无毛和有毛皮肤表面的身体结构表现存在差异

《Cognition》:Structural representation of the body differs for glabrous and hairy skin surfaces

【字体: 大 中 小 】 时间:2026年05月02日 来源:Cognition 2.8

编辑推荐:

  卡门·莱纳蒂(Carmen Lenatti)|德西蕾·洛皮斯(Desirée Lopis)|塞巴斯蒂安·亚历山大·克里内恩(Sébastien Alexandre Krienen)|希瑟·J·弗格森(Heather J. Ferguson)|路易吉·塔梅(Luigi Tamè)

  卡门·莱纳蒂(Carmen Lenatti)|德西蕾·洛皮斯(Desirée Lopis)|塞巴斯蒂安·亚历山大·克里内恩(Sébastien Alexandre Krienen)|希瑟·J·弗格森(Heather J. Ferguson)|路易吉·塔梅(Luigi Tamè)
英国肯特大学坎特伯雷分校心理学学院

**摘要**
关于身体表征的知识来源于不同的感觉模式,但主要依赖于触觉信息。身体结构表征(BSR)是身体的拓扑地图,其中定义了不同身体部位的空间配置。最近的证据表明,BSR并非固定不变,而是可以由外部因素(如身体姿势的变化)动态更新。然而,不同皮肤区域(光滑皮肤与多毛皮肤)对BSR的访问程度是否存在差异仍不清楚。为了解决这个问题,我们进行了两项实验,使用了一种改良版的“中间”测试方法,让健康受试者的指尖接受触觉刺激,并估计两个被触碰手指之间的未受刺激手指的数量。在实验1中,不同条件下的皮肤区域(光滑皮肤与多毛皮肤)进行了变化。在实验2中,触觉刺激的皮肤区域保持不变,而手的姿势固定(手掌向下)。结果显示,光滑皮肤与多毛皮肤在手指数量估计上存在显著差异。具体来说,无论手的姿势如何,参与者在光滑皮肤受到刺激时估计的手指数量更多,但这种效应仅在没有相邻手指被刺激时才明显。这表明,对手部BSR的访问取决于被刺激的皮肤表面,并且会随着不同身体部位之间的解剖学距离而变化。

**1. 引言**
关于身体表征的知识是通过多层次的触觉信息分析过程形成的,其中低层次的感知表征逐渐转化为高层次的认知结构(Tamè & Longo, 2023)。触觉处理的更高层次抽象与身体结构表征(即BSR)的定义相关,BSR是身体的拓扑地图,定义了身体部位的空间配置、空间位置和相对距离(Corradi-Dell'Acqua, Tomasino, & Fink, 2009; Felician et al., 2004; Raimo et al., 2022; Schwoebel & Coslett, 2005)。最初,BSR被认为是与身体图式(一种动态的、无意识的、自动的内部身体模型,随着身体在空间中的移动和姿势的变化而持续更新)不同的(Serino & Haggard, 2010; Sattin et al., 2023),尽管最近的研究对此区分提出了质疑(Tamè, Dransfield, Quettier, & Longo, 2017)。

对不同身体部位的结构描述的知识与体感通路和后顶叶中的感觉编码密切相关(Longo, Aza?ón, & Haggard, 2010; Rusconi et al., 2014; Tamè, Aza?ón, & Longo, 2019)。神经心理学证据表明,左顶叶的损伤会导致多种临床状况,干扰对身体表征的访问,包括在口头指令下无法识别身体部位(如自体拓扑失认症(autotopagnosia)(Sirigu, Grafman, Bressler, & Sunderland, 1991)或无法准确识别单个手指(即手指失认症(finger agnosia)(Kinsbourne & Warrington, 1962)。然而,在这两种情况下,执行熟练动作的能力仍然保持完整(Buxbaum & Coslett, 2001),这表明存在不同的身体表征。尽管身体在运动过程中被视为一个高度稳定的结构,但体感区域内的结构表征会根据各种信息来源动态更新。

Tamè等人(2017)的一项最新研究表明,BSR受到手指姿势变化的影响。通过采用“中间”(IBT)任务(Kinsbourne & Warrington, 1962),他们发现BSR的访问受到手指在空间中的姿势的影响。要正确识别哪些手指受到了刺激,需要知道身体部位及其在身体内部模型中的表示之间的空间关系。关键的是,当非相邻手指(例如食指和无名指)以分散的姿势被触碰时,估计的中间手指数量更多;而当相邻手指(例如食指和中指)被刺激时,这种效应不受姿势条件的影响(Tamè et al., 2017)。这一发现表明,BSR受到身体部位之间实时物理距离的调节。此外,后续的研究使用类似的范式复制了相同的模式,表明触觉信息最初是相对于解剖学参考框架编码的,但相同的信息也会根据外部空间坐标重新映射(Dolgilevica, Longo, & Tamè, 2020)。这两种参考系统动态交互,支持在空间中定义身体的多种表征。

