效率(Filho等人,2021)。现有研究结果并不一致,一些研究显示SMR增强后有显著改善,而其他研究则显示针对Mu或前额θ波的协议没有效果或甚至是有害的(Van Noordt等人,2016)。这种异质性可能源于未能系统地考虑关键调节变量,特别是运动员的技能水平、干预目标的解剖特异性和训练剂量。此外,该领域缺乏全面的定量综合,以确定EEG神经反馈训练(NFT)的有效条件。

这项系统评价和元分析旨在定量综合关于EEG活动在高尔夫推球表现中的证据。研究将量化关键EEG指标与推球结果之间的关联,检查技能水平作为调节因素,评估EEG神经反馈的有效性,并确定方法学的异质性来源。研究结果将阐明推球表现的神经认知机制,并支持根据个体神经特征和技能水平开发有针对性的训练方案。

2 材料与方法
这项系统评价和元分析的方案已在国际系统评价前瞻性注册库(PROSPERO)中注册,注册号为CRD420251068586。研究严格遵循系统评价和元分析的 Preferred Reporting Items (PRISMA) 指南进行,以确保研究选择、数据提取和定量综合方面的透明度和方法学严谨性。

2.1 纳入和排除标准
2.1.1 纳入标准
- 人群(P):涉及没有影响推球的神经或运动障碍的高尔夫球手(业余或专业)的研究。
- 干预(I):评估高尔夫推球表现训练干预的研究,包括(a)基于EEG信号的EEG神经反馈干预和(b)包括EEG测量的非EEG训练干预(技能练习和认知控制训练)。
- 比较(C):比较不同技能水平或表现结果的EEG测量的研究,或评估EEG干预的研究。
- 结果(O):推球表现的定量测量及其对应的EEG数据。
- 研究设计(S):本系统评价仅纳入评估(a)EEG-NFT或(b)非EEG训练干预的高尔夫推球表现的随机对照试验(RCTs)。排除了观察性设计(队列研究和病例对照研究)、定性研究、案例报告、系统评价和元分析,优先考虑方法学严谨性最高的主要研究证据。

2.1.2 排除标准
- 不专注于高尔夫推球的研究。
- 缺乏定量EEG数据或表现指标的研究。
- 非英文全文文章(在筛选标题/摘要后)。
- 案例报告和叙述性评价。

2.2 文献搜索策略
2.2.1 确定数据库
选择了多个相关数据库以确保全面和严谨的搜索。搜索的数据库包括PubMed、Web of Science和Scopus。

2.2.2 搜索词
为了进行彻底和系统的评价,本研究使用了基于人群、干预、比较和结果(PICO)框架的医学主题词(MeSH)和关键词进行全面的文献搜索。为了确保完全透明性和可重复性,详细的搜索策略(包括具体搜索词、使用的数据库和搜索字符串)记录在补充文件1中。

2.2.3 综合搜索形式(以Scopus数据库为例)
在Scopus中,搜索词如下:
TITLE-ABS-KEY (golf) 或 TITLE-ABS-KEY (golf AND putting) 或 TITLE-ABS-KEY (golf AND putt) 或 TITLE-ABS-KEY (golf AND putting AND performance) 或 TITLE-ABS-KEY (golf AND putting AND accuracy) 或 TITLE-ABS-KEY (golf AND putting AND success) AND (TITLE-ABS-KEY (electro-encephalography) 或 TITLE-ABS-KEY (EEG) 或 TITLE-ABS-KEY (brain AND wave) 或 TITLE-ABS-KEY (alpha AND wave) 或 TITLE-ABS-KEY (beta AND wave) 或 TITLE-ABS-KEY (theta AND wave) 或 TITLE-ABS-KEY (neural AND oscillation) 或 TITLE-ABS-KEY (neurofeedback) 或 TITLE-ABS-KEY (EEG AND feedback))。

2.2.4 搜索范围
系统检索了截至2025年6月8日发表的研究,包括期刊文章和学位论文。为了减轻发表偏倚并确保全面性,还对纳入研究的参考文献和相关评价文章进行了二次搜索。

