在视觉运动任务中,感觉门控的注意力调节
《The Journal of Physiological Sciences》:Attentional Modulation of Sensory Gating during a Visuomotor Task
【字体:
大
中
小
】
时间:2026年05月18日
来源:The Journal of Physiological Sciences 2.6
编辑推荐:
**Cuong Nguyen Van | Duc Le Trung | Takeru Okamoto | Masataka Tatsumi | Thu Nguyen Dang | Yuya Hyodo | Satoshi Kase | Tomoyuki Kurose | Take
**Cuong Nguyen Van | Duc Le Trung | Takeru Okamoto | Masataka Tatsumi | Thu Nguyen Dang | Yuya Hyodo | Satoshi Kase | Tomoyuki Kurose | Takeshi Imura | Hisao Nishijo | Susumu Urakawa**
**日本广岛市南区 Kasumi 1-2-3,广岛大学生物医学与健康科学研究生院神经康复与情绪科学系,邮编 734-8553**
**摘要**
注意力对运动表现至关重要,因为它能够增强与任务相关的处理能力,同时抑制干扰。然而,运动活动中注意力投入的生理标志物尚未被完全理解。本研究探讨了注意力如何在基于视觉提示的打字任务中调节感觉门控(SG)、心率变异性(HRV)和眨眼率(EBR)。25名参与者在三种条件下进行了实验:(1)不进行打字;(2)自由打字;(3)精确打字。结果表明,更高的注意力水平导致不同感觉模式下的SG显著增加。特别是在高级成分中观察到了这种调节作用:听觉诱发电位中的N1、P2;视觉诱发电位中的P1;以及体感诱发电位中的P2、P3。此外,与任务相关的HRV变化与注意力和运动需求的变化有关,而EBR则随着视觉注意力的增加而减少。这些发现进一步阐明了运动任务中注意力调节过程中的SG和自主神经系统变化,强调了它们在评估注意力投入方面的潜力。
**引言**
注意力是一种高级认知功能,能够实现选择性聚焦并抑制无关信息。尽管在认知领域得到了广泛研究,但它对运动学习(ML)、精炼和效率也至关重要[1]。尽管注意力很重要,但在运动活动中通常通过任务表现指标和自我报告问卷来评估注意力投入程度[2]。然而,这些方法受到主观性的限制,无法捕捉到注意力状态的实时波动。相比之下,客观的生理标志物(如神经生理指标和自主神经系统指标,例如脑电图(EEG)衍生指标、心率变异性和眨眼率)能够连续且定量地监测运动过程中的注意力投入[3]。然而,这些生理指标如何反映复杂运动表现中的注意力调节仍不够清楚。
**方法**
**参与者**
最初招募了28名来自广岛大学的健康志愿者(14名男性,14名女性;平均年龄=21.96 ± 0.92岁)。根据G*Power 3.1版本[29]计算所需样本量,采用被试内设计,包含三种条件,主要目的是检测条件的主要效应。基于先前报告的效果大小f = 0.3[30]、α水平0.05和至少0.8的效力,计算出的所需样本量≥20人。所有参与者均为右利手,这一点通过爱丁堡用手偏好问卷得到确认。参与者的纳入标准是没有任何神经系统、精神疾病或肌肉骨骼疾病的历史。参与者被要求在测试前24小时内避免摄入咖啡因或止痛药,如果报告疲劳或失眠则被排除在外。由于技术问题导致EEG信号噪声过大,有3名参与者被排除,最终样本量为25人(13名男性,12名女性;平均年龄=21.88 ± 0.92岁)。该研究获得了广岛大学伦理委员会的批准(E2024–0237),并遵循《赫尔辛基宣言》和美国联邦法规中关于保护人类研究参与者的规定。所有参与者在研究前都提供了书面知情同意书。
**任务设计**
参与者根据视觉提示和屏幕上的指令进行打字任务,使用右手食指、中指和无名指按下键盘上对应于数字“1”、“2”和“3”的按键(图1A)。