尽管最近在理解影响BSR的因素方面取得了进展,但尚不清楚某个身体部位是否存在单一的结构表征,或者是否需要多个身体表征。这个问题在考虑可能影响身体结构某些方面的神经学状况(如自体拓扑失认症和/或手指失认症)时具有关键意义(Rusconi et al., 2014; Schwoebel & Coslett, 2005; Sirigu et al., 1991)。测试这一假设的一种方法是评估在不同类型的皮肤区域进行触觉刺激时是否存在一个或多个身体表征。

人类皮肤可以分为光滑皮肤(如手掌表面、脚底表面和嘴唇)和多毛皮肤(覆盖其余身体表面)。在手部结构中,这两种皮肤类型共存;然而,手部的神经支配并不均匀。特别是,正中神经主要支配手掌和手指的表面,桡神经主要支配手背和拇指,而尺神经则支配手掌和手背的内侧区域(Corniani & Saal, 2020)。这种差异性的神经支配伴随着传入纤维组成和分布在皮肤区域中的变化,决定了传递到大脑的不同皮肤输入。

光滑皮肤主要与快速传导的髓鞘Aβ传入纤维相关(Corniani & Saal, 2020; Kandel, Schwartz, Jessell, Siegelbaum, & Hudspeth, 2013; Miller, Ralston 3rd, & Kasahara, 1958),这些纤维支持触觉的辨别和感觉运动方面的编码。这种快速系统使得能够快速检测和区分身体表面的刺激,并与操纵外部物体的运动系统相关联(Craig & Lyle, 2001; Johansson & Vallbo, 1980; Mountcastle, 2005)。多毛皮肤的特点是不同传入纤维的组合(Corniani & Saal, 2020; McGlone, Wessberg, & Olausson, 2014),包括髓鞘Aβ纤维和未髓鞘的C-触觉纤维(Vallbo, Olausson, & Wessberg, 1999),这些纤维对中等速度的移动刺激反应最强烈,并与触觉的愉悦感相关(L?ken, Wessberg, Morrison, McGlone, & Olausson, 2009)。这两种亚模态参与了体感处理的各个方面,尽管它们在定义BSR中的作用尚不清楚。先前的研究(如Longo & Haggard, 2012)探讨了皮肤类型在定义手部表征中的作用。这些作者认为,这种表征依赖于两种皮肤类型的混合阶段,以及将手部表示为统一对象的整合地图。在这种中间模型中,两种皮肤区域的内部配置的扭曲程度并不相同,手掌表面的扭曲程度明显小于手背表面(Longo & Haggard, 2012)。这一模型也与皮肤类型间触觉感知的各向异性现象一致,即手背上的触觉刺激之间的感知距离通常被高估,而在手掌的光滑皮肤上这种偏差的证据不太一致(Longo, 2020; Longo & Golubova, 2017)。

在本文中,我们报告了两项实验,研究了不同皮肤区域(光滑皮肤与多毛皮肤)是否对访问手部结构表征的影响不同。我们使用了改良版的IBT任务(Kinsbourne & Warrington, 1962; Tamè et al., 2017),让健康受试者的指尖接受触觉刺激,并估计这两个不同皮肤区域之间未受刺激手指的数量。选择这项任务是为了研究触觉信号的高级处理。具体来说,参与者首先需要识别哪些手指受到了刺激,然后将它们映射到手的结构表征上,以确定受刺激手指之间的数量。我们假设这种复杂的分析不能完全由初级体感皮层中的初始身体表征来解释,因为它需要表示被触碰和未触碰手指之间的结构关系。这种类型的信息在分析的初始阶段并未编码,而更可能来源于顶叶皮层中的高级感觉处理,这支持了BSR的定义(Rusconi et al., 2014; Tamè et al., 2017)。