2.3 研究选择和数据提取
2.3.1 文献筛选
两名评审者(Z.L.和H.L.)独立地根据预定义的纳入标准筛选所有检索记录的标题和摘要。每位评审者记录了他们的决定,分歧通过讨论解决。全文评估:两名评审者(C.L.和F.L.)独立评估潜在符合条件研究的全文,并记录了每个研究的排除原因。如果两位评审者在任何阶段未能达成共识,分歧将提交给高级评审者(B.L.)进行最终决定。验证:第三位评审者(C.L.)验证了最终纳入的研究列表,并根据PRISMA指南检查排除原因。整个筛选过程使用EndNote X9(Thomson Reuters,加州卡尔斯巴德)进行管理,以去除重复项并组织数据。PRISMA流程图(图1)记录了每个阶段的研究数量和排除原因。

2.3.2 文献提取
两名评审者(Z.L.和C.L.)使用标准化的数据提取表独立进行了数据提取,该表格在三个纳入的研究中进行了测试。表格收集了以下信息:(1)研究特征(作者、年份、国家和研究设计),(2)参与者特征(样本量、年龄、技能水平和差点),(3)干预细节(类型、方案、持续时间和对照条件),(4)EEG测量(记录位置、频段、功率指标和处理方法),(5)推球表现结果(指标和测量条件),以及(6)统计数据(平均值、标准差、样本量和效应量)。独立提取后,两位评审者交叉核对所有提取数据的准确性。争议通过讨论得到解决,在必要时咨询了第三位审稿人(B.L.)。数据使用Microsoft Excel 2021(微软公司,美国华盛顿州雷德蒙德)进行编译。2.4 文献质量评估 两位审稿人(Z.L.和H.L.)独立使用Cochrane合作组的偏倚风险评估工具(RoB 2)对文献质量进行了评估。每位审稿人从七个方面对纳入的研究进行了评估,即:(1)随机序列生成,(2)分配隐蔽,(3)参与者和人员的盲法处理,(4)结果评估的盲法处理,(5)不完整的结果数据,(6)选择性报告,以及(7)其他偏倚来源。在筛选和数据提取的所有阶段,审稿人之间的分歧通过讨论解决。审稿人首先通过重新审查原始研究并讨论他们的判断理由来尝试达成共识。当无法达成共识时,第三位审稿人(B.L.)做出最终决定。这一过程确保所有纳入的研究和提取的数据都符合约定的标准。2.5 统计分析 统计分析使用Review Manager 5.4(Cochrane合作组,英国牛津)进行。对于连续性结果,计算了标准化平均差异(SMD),并提取了相应的95%置信区间(95% CI)。为了整合使用不同测量尺度(成功率、径向误差和EEG功率值)的研究结果,本研究采用了标准化平均差异作为统一的效应大小指标。所有推杆表现和EEG结果指标被分类为正面和负面指标。正面指标:较高的值代表更好的表现和更有益的神经调节(推杆成功率、成功推杆次数、目标脑区的感觉运动节奏功率增强)。负面指标:较低的值代表更好的表现和更有益的神经调节(径向误差、平均径向误差、抑制的中额叶θ节律功率)。为了确保所有正面的SMD值一致地代表有益效果,所有负面指标的计算d值经过了符号反转(乘以-1)。使用χ2检验评估异质性,显著性阈值为α=0.1。当I2统计量<50%时,研究被认为是同质的,并应用固定效应模型来汇总效应大小。当I2≥50%(表明存在显著异质性)时,应用随机效应模型。通过亚组分析或敏感性分析调查潜在的异质性来源。所有分析的统计显著性采用双尾α=0.05标准。3 结果 3.1 小节 根据预定义的搜索策略,从电子数据库中检索到总共289篇文章:32篇来自PubMed,99篇来自Web of Science,78篇来自Scopus,80篇来自EBSCO。没有从其他来源找到额外的研究。在移除152条重复记录、5篇非英文文章以及25篇因其他原因(如信件和会议摘要)被排除的文章后,系统地筛选了剩余107篇文章的标题和摘要。其中,67篇文章因以下原因被排除:没有EEG和推杆数据、受试者未参加推杆训练,或研究仅限于系统评价或荟萃分析。随后对剩余的研究进行了全文审查,有9项非随机对照试验、8项不符合干预标准的研究,以及11项结果指标不足的研究被排除。最终,纳入了12篇符合条件的文章,涉及424名受试者,他们接受了带有EEG测量的推杆训练。文献筛选过程的流程图见图1。共有12项研究被纳入本次荟萃分析,涉及424名受试者,包括88名精英高尔夫球手、40名中高差点高尔夫球手(差点≥10)、56名非差点高尔夫球手,以及240名新手。EEG干预针对不同的频带和脑区。方案包括增强中央区(Cz)的SMR(12–15 Hz)(Wu等人,2024a;Afrash等人,2023;Pourbehbahani等人,2023;Cheng等人,2015),调节Cz的Mu节律(8–13 Hz)(Wang等人,2023;Afrash等人,2023;Wang等人,2022),以及抑制Fz的FMT(4–7 Hz)或alpha(8–12 Hz)(Chen等人,2022;Afrash等人,2023;Ring等人,2015)。其他研究包括没有神经反馈的广泛推杆练习(Abdoli等人,2025;Wang等人,2024),或基于心理特征的神经一致性差异研究(Zhu等人,2011)。