**实验设置和程序**
参与者坐在椅子上,佩戴EEG帽和心率传感器,通过显示器执行视觉提示打字任务,同时接受一种类型的无关刺激:听觉刺激(通过扬声器)、视觉刺激(在显示器的外围显示视觉提示的位置)或体感刺激(通过踝部胫神经的经皮电刺激)。任务包括三个阶段,每个阶段包含三个与三种无关刺激类型相对应的块。每个块包含三次试验,分别代表三种不同的注意力状态:Base、NoAT和AT。每次试验包括10秒的屏幕指令,包括“仅观看”、“自由打字”和“精确打字”,随后是90秒的任务阶段,包含30个视觉提示。这些指令和视觉提示显示在显示器上。
**数据分析**
**AEP(听觉诱发电位)**:听觉刺激在刺激开始后50–350毫秒(矩形线)在3–7 Hz范围内引起强烈活动;
**VEP(视觉诱发电位)**:视觉刺激在刺激开始后100–600毫秒(矩形线)在3–12 Hz范围内引起强烈活动;
**SEP(体感诱发电位)**:体感刺激在刺激开始后60–400毫秒(矩形线)在0.5–45 Hz范围内引起强烈活动。
我们设计了三种注意力条件下的打字任务:基线条件(Base),参与者仅接收视觉提示;无注意力条件(NoAT),在此条件下打字不涉及视觉注意力或明确的准确性要求,反映了最小的额外注意力需求;以及注意力条件(AT),强调打字准确性,需要视觉注意力和运动执行的高度协调。随着准确性要求的提高,生理变化可能反映了注意力的增强,同时也考虑到了与一般任务需求的潜在重叠。
**结果**
结果表明,更高的注意力水平导致不同感觉模式下的SG显著增加。特别是在高级成分中观察到了这种调节作用:听觉诱发电位中的N1、P2;视觉诱发电位中的P1;以及体感诱发电位中的P2、P3。此外,与任务相关的HRV变化与注意力和运动需求的变化有关,而EBR随着视觉注意力的增加而减少。这些发现进一步阐明了运动任务中注意力调节过程中的SG和自主神经系统变化,强调了它们在评估注意力投入方面的潜力。
**结论**
注意力不仅体现在中枢神经系统指标上,还反映在周围生理信号中,包括心率变异性(HRV),它反映了参与注意力调节的前额叶皮层和皮下系统之间的功能耦合[19][20]。静息HRV与个体在注意力控制方面的差异有关[21],而与任务相关的HRV通常在认知需求下降低,反映了适应性资源分配[22][23]。同样,眨眼率(EBR)是另一种与认知控制的多巴胺机制相关的注意力投入行为标志物[24],在持续视觉任务(如阅读、观看电影和基于视频的学习)中观察到EBR降低[25][26][27],这可能支持通过最小化干扰来持续进行视觉处理[28]。然而,复杂运动任务中与任务相关的HRV和EBR的变化对注意力需求的反应仍不完全清楚。
因此,本研究探讨了在复杂运动表现过程中,不同感觉模式下的SG以及与任务相关的HRV和EBR如何受到注意力需求的调节。为此,我们设计了一个包含听觉、视觉和体感干扰的视觉引导打字任务,设置了三种注意力条件。我们旨在检查不同感觉模式下的SG调节,并探索与运动学习过程相关的HRV和EBR的变化。我们假设更高的注意力需求会增强SG,同时降低与任务相关的HRV和EBR。信号以2048 Hz的采样率获取,并在线进行了0.16至100 Hz范围内的带通滤波。离线处理使用EEGLAB 2024.0版本和ERPLAB 10.1工具箱在MATLAB R2019a(MathWorks,美国马萨诸塞州纳蒂克)中完成。来自Base的原始EEG数据首先被分割成与每个刺激相对应的组,然后下采样到256 Hz。数据通过零相位FIR滤波器在0.5至50 Hz范围内进行带通滤波,并在50 Hz处进行陷波滤波以去除电源线噪声。对连接的乳突进行了重新参考。通过视觉检查和独立成分分析(使用Infomax算法)来去除伪迹。成分通过独立成分标签插件进行分类,那些被标记为非脑源(眼睛、肌肉、心脏、线路噪声、通道噪声或其他)且分类概率大于0.7的成分被拒绝(每个参与者有1到3个成分)。然后,数据被分割成与刺激开始时间锁定的时期,范围从-500到1000 ms,基线从-500到0 ms进行校正。每种条件下每个刺激共有90个时期的平均值。接着,通过复数Morlet小波变换将时期分解为时间-频率表示,周期从1开始,频率从0.5到50 Hz以0.8的幂级数因子递增,分辨率为2 Hz,以计算事件相关的频谱扰动。基于该方法的结果以及参考先前的ERP研究[13]、[14]、[32],识别出与感觉反应相关的频带:听觉(3–7 Hz,50–350 ms)(图1 A)、视觉(3–12 Hz,100–600 ms)(图1B)和体感(0.5–45 Hz,60–400 ms)(图1 C)。随后对所有条件应用相应的带通滤波器进行进一步的ERP分析。