**2. 实验1**
在实验1中,我们研究了左手不同皮肤区域(光滑皮肤与多毛皮肤)对BSR的访问是否有所不同。我们测量了手指数量估计、准确性、参与者的反应时间(RTs)和感知信心,以获得他们感知能力的主观测量,以及他们的元认知效率指数(即监控和意识到自己思想和行为的能力,反映在应与现实一致的主观报告中,Fleming, Dolan, & Frith, 2012; Palmer, David, & Fleming, 2014)。如果存在多个BSR,我们预计根据受刺激的皮肤区域(光滑皮肤与多毛皮肤)会有不同的手指估计模式。具体来说,鉴于光滑皮肤在感觉运动探索外部环境中的功能作用,我们预计光滑皮肤的手指数量估计会有选择性偏差(Johansson & Vallbo, 1980; Johansson & Westling, 1984)。此外,与之前的研究(Dolgilevica et al., 2020; Tamè et al., 2017)类似,根据被触碰手指的组合(即相邻手指与非相邻手指),我们也预期会有不同的手指估计模式。相邻手指的识别在皮肤类型之间预计差异较小,因为它依赖于初级体感皮层中的解剖学坐标,可能不需要访问BSR(Tamè et al., 2017)。相反,非相邻手指的识别需要知道身体部位之间的结构关系,这是BSR的特征。如果不同皮肤区域关联有多个BSR,我们预计在不同皮肤类型之间识别非相邻手指的模式会有所不同,光滑皮肤下的估计更为精确,准确性也有差异。相反,如果使用单一BSR来识别非相邻手指,我们应该不会看到两种皮肤区域在手指估计和准确性上的差异。尽管这两种皮肤区域在上指骨上的神经支配模式差异相对较小,但我们预计光滑皮肤的总体准确性会高于多毛皮肤区域(Corniani & Saal, 2020; McGlone et al., 2014)。

**2.1. 材料与方法**
2.1.1. 参与者
使用G*Power软件(版本3.1;Faul, Erdfelder, Lang, & Buchner, 2007)进行了先验功效分析,以确定所需的样本量。效应大小基于之前研究(Tamè et al., 2017)报告的部分eta平方(η2p = 0.09)进行估计。估计的效应大小f = 0.31,显著性标准α = 0.05,功效 = 0.99,所需的样本量为25名参与者。我们决定招募30名参与者(平均年龄±标准差 = 21.6 ± 7.6岁;20名女性,10名男性),以复制之前发表的研究(Dolgilevica et al., 2020; Tamè et al., 2017)。其中一名参与者的表现处于偶然水平,因此被排除在分析之外。最终样本为29名参与者(平均年龄±标准差 = 20.2 ± 2.3岁;20名女性,9名男性)。参与者报告视力正常或矫正为正常,听觉和感觉运动能力正常。所有参与者在参与前都签署了知情同意书,并且他们的隐私权得到了尊重。该研究获得了伦理批准(伦理批准编号:202417278577289295),并遵循《赫尔辛基宣言》的原则进行。参与者在开始实验前完成了爱丁堡用手偏好问卷(Oldfield,1971年),以评估他们的用手偏好(平均值M = 72,范围为-77至100)。

2.1.2. 设备和刺激
触觉刺激作用于左手最远端指骨的水平,使用五个直径为8毫米的电磁敲击器(Dancer Design,英国制造),由9伏方波驱动,刺激频率为50赫兹。在测试开始前,所有参与者都进行了校准阶段,使用MATLAB(版本2019b)和Psychtoolbox(Brainard,1997年)库编写的自定义程序进行。在校准阶段,依次对成对的手指(从拇指和食指开始,食指和中指,中指和无名指,以及无名指和小指)施加两个触觉刺激,并调整强度,直到参与者报告每个刺激对在所有手指上的感觉完全相同。选择的刺激强度明显高于阈值,并且在两个皮肤表面之间保持一致。对于无毛皮肤和有毛皮肤区域,分别重复了相同的程序。

2.1.3. 设计
本研究采用被试内设计。如图1A所示,施加了两种不同的触觉刺激条件,同时调整了手的姿势(即手掌向下时刺激有毛皮肤区域,手掌向上时刺激无毛皮肤区域)。共有四个实验组,每组72次试验,各组之间刺激的手指数量不同(即零个、一个或两个手指),总共288次试验。实验组的呈现顺序进行了平衡,采用ABBA序列。初始刺激的皮肤区域(无毛皮肤与有毛皮肤)在参与者之间进行了平衡:一半的参与者从有毛皮肤条件开始,另一半从无毛皮肤条件开始。