训练方案从单次会话干预(Chen等人,2022;Wu等人,2024a;Wang等人,2023;Zhu等人,2011;Wang等人,2022)到连续几周的多次会话(Afrash等人,2023;Pourbehbahani等人,2023;Cheng等人,2015),其中一项纵向研究跟踪了参与者3个月的情况(Wang等人,2024)。推杆任务在2至4米的距离上进行,每项研究的试验次数从40到300次不等。一些研究中采用了奖励、表现排名和社会评估等方法来施加压力(Wu等人,2024a;Zhu等人,2011;Ring等人,2015)。主要结果包括推杆表现指标(如径向误差、推杆成功率及表现一致性)和EEG指标(如特定频带的绝对功率和脑区之间的功能连接性)。与研究特征相关的数据详见表1。表1 作者 N(I/C) 打杆差点(I/C) 干预类型 干预持续时间 EEG神经生理指标 推杆结果指标 Abdoli等人(2025) 15/15 两者都是新手 推杆练习/无 3天,每 session 100次推杆 F(F3, Fz, F4),C(C3, Cz, C4),P(P3, Pz, P4);低α(8–10 Hz),高α(10–12 Hz);绝对功率(对数);2000 ms 压杆前/后 MRE(cm),SRE(cm),BE(cm) Afrash等人(2023) 32/32 两者都是新手 Cz–SMR NFT(12–15 Hz,增强)/Fz–α NFT(8–12 Hz,抑制)/Cz–Mu NFT(8–13 Hz,抑制)/假对照组 6次会话(每周3次,共2周);20分钟NFT + 每次会话12次推杆 Cz(SMR/Mu),Fz(α);SMR(12–15 Hz),α(8–12 Hz),Mu(8–13 Hz);绝对功率;休息(睁眼/闭眼),推杆任务 Radial error(cm) Chen等人(2022) 12/12 FSI:12.00 ± 11.02/TI:14.00 ± 7.38/SC:18.00 ± 8.86 Fz–FMT NFT(4–7 Hz,抑制:FSI/TI)/假对照组 1次会话(1.5小时,50次推杆:每次10次) Fz;FMT(4–7 Hz);绝对功率;推杆准备,休息 成功率(40次推杆) Cheng等人(2015) 8/8 0.00 ± 3.90 Cz–SMR NFT(12–15 Hz,增强)/假对照组 8次会话(每周2次,共4周);30–45分钟NFT/每次会话 Cz;SMR(12–15 Hz);相对功率;压杆准备,休息 MRE(cm),SD(cm) Gallicchio和Ring(2019) 16/16 非差点 随机/分组目标练习 120次推杆(20次基线,80次测试,20次保持) F(F3, Fz, F4),T(T7, F7, CP5),C(C3, Cz, C4),P(P3, Pz, P4),O(O1, Oz, O2);α(8–12 Hz);绝对/相对功率;压杆准备 Radial error(cm),Len error(cm),Ang error(°) Pourbehbahani等人(2023) 20/20 两者都是新手 Cz–SMR NFT(12–15 Hz,增强)/伪反馈 6次会话(每天1次,共6天);20分钟NFT + 每次会话12次推杆 Cz;SMR(12–15 Hz);绝对功率;休息,按钮推动任务 MRE(cm) Ring等人(2015) 12/12 23.00 ± 6.62/23.33 ± 4.62 Fz 区域10–12 Hz 高Alpha抑制NFT(同时抑制4–8 Hz theta)/伪反馈(播放配对NFT组反馈记录) 3次会话(每次1小时NFT);每次会话12次推杆块 Fz;高α(10–12 Hz),θ(4–8 Hz);相对功率;压杆准备 MRE(cm) Wang等人(2022) 10/10 两者都是新手 Cz–Mu NFT(8–13 Hz,增强/抑制) vs. 假对照组 30–45分钟(坐→站,成功率70–80%) Cz(C3/C4);Mu(8–13 Hz)(+θ4–7 Hz,β14–20 Hz对照);绝对功率;摇杆准备 MRE(cm);主观:动作控制(11分),压力(11分) Wang等人(2023) 10/10 两者都是新手 Cz–Mu NFT(8–13 Hz,增强/抑制)/假对照组 30–45分钟(坐→站,成功率70–80%) Cz(C3/C4);Mu(8–13 Hz)(+θ4–7 Hz,β14–20 Hz对照);绝对功率;摇杆准备 MRE(cm);主观:动作控制(11分),压力(11分) Wang等人(2024) 41/41 两者都是新手 重复练习/无练习 纵向(7–22周,约12.4周);约25.9次会话 Fz–P3/P4(额顶区),Cz–C3/C4(感觉运动);8–13 Hz;虚拟站间PC;推杆准备 平均分数(60次推杆),SD Wu等人(2024a, 2024b) 44/44 0.44 ± 2.14 Cz/CPz–SMR NFT(12–15 Hz,增强)/CON(无NFT)(交叉) 30分钟NFT + 60次推杆 Cz/CPz;SMR(12–15 Hz),高α(10–12 Hz);绝对功率,CSD;推杆准备 成功率(60次推杆),SD Zhu等人(2011) 8/8 两者都是新手 高 vs. 