为了在所有条件下量化ERP,如上所述进行了下采样、带通滤波和伪迹去除,然后重新定义了从刺激开始相对的时期为-200至800 ms,并进行了基线校正,从-200至0 ms。在ERPLAB中通过自动电压阈值(±75 μV)、移动窗口峰峰值检测、阶跃变化检测和眨眼拒绝进一步筛选伪迹。剩余的干净时期分别对每种条件和模式(听觉、视觉和体感)进行平均。从Base的总体平均波形中识别出峰值潜伏期,并在这些潜伏期范围内提取平均幅度。分析了以下ERP成分:AEP:P1(30–70 ms)、N1(110–150 ms)、P2(210–250 ms)和N2(310–350 ms)在Cz;VEP:N1(90–130 ms)、P1(170–210 ms)、N2(240–280 ms)和P2(410–450 ms)在Oz;以及SEP:N1(60–100 ms)、P2(180–220 ms)和P3(270–310 ms)在Cz。为了量化每种模式下SG的总体幅度,按照以下方法计算复合幅度指数[14]:总AEP = P1 + P2 ? N1 ? N2,总VEP = P1 + P2 ? N1 ? N2,总SEP = P2 + P3 ? N1。
心率变异性(HRV)数据记录和分析
HRV以1000 Hz的采样率记录。数据随后被分割成基于试验的窗口,并根据实验条件和休息期进行分类。离线分析也在MATLAB R2019a中使用PhysioNet心血管信号工具箱进行。不合理的R-R间期(RRI)(<300 ms或>2000 ms)和伪迹通过三次样条插值手动校正。清理后的RRI序列以4 Hz重新采样,以产生用于频谱分析的均匀间隔信号。
功率谱密度(PSD)使用Welch方法估计,窗口长度为64秒,重叠率为50%,使用Hamming窗口。选择64秒窗口是为了在频率分辨率和短记录持续时间之间取得平衡,提供足够的段进行平均,同时能够分离低频(LF)(0.04–0.15 Hz)和高频(HF)(0.15–0.4 Hz)带。PSD值以绝对单位(ms2)表示。时间域指标包括平均RRI、NN50(连续RRI相差超过50 ms的次数)和连续差异的均方根(rMSSD)。选择90秒的记录窗口是为了与每个任务块的持续时间相匹配,从而在连续任务执行期间进行HRV评估,而不干扰实验流程。鉴于记录时间相对较短,频率域指标的解释较为谨慎,主要用于条件间的受试者内比较,而不是绝对生理推断。
眼动反应(EBR)记录和分析
EBR通过位于眼睛水平的位置的Action相机(OSMO Action;DJI,中国)记录,前置相机以1080p分辨率和60帧/秒的速度拍摄。眨眼定义为双眼睑的完全快速闭合和重新打开,包括明显的闭合和打开阶段。部分或不完全的眼睑闭合被排除在外。在短时间内发生的连续眨眼被视为单个事件。记录与任务间隔手动同步,以便按条件、块和试验进行精确分割。
统计分析
所有分析和图表均使用GraphPad Prism 8(GraphPad Software,美国加利福尼亚州圣地亚哥)和R(R Core Team,2023)进行。
为了检查交互作用条件×模式对跨模式的SG的影响,进行了线性混合效应模型分析。鉴于ERP成分在不同模式下存在差异,分析是在归一化到Base(Base =1)的总幅度上进行的。显著的主效应之后进行了Bonferroni校正的配对t检验。
为了检查条件对每种模式下SG的影响,采用了单因素重复测量分析。首先,使用Shapiro-Wilk检验评估因变量的正态性。对于正态分布的变量(p > 0.05),进行了单因素重复测量方差分析(ANOVA)以检查条件的影响。使用Mauchly检验评估球形性,当假设被违反时应用Greenhouse-Geisser校正。ANOVA的效果大小报告为部分eta平方(η2p)。显著的主效应之后进行了Bonferroni校正的配对t检验,Cohen’s d作为效果大小报告。对于违反正态性假设的变量(p ≤ 0.05),使用Friedman检验进行重复测量分析,Kendall’s W作为效果大小报告。显著的主效应之后进行了Bonferroni校正的Wilcoxon符号秩检验,效果大小(r)报告。