2.1.4. 程序
参与者将左手放入面前的盒子中,以遮挡手指的视线。手放在一个抬高的支撑物上,使手腕附近的部位接触表面,而手指保持悬空。这种安排防止了指尖与支撑物之间的接触,避免了振动扩散到预期区域之外(例如附近的皮肤或其他身体部位)。要求参与者始终注视前方的墙壁。在整个实验过程中,通过戴在耳朵上的耳机播放白噪音,以防止参与者听到来自触觉装置的振动噪音。在每次试验中,同时在不同组合的手指对上施加两个触觉刺激,因此刺激的手指数量可以是零个(即拇指-食指、食指-中指、中指-无名指、无名指-小指)、一个(即拇指-中指、食指-无名指、中指-小指)或两个(即拇指-无名指、食指-小指)。参与者需要通过麦克风口头报告他们感知到的手指数量以及他们对答案的信心程度。信心程度的回答使用1到5的评分尺度进行记录(1=不自信,5=完全自信;Maurer & Pierce,1998;Fairhurst, Travers, Hayward, & Deroy,2018)。手指数量和信心程度的口头回答被记录为音频文件,以便后续提取和分析反应时间(RTs)。同时,实验者使用键盘手动将回答记录到MATLAB程序中。参与者在感觉到手指被触碰时立即进行口头回答。回答的时间间隔为3000毫秒。如果3000毫秒后参与者没有回答,则开始新的试验。实验者指导参与者优先考虑准确性而非速度,因为这项任务主要是为了评估手指数量估计能力,而不是反应时间。反应时间作为补充措施进行记录,以保持与原始设计的一致性(Tamè等人,2017年)。实验之间为参与者提供了短暂休息时间。原始数据可在OSF上公开获取(https://osf.io/phc4v/)。

2.1.5. 数据分析
根据皮肤类型(无毛皮肤与有毛皮肤)和实际之间的手指数量(零个、一个、两个),对参与者的手指估计、准确性、信心评分和RTs进行了平均处理。这使我们能够获得手指数量低估和高估的指数,以及不同手指组合(相邻手指与非相邻手指)和刺激皮肤区域之间的潜在交互作用。平均回答被输入到四个独立的方差分析(ANOVAs)中,以皮肤(无毛皮肤与有毛皮肤)和手指数量(零个、一个、两个)作为被试内因素,针对每个测量指标。

反应时间(RTs)通过自定义的MATLAB脚本从音频记录中提取,排除了响应时间超出最大时间间隔(>3000毫秒)的异常试验。我们向每种条件下的RTs平均值添加了404毫秒,以补偿用于记录口头回答的MATLAB函数引入的时间延迟(Tamè等人,2017年)。需要注意的是,手指估计和准确性是我们的主要关注变量,而RTs在之前的研究中被视为次要指标(Dolgilevica等人,2020年;Tamè等人,2017年)。

除了主要分析外,我们还根据参与者对回答的准确性计算了信心评分,以评估元认知效率(Fleming等人,2012年)。使用自定义的MATLAB脚本分别提取了正确和错误试验的信心评分。随后,将元认知效率作为正确与错误回答的函数进行了两个独立的方差分析。

2.2. 结果
图1B显示了每种条件下的手指数量估计结果。皮肤类型的主效应显著(F(1,28) = 11.88,p = .002,η2p = .30),无毛皮肤的手指数量估计值高于有毛皮肤(平均值M ± 标准误差 = 1 ± .02 vs 0.95 ± 0.03)。手指数量之间的主效应也显著(F(2,56) = 800.35,p < .001,η2p = .97),表明判断的手指数量随着实际手指数量之间的增加而单调增加(如Tamè等人,2017年所述)。更有趣的是,我们观察到皮肤类型与手指数量之间的交互作用显著(F(2,56) = 6.16,p = .004,η2p = .18),表明无毛皮肤与有毛皮肤上的手指数量估计值根据实际手指数量的不同而有所不同(相邻手指与非相邻手指)。事后分析显示,当手指数量为零时(即相邻手指),无毛皮肤(平均值M ± 标准误差 = 0.24 ± 0.03 vs 有毛皮肤(平均值M ± 标准误差 = 0.24 ± 0.03),两者之间没有显著差异(t(28) = ?0.04,p = .968,dz = ?0.01);但当手指数量为一个(无毛皮肤M ± 标准误差 = 0.97 ± 0.02 vs 有毛皮肤M ± 标准误差 = 0.91 ± 0.03;t(28) = 2.96,p = .012,dz = 0.55)或两个(即非相邻手指,无毛皮肤M ± 标准误差 = 1.79 ± 0.04 vs 有毛皮肤M ± 标准误差 = 1.69 ± 0.05;t(28) = 3.53,p = .004,dz = 0.66)时,无毛皮肤的手指数量估计值更高。

图1C显示了每种条件下的参与者准确性。准确性分析显示皮肤类型的主效应显著(F(1,28) = 18.91,p < .001,η2p = .40),无毛皮肤的准确性总体上高于有毛皮肤(平均值M ± 标准误差 = 0.81 ± 0.02 vs 0.77 ± 0.02)。手指数量之间的主效应也显著(F(2,56) = 3.73,p = .03,η2p = .12),并且皮肤类型与手指数量之间的交互作用也显著(F(2,56) = 4.58,p = .014,η2p = .14)。事后分析显示,当手指数量为零时(t(28) < 0.01,p = 1.00,dz = 0.00),或一个手指时(无毛皮肤M ± 标准误差 = 0.87 ± 0.02 vs 有毛皮肤M ± 标准误差 = 0.82 ± 0.03;t(28) = 2.78,p = .103,dz = 0.52),无毛皮肤与有毛皮肤之间的准确性没有显著差异。相比之下,当手指数量为两个时,无毛皮肤的准确性显著高于有毛皮肤(t(28) = 3.81,p = .01,dz = 0.71)。