低意识动作控制 10次推杆任务 T3–Fz,T4–Fz;α1(8–10 Hz),α2(10–12 Hz);一致性(Fisher z);推杆前4秒 平均距离(cm到目标块) 包含研究的描述。I/C,干预组/对照组;NFT,神经反馈;SMR,感觉运动节奏;FMT,额中线θ;α,Alpha;θ,Theta;β,Beta;FSI,特定功能指令;TI,传统指令;SC,假对照组;Abs,绝对;Rel,相对;PC,相位一致性;CSD,电流源密度;MRE,平均径向误差;SRE,主观重心径向误差;BVE,双变量误差;SD,标准差;sess,会话;d,天;wk,周;pt,点。3.2 包含文献的质量评估 根据Cochrane偏倚风险评估量表,对选定的12项研究进行了详细评估,结果如下:在随机序列生成方面,8项研究的偏倚风险较低,2项风险较高,2项风险不明确。在分配隐蔽方面,2项研究被评为低风险,2项风险较高,8项风险不明确。参与者和人员的盲法处理具有挑战性,只有3项研究的偏倚风险较低,大多数研究偏倚风险较高或不明确。在结果评估方面,5项研究的评估者被盲法处理(低风险),而其他研究要么使用客观指标,要么盲法处理不明确(由于客观结果,偏倚可能性较低)。所有12项研究都报告了完整的数据(流失偏倚风险较低),并且完全报告了预指定的结果(报告偏倚风险较低),未发现其他偏倚。总体而言,流失、报告和其他偏倚的风险较低,但选择偏倚(随机化/分配不明确)和表现偏倚(非盲法干预)引入了不确定性,如图2和图3所示。图2 偏倚风险图。图3 偏倚风险总结。3.3 荟萃分析 3.3.1 整体分析 由于在选定的研究中使用了不同的指标来评估推杆表现(如径向误差、成功率和绝对误差)和EEG脑波(如alpha和θ波),因此采用SMD作为综合效应大小。对于方向不一致的指标,在分析前进行了方向统一处理,以确保所有正的SMD都代表推杆表现的改善。如图4所示,高尔夫推杆表现的汇总SMD为1.32(95% CI,0.40–2.24),具有统计学上的显著总体效应(Z = 2.80,p = 0.005)。这表明,平均而言,与对照条件相比,干预对推杆表现有显著的积极影响。然而,较高的异质性(I2 = 94%)表明应谨慎解释这一总体估计,因为它可能反映了不同研究特征之间的干预效应差异,而不是单一的均匀治疗效果。高异质性强调了通过亚组和元回归分析探索调节因素的重要性。作为探索性(非预先指定的)事后程序进行了敏感性分析,以确定高异质性的来源。由于效应大小异常值、非标准的推杆任务距离或不匹配的主动对照条件影响了全局估计,因此排除了5项研究(Wang等人,2023;Wang等人,2024;Sabate等人,2012;Debnath等人,2019;Pourbehbahani等人,2023)。排除后,异质性从94%下降到46%,汇总效应大小仍然显著(SMD = 0.76,95% CI 0.40–1.12,p < 0.001),证实了核心发现的稳健性(表2)。图4 推杆表现森林图。表2 指标 包含的研究 排除的研究 I/C(n)SMD(95%CI)pI2 p值的异质性 推杆表现 Chen等人(2022),Wu等人(2024a),Afrash等人(2023),Abdoli等人(2025),Gallicchio和Ring(2019),Zhu等人(2011),Filho等人(2021) Wang等人(2023),Wang等人(2024),Sabate等人(2012),Debnath等人(2019),Pourbehbahani等人(2023) 13 6 13 6 0.76(0.40, 1.12) <0.001 46% 0.09 推杆表现敏感性分析结果。排除了五项具有非标准协议或极端效应大小的异常值研究的探索性事后敏感性分析。3.3.2 根据技能水平进行的亚组分析 亚组差异测试显示出显著异质性(p = 0.0003)。成对比较显示精英组与无差点组(p < 0.001)和无差点组与新手组(p = 0.002)存在显著差异,而中高差点组与无差点组接近显著(p = 0.05)。值得注意的是,对于没有正式打杆差点的球员的分析显示了显著的负面效应(SMD = ?0.79,95% CI: ?1.52至?0.07),这需要在讨论部分仔细探讨。3.3.3 根据干预持续时间进行的亚组分析 单次会话亚组:汇总SMD为1.69(95% CI: 0.18–3.20),占总权重的66.0%。这表明单次会话的干预可以有效提高推杆表现。多次会话亚组:SMD为0.71(95% CI: 0.10–1.31),权重为34.0%,显示出中等程度的积极效应(表3)。亚组差异的测试不显著(p = 0.23),表明干预持续时间对效应大小的异质性没有统计学上的显著影响。表3 亚组分析 分类 包含的研究 SMD(95%CI)权重/% 亚组差异 技能水平精英组 Wu等人(2024a),Gallicchio和Ring(2019) 0.89(0.47, **新手(p = 0.002),亚组差异检验(p = 0.0003)**
**中等到高 handicaps**
Chen 等人(2022),Zhu 等人(2011):0.64(?0.62, 1.90);16.9%
**无 handicaps**
Van Noordt 等人(2016):?0.79(?1.52, ?0.07);8.6%