当变量正态分布时,使用Pearson检验评估MLI与SG、HRV和EBR调制之间的相关性;否则使用Spearman检验。调制计算为相对于Base的AT的相对变化(例如,(Base ? AT)/Base)。为了提高相关性估计的可靠性,应用了自助法重采样(2000次迭代)来计算95%置信区间(CI)。应用Bonferroni校正来调整多重相关检验的显著性阈值。所有报告的p校正(pcorr)值都是双尾的。
**结果**
**运动表现**
在NoAT和AT条件下控制了运动输出,以最小化对HRV和SG比较的潜在混淆效应。指导参与者在两种条件下保持相同的打字速度,从而限制可能影响血流动力学反应、呼吸或肌电图活动的运动相关需求。配对t检验确认两种条件下的打字速度没有显著差异(p = 0.498),表明运动执行在两种条件下是可比的。
在AT条件下,单因素重复测量ANOVA显示试验顺序对打字速度(F = 18.48,p < 0.001,η2p = 0.435)(图3 A)和精确度(F = 17.13,p < 0.001,η2p = 0.416)(图3B)有显著的主效应。配对t检验显示从第2次试验到第9次试验的精确度显著增加(pcorr < 0.001),从第4次试验到第9次试验(pcorr < 0.001),以及从第4次试验到第9次试验(p < 0.05)。第4次试验到第9次试验之间没有显著差异(pcorr > 0.05),表明在前四次试验后表现趋于平稳。因此,MLI计算为从第1次试验到第4次试验的精确度打字斜率。
**SG调制**
AEP的总体平均值在图4 A中显示,四个峰值代表对听觉无关刺激的听觉皮层反应。通常,单因素重复测量ANOVA显示条件对总AEP有显著的主效应(p < 0.001),事后检验发现AT引起的减少与NoAT(pcorr < 0.001)和Base(pcorr < 0.001)相比显著(图4B,表1)。
**VEP**
VEP的总体平均值在图4 C中显示,四个峰值代表对视觉无关刺激的视觉皮层反应。结果显示条件对总VEP有显著的主效应(p < 0.001)(图4D),事后检验发现AT引起的减少与NoAT(pcorr < 0.001)和Base(pcorr < 0.001)相比显著(表1)。
**SEP**
SEP的总体平均值在图4 E中显示,四个峰值代表对体感刺激的体感皮层反应。数据以均值±标准差表示。(B、D、F)比较了不同条件下的总AEP(P1 + P2 – N1 – N2)、总VEP(P1 + P2 – N1 – N2)和总SEP(P2 + P3 – N1)。单因素重复测量ANOVA用于检查条件的主效应,事后配对t检验与Bonferroni校正确认了显著差异(pcorr < 0.05)。数据以箱线图表示。“#”表示AT和Base条件之间的显著差异;“*”表示AT和NoAT条件之间的显著差异;“&”表示NoAT和Base条件之间的显著差异;AEP:听觉诱发电位;VEP:视觉诱发电位;SEP:体感诱发电位;SG:感觉门控;Base:基线;NoAT:无注意;AT:有注意。
**表1. 不同条件下SG的调制**
单因素重复测量ANOVA用于检查条件的主效应,事后配对t检验与Bonferroni校正确认了显著差异(pcorr < 0.05)。数据以均值±标准差表示。AEP:听觉诱发电位;VEP:视觉诱发电位;SEP:体感诱发电位;SG:感觉门控;Base:基线条件;NoAT:无注意条件;AT:有注意条件。
**关于个别成分**
当变量正态分布时,使用Pearson检验评估MLI与SG、HRV和EBR调制之间的相关性;否则使用Spearman检验。调制计算为相对于Base的AT的相对变化(例如,(Base ? AT)/Base)。为了提高相关性估计的可靠性,应用了自助法重采样(2000次迭代)来计算95%置信区间(CI)。应用Bonferroni校正来调整多重相关检验的显著性阈值。所有报告的p校正(pcorr)值都是双尾的。有趣的是,与基础状态相比,NoAT还显著降低了总VEP(pcorr = 0.012)(图4 C,表1)。对各个成分的进一步分析显示,VEP幅度的变化并未发生在第一个峰值N1中,而是在后续成分(P1和N2)中观察到。结果显示条件对P1(p < 0.001)和N2(p = 0.049)有显著的主效应,而对N1(p = 0.255)或P2(p = 0.33)没有显著效应。然而,事后检验发现,与NoAT(pcorr < 0.001)和基础状态(pcorr < 0.001)相比,AT仅对P1有显著降低(图4 C)。