图1D显示了参与者对无毛皮肤与有毛皮肤条件的信心评分。皮肤类型的主效应显著(F(1, 28) = 28.96,p < .001,η2p = .51),表明参与者对无毛皮肤上的手指数量估计的信心评分总体上高于有毛皮肤(平均值M ± 标准误差 = 3.73 ± 0.09 vs 3.54 ± 0.10)。手指数量之间的主效应不显著(F(2, 56) = 2.28,p = .112,η2p = 0.08),也没有交互作用(F(2, 56) = 1.05,p = .357,η2p = 0.04)。RTs的分析显示皮肤类型的主效应不显著(F(1, 28) = 2.97,p = .096,η2p = 0.10),也没有交互作用(F(2, 56) = 1.97,p = .149,η2p = 0.07)。手指数量之间的主效应显著(F(2, 56) = 17.68,p < .001,η2p = .39),RTs随着实际手指数量的增加而单调增加。

对信心评分的分析显示,皮肤类型的主效应显著(F(1,28) = 30,67,p < .001,η2p = .52),无毛皮肤的信心总体上高于有毛皮肤(平均值M ± 标准误差 = 3.88 ± 0.09 vs 3.69 ± 0.10)。手指数量之间的主效应也显著(F(2,56) = 6.84,p = .002,η2p = 0.20),表明正确试验中的信心评分随着手指数量的增加而逐渐降低。对错误试验的信心评分分析显示,皮肤类型的主效应不显著(F(1,24) = 1.63,p = .214,η2p = 0.06),手指数量之间的主效应也不显著(F(2,48) = 0.53,p = .594,η2p = 0.02)。这些结果表明参与者保持了元认知效率。

2.3. 讨论
在实验1中,结果显示手指数量估计随着刺激皮肤区域的不同而变化,无毛皮肤上的手指数量估计值更高,准确性也更高。然而,这种高估仅在非相邻手指被刺激时明显。当涉及相邻手指时,两种皮肤区域之间的估计没有差异。这一结果表明,解剖学参考系统足以识别相邻的身体部位,而不需要访问本体感觉表征(BSR)。相比之下,识别非相邻手指需要访问手的完整BSR,这可能因刺激的具体皮肤区域而异,并且在功能上有所区分。这些结果进一步支持了这样一个观点:同一身体部位(即手)在皮层层面有多个结构表征,并引入了这样一个想法:手的BSR也根据刺激的皮肤类型(即无毛皮肤与有毛皮肤)而有所不同。

然而,本实验中观察到的效应可能部分源于手的姿势调节,而不是由于触觉刺激施加的皮肤区域不同。实际上,刺激的皮肤区域(无毛皮肤与有毛皮肤)也对应于手在空间中的不同姿势(手掌向上 vs 手掌向下)。为了排除这种可能性并单独研究皮肤区域的影响,我们进行了第二个实验,采用了相同的设计,但保持左手固定在一个向下的位置。

3. 实验2
先前的研究已经指出,外部空间信息(如手的姿势)可以影响手的BSR,特别是在刺激非相邻手指时(Dolgilevica等人,2020年;Tamè等人,2017年)。然而,请注意,在之前的研究中,具体操纵的是单个手指的空间位置,而在本研究的实验1中,我们改变了整个手的姿势。尽管如此,为了控制潜在的混淆空间效应,在实验2中,我们在两个皮肤区域(光滑皮肤与多毛皮肤)上进行了IBT任务,同时保持手掌朝下的手部姿势不变(与原始范式相同,参见Tamè等人,2017年)。如果实验1中观察到的效应不依赖于手的姿势,我们应该能够在第二项研究中复制这些结果。

3.1. 材料与方法
3.1.1. 参与者
本研究招募了30名新参与者(平均年龄±标准差=21.1±7.5岁;24名女性,6名男性)。其中一名参与者的表现处于随机水平,因此被排除在分析之外。因此,分析是在29名参与者(平均年龄±标准差=21.1±7.7岁;24名女性,5名男性)的样本上进行的。所有参与者在参与前都签署了知情同意书。参与者完成了Edinburgh Handedness Inventory问卷(Oldfield,1971年),以评估他们的手偏好。