**新手**
Wang 等人(2023),Afrash 等人(2023),Abdoli 等人(2025),Wang 等人(2024),Sabate 等人(2012),Debnath 等人(2019),Filho 等人(2021):2.10(0.37, 3.84);57.2%

**干预持续时间**
**单次 session**
Chen 等人(2022),Wu 等人(2024a),Wang 等人(2023),Wang 等人(2024),Sabate 等人(2012),Debnath 等人(2019),Filho 等人(2021),Van Noordt 等人(2016):1.69(0.18, 3.20);66.0%
(该检验无显著性,p = 0.23)

**多次 session**
Afrash 等人(2023),Abdoli 等人(2025),Gallicchio 和 Ring(2019),Zhu 等人(2011):0.71(0.10, 1.31);34.0%

**干预类型**
**SMR-NFT**
Wu 等人(2024a),Afrash 等人(2023),Abdoli 等人(2025),Gallicchio 和 Ring(2019):0.88(0.57, 1.19);53.9%
(该检验无显著性,p = 0.27)

**Mu-NFT**
Wang 等人(2023),Wang 等人(2024):0.26(?0.51, 1.03);8.8%
**FMT-NFT**
Chen 等人(2022):?1.92(?2.92, ?0.92);6.5%
**非 EEG 干预**
Zhu 等人(2011),Sabate 等人(2012),Debnath 等人(2019),Filho 等人(2021),Van Noordt 等人(2016):1.05(0.63, 1.46);30.8%

**亚组荟萃分析结果**

**3.3.4 根据干预类型的亚组分析**
干预类型对整体效果无统计学上的显著调节作用(亚组差异检验:p = 0.27)。在 EEG 神经反馈协议中,SMR-NFT 对表现有显著且较大的正面影响(SMD = 0.88,95% CI:0.57–1.19)。FMT-NFT 也显示出显著的影响(SMD = ?1.92,95% CI:?2.92 至 ?0.92),而 Mu-NFT 未显示出显著改善(SMD = 0.26,95% CI:?0.51 至 1.03)。此外,非 EEG 干预也非常有效,显示出较大且显著的效果(SMD = 1.05,95% CI:0.63–1.46)。