SEP的总平均值显示在图4E中,其中三个峰值代表了对电刺激的体感皮层反应。结果显示条件对总SEP有显著的主效应(p < 0.001),事后检验发现AT与NoAT和基础状态相比有显著降低(pcorr < 0.001)。有趣的是,NoAT与基础状态之间也观察到了显著差异(pcorr < 0.001)(图4 F)。关于各个成分,条件变化并未在初始成分(N1)中观察到,但在后续成分(P2和P3)中清晰可见。结果显示条件对P2(p < 0.001)和P3(p < 0.001)有显著的主效应,而对N1(p = 0.557)没有显著效应。事后检验发现,与NoAT相比,AT在P2(pcorr = 0.007)和P3(pcorr < 0.001)中显著降低,与基础状态相比,在P2(pcorr < 0.001)和P3(pcorr < 0.001)中也有显著降低。值得注意的是,NoAT与基础状态之间在P2(pcorr < 0.001)和P3(pcorr < 0.001)中也观察到了显著差异(图4E,表1)。此外,结果还显示了条件与模态之间的显著交互作用(p < 0.001)。尽管存在这些模态特异性模式,但注意力效应(NoAT → AT)的幅度在各种模态中是可比的(AEP:0.155,VEP:0.141,SEP:0.134),所有降低都达到了统计显著性(pcorr < 0.001)。这些结果表明,注意力调节在各种感觉模态中相对一致。
关于SG调节对ML的影响,结果显示MLI与ΔAEP(皮尔逊相关系数,r = 0.45,p = 0.024,95%置信区间[-0.288, 0.784])(图5A)、ΔVEP(皮尔逊相关系数,r = 0.49,p = 0.013,95%置信区间[-0.062, 0.749])(图5B)和ΔSEP(斯皮尔曼相关系数,r = -0.2,p = 0.325,95%置信区间[-0.657, 0.255])(图5C)有名义上的相关性。然而,这些关联在Bonferroni多重比较校正或自助法调整后均不成立。因此,这些发现应被视为探索性的。
关于HRV和EBR的调节,Wilcoxon符号秩检验显示,在所有指标上,包括心率(HR)(p = 0.75)、RRI(p = 0.86)、NN50(p = 0.95)、rMSSD(p = 0.71)、LF功率(p = 0.71)、HF功率(p = 0.79)和总HRV功率(p = 0.83),休息状态与基础状态之间没有显著差异。这些结果表明,尽管参与者暴露于视觉线索和干扰因素,但在基础状态下,他们仍然处于接近休息的生理状态(图S1)。随后,结果显示,在任务注意力转移后,HRV在rMSSD、LF功率、HF功率和总HRV功率方面发生了调节。在时间域中,结果显示条件对RRIs(p = 0.04)、NN50(p = 0.004)和rMSSD(p < 0.001)有显著的主效应。然而,事后检验发现,与NoAT相比,AT在rMSSD中有显著降低(pcorr = 0.003)。
相比之下,频域指标在不同条件下发生了显著变化。结果显示条件对LF功率(p < 0.001)、HF功率(p < 0.001)和总HRV功率(p < 0.001)有显著的主效应。事后检验发现,与NoAT相比,AT在LF功率(pcorr < 0.001)、HF功率(pcorr = 0.002)和总HRV功率(pcorr = 0.003)中有显著降低(图6 A,B,C)。下载:下载高分辨率图像(274KB)下载:下载全尺寸图像。图6. 不同条件下的HRV调节(A–C)以及AT条件下的不同试验(D–F)下的HRV调节。使用Friedman检验来检查条件的主要效应,并通过带有Bonferroni校正的Wilcoxon符号秩检验确认了显著差异(pcorr < 0.05)。数据以均值±均值的标准误差表示。“#”表示AT与基础状态之间的显著差异;“&”表示NoAT与基础状态之间的显著差异;“*”表示AT与NoAT状态之间的显著差异;“$”表示AT条件下的第n次试验与第一次试验之间的显著差异;HRV:心率变异性;LF:低频;HF:高频;PSD:功率谱密度;Base:基线;AT:注意力。