3.1.2. 设计、程序和数据分析
实验2的设计、程序和数据分析与实验1相同,唯一的区别是手的姿势保持不变,手掌朝下(如Tamè等人,2017年所述)。图2A展示了实验2的刺激条件。

图2. 刺激的皮肤区域(光滑皮肤与多毛皮肤)在各个区块中有所不同,而手的姿势保持不变,手掌朝下。实心圆表示接受触觉刺激的多毛皮肤区域(橙色=多毛皮肤)。空心圆表示接受触觉刺激的光滑皮肤区域(绿色=光滑皮肤)(A)。基于实际手指数量(即零个、一个、两个)的光滑皮肤与多毛皮肤条件下的手指数量估计(B)。不同手指数量下的准确率作为皮肤类型(光滑皮肤与多毛皮肤)的函数(C)。不同皮肤刺激区域(光滑皮肤与多毛皮肤)下的置信度反应(D)。误差条表示参与者内部变异性的95%置信区间(95%CI)。* 表示P < .05,** 表示P < .01(关于图中颜色参考的解释,请参阅本文的网页版本。)

参与者对手指数量估计、准确率、置信度评分和反应时间的计算方法与实验1相同。我们对每个测量指标分别进行了四次独立的方差分析(ANOVA),以皮肤和手指数量为参与者内部因素。与实验1一样,除了主要分析外,我们还根据参与者的准确率计算了置信度评分,以衡量他们的元认知效率(Fleming等人,2012年)。

3.2. 结果
图2B显示了每种条件下的手指数量估计。皮肤的主效应为F(1, 28) = 8.03, p = .008, η2p = 0.22,表明不同皮肤区域之间的手指估计存在差异,这与实验1的结果一致。光滑皮肤下的手指数量估计值更高(平均值±标准误=1.01±0.02),而多毛皮肤下的手指数量估计值较低(平均值±标准误=0.96±0.02)。手指数量之间的主效应也为F(2, 56) = 1470.56, p < .001, η2p = 0.98,表明判断的手指数量随着实际手指数量之间的增加而单调增加。更有趣的是,我们观察到皮肤*手指数量之间的交互作用显著,F(2, 56) = 3.75, p = .03, η2p = 0.12,表明光滑皮肤与多毛皮肤条件下的手指数量估计因手指数量之间的差异而有所不同。特别是,当手指数量为零时,光滑皮肤(平均值±标准误=0.20±0.02)和多毛皮肤(平均值±标准误=0.19±0.02)之间没有显著差异(t(28) = 0.41, p = .685, dz = 0.08),而当手指数量为一个或两个时,光滑皮肤下的估计值高于多毛皮肤(光滑皮肤平均值±标准误=0.98±0.02;多毛皮肤平均值±标准误=0.91±0.03;t(28) = 2.49, p = .038, dz = 0.46;光滑皮肤平均值±标准误=1.86±0.03;多毛皮肤平均值±标准误=1.77±0.03;t(28) = 3.06, p = .014, dz = 0.57)。这种模式与实验1的结果一致,表明实验1中观察到的效应不能归因于姿势因素。

如图2C所示,准确性分析显示皮肤的主效应为F(1,28) = 19.93, p < .001, η2p = 0.42,表明光滑皮肤(平均值±标准误=0.84±0.01)的准确性总体上高于多毛皮肤(平均值±标准误=0.79±0.02)。手指数量之间的主效应未观察到,F(2, 56) = 1.32, p = .274, η2p = 0.05,然而皮肤*手指数量之间的交互作用显著,F(2, 56) = 3.42, p = .04, η2p = 0.11。事后分析显示,当手指数量为零时,光滑皮肤(平均值±标准误=0.83±0.02)和多毛皮肤(平均值±标准误=0.83±0.02)之间没有显著差异(t(28) = 0.12, p = 1.00, dz = ?0.06),当手指数量为两个时,也没有显著差异(t(28) = 2.64, p = .172, dz = 0.47)。然而,当手指数量为一个时,光滑皮肤(平均值±标准误=0.85±0.02)的准确性显著高于多毛皮肤(平均值±标准误=0.78±0.02)(t(28) = 4.34, p = .003, dz = 0.85)。

图2D报告了光滑皮肤与多毛皮肤条件下的置信度反应。皮肤的主效应为F(1,28) = 14.64, p < .001, η2p = 0.34,表明参与者在光滑皮肤上的手指数量估计置信度评分总体上高于多毛皮肤(平均值±标准误=3.82±0.11)。手指数量之间的主效应也为F(2, 56) = 11.55, p < .001, η2p = 0.29,表明随着实际手指数量之间的增加,置信度评分逐渐降低。皮肤*手指数量之间的交互作用未发现(F(2,56) = 1.48, p = .236, η2p = 0.05)。