**3.3.5 不同类型干预的 EEG 特征**
为进一步阐明基于 EEG 的神经反馈(NFT)干预的效果,对三种主要方式(SMR-NFT、Mu-NFT 和 FMT-NFT)进行了亚组荟萃分析。共纳入了 72 名参与者的三项研究(Wu 等人,2024a;Abdoli 等人,2025;Gallicchio 和 Ring,2019)。汇总的 SMD 为 1.12(95% CI:0.59–1.66;Z = 4.10,p < 0.0001),异质性较低(I2 = 46%),表明 Cz 部位的 SMR-NFT 对推杆表现有中等至较大的正面影响(图 5a)。Fz 部位的 SMR-NFT:一项包含 16 名参与者的研究表明 SMD 为 ?0.65(95% CI:?1.36 至 0.06;Z = 1.78,p = 0.07),提示无显著效果。Mu-NFT 干预:抑制 Mu 节律可提高推杆表现(Afrash 等人,2023)。汇总的 SMD 为 ?1.84(95% CI:?3.35 至 ?0.33;Z = 2.39,p = 0.02),异质性中等(I2 = 72%),表明有较大的负面效果(图 5b)。如图 5c 所示,FMT-NFT 对推杆表现有显著负面影响(SMD = ?1.92,95% CI:?2.92 至 ?0.92;Z = 3.77,p = 0.0002)。为了研究非 EEG 干预对高尔夫推杆表现的影响,按电极记录位置进行亚组荟萃分析:练习/不练习、压力/无压力、随机/固定练习。综合考虑所有非 EEG 干预研究,汇总的 SMD 为 1.99(95% CI:?0.64 至 4.59;Z = 1.50,p = 0.13),异质性较高(I2 = 97%)。亚组差异检验具有统计显著性(p < 0.00001)。总体而言,非 EEG 干预表明刻意练习可以提高推杆表现。非 EEG 干预的亚组分析见图 6。

**图 5**
EEG 干预的森林图:(a) SMR-NFT,(b) Mu-NFT,(c) FMT-NFT。

**图 6**
非 EEG 干预的森林图。

**4. 讨论**
本荟萃分析综合了 12 项研究的结果,以阐明干预对高尔夫推杆表现的影响,同时承认存在显著的异质性(I2 = 94%),这需要细致解读亚组和 EEG 特定的结果。根据标准荟萃分析方法,整体汇总效果仅作为全局描述性总结;所有机制性和实际结论均基于针对该显著异质性的预先指定的亚组分析。除了所研究的技能水平和干预方案外,方法和情境因素的差异也导致了效应大小的广泛分布。任务参数的不一致性是变异的重要来源,因为研究使用了不同的推杆距离(2–4 米)和试验次数(40–300 次)。距离直接影响任务难度,而试验次数影响学习曲线饱和度和测量稳定性,这两种因素都会调节干预效果的表现。压力调控方法的多样性可能引入不同的心理负荷。尽管压力是高尔夫比赛的核心要素,但其诱导方法的异质性可能会影响焦虑、动机和神经活动,从而非系统性调节神经反馈干预的效果。虽然干预持续时间(单次 session 与多次 session)的亚组差异未达到统计显著性,但神经反馈剂量的细微差异(总训练时间、单次 session 持续时间和训练频率)可能导致残余异质性。对照组类型的多样性(如虚假反馈、无训练、低意识运动控制和其他行为干预)意味着干预效果相对于不同的基线。对照组活动与干预的相似度越低,高估干预效果的潜力就越大;相比之下,与其他主动干预(如行为训练)的比较则突出了相对优势。这种比较对象的差异是荟萃分析中常见的异质性来源。本研究观察到的效应大小应谨慎解释为在特定方法学和情境条件下的综合估计值,而非普遍适用的值。未来的研究应通过标准化任务范式、对照组设计和剂量报告来减少这些方法学差异。亚组分析根据参与者的技能水平、干预持续时间和干预类型进行,而荟萃分析则检查了每种干预类型在特定脑区的 EEG 特征。