结果还显示,在AT条件下,HRV在ML进展的后期阶段有所增加。结果显示试验顺序对HF功率(p = 0.004)和总HRV功率(p < 0.001)有显著的主效应。事后检验发现,与第一次试验相比,第7次试验(pcorr = 0.001)、第8次试验(pcorr = 0.001)和第9次试验(pcorr = 0.034)的HF功率增加。同样,与第一次试验相比,第7次试验(pcorr = 0.04)、第8次试验(pcorr = 0.001)和第9次试验(pcorr = 0.034)的总HRV功率也增加(图6 D,E,F)。关于HRV调节和ML能力,MLI与ΔrMSSD(r = –0.46,p = 0.019)和ΔLF功率(r = –0.41,p = 0.037)有名义上的负相关,而ΔHF功率(p = 0.359)没有显著关联。对于Δ总HRV功率(r = –0.52,p = 0.007),即使在Bonferroni校正和自助法调整后,这种负相关仍然具有统计显著性(图7)。因此,只有Δ总HRV功率与MLI之间的关系可以被认为是统计上稳健的。
这些发现支持我们的假设,即在视觉运动任务中增加的注意力需求反映在皮层水平的SG增强上,同时伴随着HRV和EBR的降低。此外,HRV被认为与ML有关。
SG作为注意力调节的神经相关指标,研究发现,在注意力条件下SG显著降低,且注意力效应(NoAT → AT)的幅度在各种模态中是可比的。这扩展了先前的知识,表明注意力主要调节给定感觉通道内信息的优先级,如在鸡尾酒会效应[33]和Colavita效应[34]中观察到的视觉主导现象中所展示的。在Colavita效应的背景下,当参与者在听觉干扰下进行视觉目标检测时,反应时间可能比在视觉干扰下更快。这被解释为视觉干扰在行为层面上可能比听觉干扰更强烈地干扰注意力处理。然而,目前的发现并不支持这种模态特异性不对称性。这种差异可能是由于实验设计的不同。在以前的行为范式中,干扰因素和目标通常同时出现,需要直接竞争和明确选择目标反应。相比之下,本研究在参与者已经参与了一个预先定义的目标任务的背景下随机引入了干扰因素。这可能减少了模态依赖的竞争性相互作用,并导致感觉系统之间的抑制机制更加均匀。总体而言,这为评估皮层水平的感觉抑制过程提供了一种整体方法。这种方法之前已在评估流动状态的研究中提出[14]。
注意力对SG的影响可以通过神经机制来解释,例如注意力资源的限制、自上而下的抑制控制和注意力网络之间的动态相互作用。首先,根据感知负荷理论[35],任务的感知需求决定了可用于处理与任务无关刺激的注意力资源的程度。在感知负荷较低的情况下,多余的注意力资源可能会不自觉地分配给干扰因素,从而增加干扰的敏感性。相反,当感知负荷较高时,注意力资源被完全占用,有效地限制了无关信息的处理。因此,在AT条件下,资源被选择性地导向与任务相关的输入,包括视觉线索和本体感觉反馈,而不是无关的感觉输入。其次,自上而下的抑制控制主要由背外侧前额叶皮层和后顶叶皮层介导,通过过滤掉无关的感觉信息来帮助集中注意力[36]。背外侧前额叶皮层通过施加抑制信号来管理执行功能和目标导向的控制[27]。此外,后顶叶皮层支持空间注意力和感觉整合,优先处理相关的感觉输入[38]。第三,背侧注意力网络和腹侧注意力网络之间的相互作用也被认为很重要。在AT条件下,背侧网络活动的增加增强了选择性注意力,而腹侧网络活动的减少降低了对外来刺激的敏感性[39]。