由于在记录阶段有六名参与者因技术问题被排除,因此对24名参与者(平均年龄±标准差=21.3±8.4岁;20名女性)的子样本进行了反应时间(RT)分析。RT分析显示皮肤的主效应不显著,F(1,23) = 0.10, p = .759, η2p = 0.004。然而,手指数量之间的主效应显著,F(2,46) = 6.10, p = .004, η2p = 0.21,RT随着手指数量之间的增加而单调增加,皮肤*手指数量之间的交互作用也显著,F(2,46) = 4.65, p = .014, η2p = 0.17,尽管没有任何事后比较达到显著性。

根据参与者反应准确率的置信度评分分析显示,皮肤的主效应为F(1,28) = 13.93, p < .001, η2p = 0.33,表明在正确试验中,光滑皮肤(平均值±标准误=3.95±0.11)的置信度总体上高于多毛皮肤(平均值±标准误=3.81±0.10)。手指数量之间的主效应也为F(2,56) = 13.61, p < .001, η2p = 0.32,表明在正确试验中,置信度反应随着手指数量的增加而逐渐降低。对于错误试验的置信度评分分析,皮肤的主效应不显著,F(1,22) = 0.13, p = .722, η2p = 0.01,手指数量之间的主效应也不显著,F(2,44) = 0.35, p = .704, η2p = 0.02。与实验1的结果一致,这些结果表明参与者表现出保持的元认知效率。

3.3. 讨论
与实验1一致,刺激的皮肤区域调节了手的BSR(皮肤感觉反应),在光滑皮肤上的数量判断更高,准确性也更高。这种效应在刺激非相邻手指时很明显,而在刺激相邻手指时,皮肤类型之间没有差异。实验2进一步排除了实验1中观察到的效应是由于手部姿势调节的可能性,因为在手部姿势保持不变的情况下也得到了相同的结果。这项第二项实验的结果支持了实验1的发现,并表明BSR并不特定于某个身体部位,而是根据刺激的皮肤区域而变化。这表明光滑皮肤区域可能在访问用于识别身体部位的手的结构表示中起着重要作用。

4. 总体讨论
在目前的工作中,我们研究了皮肤类型(光滑皮肤与多毛皮肤)是否会影响对手的BSR的访问,以及手部姿势是否也对此调节有所贡献。我们采用了评估手指失认症的一个成熟范式(即中间任务,Kinsbourne & Warrington,1962年),该范式需要了解身体部位之间的空间配置。我们假设如果手的结构表示受到刺激皮肤区域的影响,那么关于手指数量的判断应该会随着皮肤位置的不同而变化,因为这两个身体部位具有不同的触觉空间敏锐度和在触觉辨别和感觉运动功能中的内在作用不同(McGlone等人,2014年;Mountcastle,2005年)。我们在两个实验中都观察到光滑皮肤条件下的手指数量估计和准确性更高。值得注意的是,这种效应仅在刺激非相邻手指时显著,而在刺激相邻手指时,皮肤区域之间的手指数量估计没有显著差异。关键的是,这种效应不受手部位置的影响,排除了姿势的任何潜在贡献。目前实验的结果还表明,参与者在光滑皮肤上的感知判断比在多毛皮肤上更有信心。当他们的估计客观正确时,他们报告的信心更高;当他们的估计不正确时,信心较低。因此,这些发现表明,不同条件下的数量估计和准确性差异不是由元认知效率降低引起的,而是由于使用了不同的身体表示。

4.1. 相邻手指的识别不受皮肤表面的影响
实验1和实验2关于相邻手指识别的结果与Tamè等人(2017年)的原始研究一致。根据他们的解释,相邻手指的识别依赖于初级体感皮层,其中使用解剖坐标来识别身体部位,而不需要访问更高层次的结构表示。这种初始的身体体感图反映了人形组织,其中身体部位之间的相对空间配置和距离尚未定义。实际上,相邻身体部位(例如,相邻手指)之间的空间关系被认为是恒定的,这有助于我们在空间中移动或进行动作时保持身体的稳定表示(Tamè等人,2017年;Tamè等人,2019年)。几项使用不同方法的研究,如触觉错位任务(Schweizer, Maier, Braun, & Birbaumer, 2000)和触觉双重同时刺激任务(Tamè, Farnè, & Pavani, 2011),都提供了支持这一理论的证据,表明解剖表示遵循人形组织,这是初级体感皮层参与过程的标志。我们假设这种初始表示可以解释我们研究中相邻手指条件的结果。在这个初步分析阶段,不同的皮肤类型不会影响连续数字的识别。尽管如此,我们不能排除初级体感皮层层面对于光滑和多毛刺激仍存在不同表示的可能性,而我们的超阈值中间任务未能捕捉到这些差异。事实上,来自猴子的单细胞记录研究的证据表明,体感皮层对光滑和多毛皮肤表面有不同且分离的表示(Merzenich, Kaas, Sur, & Lin, 1978;Nelson, Sur, Felleman, & Kaas, 1980)。