**新手高尔夫球手**
新手表现出积极的干预效果(SMD = 2.10),因为他们具有较不稳定的运动表征,对塑造感觉运动整合的干预更为敏感(Edwards 等人,2019)。新手由于运动记忆的稳定性较低,似乎具有更宽的神经行为适应窗口,使得干预能够更容易促进高效皮层网络的形成(Abdoli 等人,2025)。与经验丰富的高尔夫球手相比,SMR-NFT 对新手可能更有效(Gallicchio 和 Ring,2019)。Gallicchio 和 Ring(2019)分析了运动准备阶段额叶区域(ROI)的 alpha 功率变化,以研究认知抑制对推杆表现的影响。此外,鉴于干预组接受了随机目标训练,研究显示,与固定目标训练相反,随机目标训练对无 handicaps 的高尔夫球手的推杆表现产生了不利影响。无 handicaps 组的负面效果(SMD = ?0.79)基于一项研究,需要进一步验证才能得出确切结论。**精英高尔夫球手**
精英高尔夫球手表现出中等的积极效果(SMD = 0.89),可能是因为干预改善了已有效的皮层过程,并优化了运动前的 SMR 振荡,从而减少了认知干扰(Wu 等人,2024a;Rees 等人,2007;Beattie 等人,2011)。尽管按干预持续时间进行的整体亚组差异检验无显著性,但结果模式对于实际应用具有指导意义。单次 session 干预的显著但变化较大的效果表明其在快速状态调节中的作用,可能适合已经具备固定技能的运动员在赛前进行准备(Wu 等人,2024b;Pereira 等人,2025;Tosti 等人,2024)。相比之下,多次 session 的较小但更一致的效果与诱导长期神经回路变化相符,这更适合新手的技能习得(Wang 等人,2022;Williams 和 Hodges,2023;Kraeutner 等人,2024)。SMR 功率的提升被认为是优化高尔夫推杆的关键机制。荟萃分析结果显示,Cz 区域的 SMR 增强(通过 NFT)与推杆准确性的提高(MRE 减少)和稳定性的提升(SD 降低)相关(Abdoli 等人,2025;Wang 等人,2024)。这支持了神经效率理论:中央感觉运动区域的 SMR 振荡反映了对非任务相关神经活动的抑制控制,促进了运动的自动化(Pourbehbahani 等人,2023;Mohamed 等人,2025)。Babiloni 等人在高分辨率 EEG 中报告了成功推杆前的 SMR 事件相关去同步,这与精英高尔夫球手vs新手在 3 米任务中距离控制误差减少了 38% 相吻合,这种机制可能与 SMR 介导的脊髓运动神经元噪声抑制有关(Pichiorri 等人,2011)。相比之下,其他节律的调节效果不那么一致,甚至可能是负面的。Mu 节律(8–13 Hz)的抑制在两项研究中显示出负面影响(SMD = ?1.84),可能是因为 Mu 振荡与动作观察和镜像神经元功能有关(Wang 等人,2023;Wang 等人,2022;LaMarca 等人,2023;Datko 等人,2018);过度抑制可能破坏推杆运动的内部模型。同样,FMT(4–7 Hz)的抑制与推杆表现受损相关(SMD = ?1.92),可能反映了认知控制的受损。FMT 涉及工作记忆和注意力分配(Ahn 等人,2025),过度抑制这种节律可能破坏与推杆相关的认知控制过程。这些通常被认为可以减少干扰的协议,实际上可能去除了对最优表现至关重要的神经成分(Chen 等人,2022;Shtossel 等人,2023)。对于新手来说,Cz-SMR 的增强可用于神经构建;对于精英运动员,训练可能侧重于在压力下保持 SMR 的稳定性;所有组别都应避免非特定的 FMT 抑制。