关于皮层感觉反应的各个成分,我们的发现一致显示,与注意力相关的SG调节主要发生在后续成分中,而在初始成分(如P1(AEP)、N1(VEP)或N1(SEP)中没有显著的变化。先前的研究表明,在SEP[13]、AEP[40]和VEP[41]中,注意力调节后初始成分保持不变。另一项研究揭示,在个体参与主动虚拟现实任务时,首次负峰响应(N1)和后续成分P3的体感感知出现了显著变化[15]。这一发现表明,较高的注意力需求或其他心理因素(例如,心流状态)可能通过在大脑皮层下水平过滤外周感官信息来影响早期的体感感知[15]。这些初始成分的差异可能与注意力投入的程度有关,而这种程度可能因任务的不同而有所差异。与第一个稳定成分不同,后续成分由于注意力的转移而发生了显著变化,例如N1、P2(AEP)、P1、N2(VEP)、P2和P3(SEP)。先前的研究表明,注意力调节主要影响N1和P2的AEP成分[42]、[43],P1和N2的VEP成分[17],以及P2和P3的SEP成分[13]、[15]。这些成分对注意力的转移很敏感,表明它们反映了识别外部刺激特征的关键过程。因此,当对刺激的注意力下降时,它们的幅度也会显著减小。鉴于此,在本研究中观察到的这些变化,之前与认知范式中的注意力有关,也在复杂的运动任务中得到了验证,这突显了它们在评估运动表现动态变化方面的潜力。然而,如AEP中的N2和VEP中的P2等后续成分在不同条件下并没有显著变化。这一发现表明,条件之间的注意力转移未能充分调节与高级感觉功能相关的过程,这需要进一步分析感觉信号。
有趣的是,结果显示SEP的P2和P3成分与Base相比发生了显著变化,这表明运动对体感感知有显著影响,这与先前的研究结果一致[15]。在这种现象中,包括来自关节和手指在空间中的位置的本体感觉信息,显著影响了触觉感觉信息的处理。这可能归因于精细运动任务期间本体感觉和触觉感觉处理的整合。总体而言,上述发现为理解运动活动中不同注意力状态下的中枢神经系统反应提供了一种新的方法,与基于分析皮层振荡带的方法相比。SG具有较高的时间分辨率,而皮层振荡带反映了更广泛的认知状态(如专注或放松),但时间分辨率较低。因此,ERP非常适合研究特定的认知反应,而皮层振荡带分析则可以提供个体随时间变化的整体心理状态的见解。
心率变异性(HRV)和眼电图反应(EBR)作为注意力调节的自主神经相关指标:虽然SG反映了皮层水平上的注意力调节神经机制,但HRV和EBR指标反映了其自主神经和神经生理相关因素。在任务相关的HRV中,需要精确度的AT条件导致rMSSD、总HRV功率和频谱成分系统性地减少,表明在高度注意力投入时心脏变异性降低。rMSSD和HF功率的减少通常与迷走神经调节减弱有关,而LF功率则是一个更复杂的指标,受自主神经和压力反射过程的影响[19]。因此,目前的发现表明,在持续注意力集中期间,心脏调节动态发生了短暂调整。重要的是,这种调节与听觉、视觉和体感模式中的SG增强同时发生。皮层(基于ERP的SG)和外围(HRV)指标的收敛表明,在视觉运动表现期间,注意力投入伴随着中枢和自主系统的协调调整。尽管没有获得直接的神经测量数据,但观察到的模式与理论框架一致,这些框架提出了高级注意力控制网络与认知需求状态下的心脏迷走神经调节之间的功能整合。特别是,神经内脏整合模型认为,参与执行注意力的前额叶和前扣带回区域对调节心脏迷走神经输出的下丘脑和脑干结构具有调节作用[21]。然而,由于缺乏呼吸监测和相对较短的记录时间,频域发现应解释为反映短期自主神经调整,而不是稳定的变化[44]、[45]。此外,在ML进展过程中,HRV调节随着试验顺序的不同而变化,在早期学习阶段减少更为明显,而在表现稳定后部分减弱。这种时间动态表明,自主神经调整跟踪了技能获取过程中不断变化的注意力需求。早期阶段以高认知控制和表现监控为特征,与心脏变异性的更强减少相关,而后期执行变得更加高效时则表现出相对恢复,这与先前关于心理投入[46]或运动序列学习[47]的研究一致。此外,我们观察到MLI与总HRV功率之间存在负相关,表明那些表现出较小任务相关HRV调节的个体倾向于表现出更高效的学习轨迹。这些发现与先前的证据一致,表明HRV与认知-运动功能有关。例如,较高的静息HRV已被报道与中风后的运动恢复相关[48],并且HRV生物反馈训练已被证明可以通过调节自主神经调节来改善运动功能[49]。此外,EBR也提供了可靠的视觉注意力客观测量方法。先前的研究报道,在阅读[25]和在线学习[50]等认知活动中,EBR有所下降。EBR的抑制可能是由于前额叶皮层对眨眼相关运动区域的抑制、最小化视觉干扰以及稳定中央凹输入以促进连续处理。