4.2. 非相邻手指的识别受到皮肤表面区域的影响
与相邻手指条件相反,非相邻手指的触觉识别受到刺激的皮肤特定区域的影响,光滑皮肤下的识别更准确和精确。这一结果表明,非相邻身体部位的识别需要访问完整的BSR,这超出了体感皮层中的人形表示,以构建身体和单个身体部位的体积表示(Longo等人,2010年;Manser-Smith, Tamè, & Longo, 2018年)。在这个高级分析阶段,我们假设根据涉及的不同皮肤区域(光滑皮肤与多毛皮肤)定义了多个身体图谱。这种区别可以解释任务中非相邻手指识别的差异。当参与者需要在手的图谱中识别数字时,光滑皮肤下的表现比多毛皮肤更准确。这表明与光滑皮肤相关的结构图谱似乎比多毛皮肤的结构表示更容易访问。一个可能的解释因素是手掌表面的功能作用。具体来说,无毛皮肤区域更有可能接收并积极参与触觉刺激(Corniani & Saal, 2020),从而有助于执行诸如抓取、触觉探索和物体操作等动作(Craig & Lyle, 2001; Johansson & Vallbo, 1980; Johansson & Westling, 1984; Mountcastle, 2005; Pons, Wall, Garraghty, Cusick, & Kaas, 1987)。此外,考虑到不同皮肤类型的触觉神经支配密度差异,我们可以假设来自无毛皮肤的感觉输入在更高层次的分析中能够提供更可靠的身体表征,从而影响任务中数字识别的质量。4.3. 姿势调节仅在与任务相关时才会影响BSR(基底感觉反应)。我们的实验结果表明,姿势调节不会影响两种皮肤类型对手部结构表征中手指的识别。这一发现与之前使用相同IBT(刺激-反应时间)范式的研究结果(Tamè et al., 2017)相一致,表明姿势成分仅在身体部位的姿势对任务相关时才会影响BSR。在这方面,已经证明在运动执行过程中,当感觉信息对正确执行自愿动作(例如通过特征识别物体、触觉探索表面,Wasaka, Kida, & Kakigi, 2017; Voss, Ingram, Wolpert, & Haggard, 2008)至关重要时,体感门控(即部分抑制体感处理,Jiang, Chapman, & Lamarre, 1991; Chapman, 1994)会减弱。在Tamè等人(2017)的IBT任务中,手指的空间位置对于识别被刺激的手指以及任务的正确执行是相关的;因此,这些空间信息被用来更新身体在空间中的内部模型。相比之下,在本研究中,姿势调节与单个手指无关,而是与整个手部(即手掌朝上 vs. 手掌朝下)有关。这种类型的姿势调节对于身体结构模型中手指的识别并不重要;因此,这些额外的信息没有被纳入以更新BSR。5. 结论本研究的结果表明,皮肤的不同区域在手部结构表征中扮演着不同的角色。无毛皮肤在定义身体结构图方面起着关键作用,支持单个手指的识别。然而,这种效应仅限于需要访问BSR的非相邻手指的识别。在这一更高层次的分析中,身体各部分之间的空间关系被定义并用于更新初级体感皮层中的体感拓扑图。在这一高级触觉处理阶段,根据涉及的皮肤区域(无毛 vs. 有毛),会定义出多个分离的手部图谱。相比之下,初级体感皮层中编码的解剖参考系统足以用于识别相邻的身体部位,并且不受刺激皮肤区域的影响。

作者贡献声明:
Carmen Lenatti:写作 – 审稿与编辑、写作 – 原稿撰写、可视化、软件开发、资源管理、方法论设计、研究实施、资金获取、数据分析、概念化。
Desirée Lopis:写作 – 审稿与编辑、可视化、验证、监督、项目管理、方法论设计、资金获取、数据管理、概念化。
Sébastien Alexandre Krienen:方法论设计、研究实施、数据管理。
Heather J. Ferguson:写作 – 审稿与编辑、可视化、验证、监督、资源管理、项目管理、方法论设计、资金获取、数据管理、概念化。
Luigi Tamè:写作 – 审稿与编辑、可视化、验证、监督、软件开发、资源管理、项目管理、方法论设计、资金获取、数据分析、概念化。
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