**敏感性分析**
敏感性分析显示,整体荟萃分析中的高异质性主要由五项研究驱动。值得注意的是,排除这些研究后,异质性显著降低(I2 = 46%),汇总效果仍然显著(SMD = 0.76)。这些发现表明,尽管方法学上的差异导致了异质性,但效果的正向方向相对稳健。敏感性分析具有探索性,结果应谨慎解读。被排除的五项研究包括 EEG-NFT 和非 EEG 训练干预,表明异质性来源于多种因素,而不仅仅是某一类型的研究。关于干预类型,EEG 神经反馈因其对脑区-节律-行为机制的精确靶向而具有积极效果,而非 EEG 行为干预也具有积极效果,但 EEG-NFT 在高尔夫推杆的感觉运动需求方面提供了更优的机制特异性。先前的研究表明,Cz 区域的 SMR-NFT 与推杆表现有正相关。对于新手而言,这种调节带来了持久的好处:Cz-SMR 功率的提高与稳定的 MRE 减少相关,即使在后续研究中也是如此,表明建立了稳健的运动控制模式(Lu 等人,2025;Wang 等人,2020;Christie 等人,2020)。对于精英高尔夫球手,Cz-SMR 的提升符合他们对“低认知干扰”的需求,与更高的推杆成功率、主观放松感的增加和意识运动控制的降低相一致,直接满足了精英级自动化的神经需求(Ahn 等人,2025;Exel 和 Dabnichki,2024)。Mu 节律的抑制针对了一种互补机制,与 MRE 的减少和主观行动控制的增强相关(Wang 等人,2023;Wang 等人,2022)。需要更大感觉运动参与的新手从 Mu 抑制中受益,但通过功能特定指导难以增强 Cz-Mu 功率,这突显了 Mu 调节的效率依赖于技能水平(复杂任务需要 Mu 抑制,而非增强)。Fz 区域的干预(Alpha 波抑制和 FMT 调节)效果不稳健。例如,“Alpha 组”针对 Fz 区域 8–12 Hz 的 alpha 抑制,但未能复制 Cz 区域调节的好处,可能是因为 Fz 与推杆的感觉运动核心的对齐程度较低(Wang 等人,2020;Abdoli 等人,2025;Wang 等人,2024;Chueh 等人,2023)。同样,FZ 的 FMT 调节旨在减少意识努力,但未能与 Cz-SMR 的自动化效果相匹配,这强调了 EEG-NFT 效果取决于目标区域/节律与任务神经基底的匹配(Chen 等人,2022;Yu 等人,2025;Cheng 等人,2024)。非 EEG 干预也产生了较大的积极效果(SMD = 1.05),但依赖于更广泛的经验依赖性可塑性(Abdoli 等人,2025;Ring 等人,2015;Van de Vel 等人,2013),如基于错误的适应或任务变异性(随机目标呈现以精炼视觉空间整合)。这些干预通过行为重复来塑造运动学习,但缺乏针对特定神经机制的精确性,因此不太适合个体技能水平的需要(Wu 等人,2014;Maier 等人,2019;Levin 和 Demers,2021)。非脑电图(EEG)干预方法基于一般的运动学习原理,而脑电图-非同质化金融技术(EEG-NFT),尤其是在针对Cz区域的慢脑电(SMR)或Mu节律时,通过将神经调节与推球的感官运动需求及技能水平相关的神经特征相匹配,实现了“特定机制”的优化(Smith等人,2013年;Rauter等人,2015年)。就干预类型而言,EEG-NFT因其能够精确地针对大脑区域-节律-行为机制而具有优势,非EEG行为干预同样对高尔夫推球表现产生了显著的积极影响。然而,EEG-NFT在针对任务的感官运动需求和技能水平相关的神经需求方面提供了更高的机制特异性(Chen等人,2022年;Pourbehbahani等人,2023年;Corrado等人,2024年)。未来的个性化训练可能需要同时监测心理状态(通过简短的问卷或自主神经指标)。训练方案应能够动态调整,在检测到高焦虑状态时优先采用经过验证的、能够促进放松和自动化的SMR增强方案,而不是直接挑战高负荷的认知控制区域。

5. 结论
这项元分析提供了初步证据,表明通过与技能和个体水平相关的神经行为需求相匹配的干预措施,可以提高高尔夫推球的表现。但由于证据基础有限且研究之间存在显著异质性,这些发现应谨慎解读。基于脑电图的神经反馈方案和其他训练干预方法似乎都能通过影响神经调节、运动学习和认知控制机制来提升推球表现,其中Cz区域的慢脑电-NFT在促进通过感官运动整合实现动作自动化方面表现最为突出。技能水平似乎调节着干预效果:新手表现出较大的神经可塑性潜力,从而实现显著改善,而精英选手则可能从精炼的神经效率中受益。然而,来自少数研究的关于抑制性方案(Mu-NFT和FMT-NFT)的负面结果表明,在某些情况下抑制相关神经振荡可能会干扰对表现至关重要的过程。这些发现虽然指出了结合EEG-NFT和非EEG方法的定制化干预的可行方向,但仍属于初步阶段,在更大规模、更具同质性的样本上进行进一步验证之前需要谨慎解读。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    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