通过EBR评估注意力在实践应用中具有巨大潜力,特别是在自动化监测系统(如眼动追踪和基于人工智能的计算)的发展方面。此外,整合其他指标(如眼动和瞳孔大小[8]、[50])可以提高注意力评估的准确性。尽管EBR是视觉注意力的一个有价值的标志,但其应用仅限于没有视觉目标的任务,例如内部注意力。然而,AT对EBR没有显著影响,表明即使这些试验反映了持续的ML,EBR仍然保持稳定。这意味着EBR至少在所检查的时间尺度内并不跟踪ML的时间动态。换句话说,虽然预期行为适应会随着试验的进行而演变,但潜在的眨眼相关过程似乎相对保持不变。此外,MLI与ΔEBR之间没有发现显著相关性,表明个体在ML能力上的差异与EBR的变化无关。这种分离表明,EBR可能反映了注意力状态的更全局或持续性方面,而不是特定于学习的进程。
这些发现强调了整合生理标志物(包括SG、自主神经指标)以提供运动任务期间注意力投入的客观指标的潜力。这些测量提供了可靠的、可量化的见解,补充了主观的注意力评估[51]。持续监测这些信号可能有助于识别个体在注意力焦点上的差异,并支持设计个性化策略以优化技能学习和康复[52]。此外,将这些生理标志物与机器学习方法结合使用,可以实现运动表现期间认知状态的实时评估和预测,超越了传统基于EEG的方法在纯认知任务中的应用[53]。通过研究相对简单的视觉运动任务中的注意力,该研究为理解注意力投入如何影响日常功能活动和结构化训练计划提供了框架。总体而言,这些结果为未来研究注意力在复杂运动技能获取中的作用奠定了基础。
应考虑几个限制。首先,样本由相对较少的年轻健康成年人组成,这可能限制了其对老年人群或临床人群的普遍性。需要更大、更多样化的样本来确认SG和自主神经发现的稳健性。其次,HRV数据来自较短的记录时间(90秒),且没有直接进行呼吸监测。由于呼吸影响迷走神经介导的指标,特别是HF功率,频域测量可能反映了短期任务相关的调节,而不是稳定的自主神经状态。第三,尽管设计旨在研究注意力调节,但需要精确度的条件也可能增加了任务的总体难度。因此,生理变化不能完全归因于注意力。第四,与MLI的相关性主要是探索性的;除了总HRV外,关联在多重比较校正后不再显著。因此,不能推断出因果关系。最后,虽然基于ERP的SG具有较高的时间分辨率,但有限的电极布置限制了对皮层来源的空间解释。未来使用高密度EEG或多模态成像的研究可能更好地描绘出潜在的网络。
结论:本研究强调了SG作为视觉运动打字任务期间注意力调节的神经相关指标。在后期成分(AEP中的N1、P2;VEP中的P1、N2;SEP中的P2、P3)的特定ERP成分中观察到了注意力需求,表明感觉处理的系统调节。除了这些神经效应外,自主神经和神经生理指标(包括HRV参数(rMSSD、LF功率、HF功率、总HRV功率)和EBR也显示出与任务相关的变化。值得注意的是,HRV在整个ML过程中表现出动态波动,并与ML的改善相关。这些发现共同扩展了我们对注意力过程如何在复杂运动活动中调节多种生理指标的理解。
利益冲突声明:作者声明没有利益冲突。
资助:本研究由日本文部科学省通过科学研究资助金(23K10503给SU)支持,并得到了广岛大学的研究资助(0G4170)。
作者贡献声明:
冈本武:写作——审阅与编辑、方法学、调查。
Le Trung Duc:可视化、方法学、概念化。
Nguyen Van Cuong:写作——审阅与编辑、原始草稿编写、可视化、验证、软件、方法学、调查、正式分析、数据管理、概念化。
URAKAWA SUSUMU:写作——审阅与编辑、原始草稿编写、可视化、验证、监督、软件、资源管理、项目管理、方法学、资金获取、概念化。
西条久雄:写作——审阅与编辑、监督、概念化。
Imura Takeshi:写作——审阅与编辑、监督、方法学、调查、概念化。
Kurose Tomoyuki:写作——审阅与编辑、监督、方法学、概念化。
Kase Satoshi:写作——审阅与编辑、方法学、调查。
Hyodo Yuya:写作——审阅与编辑、方法学、调查。
Nguyen Dang Thu:写作——审阅与编辑、方法学、概念化。
Tatsumi Masataka:写作——审阅与编辑、方法学。
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