《COGNITIVE, AFFECTIVE & BEHAVIORAL NEUROSCIENCE》：The maintenance of attention over time influences the dynamics of EEG microstates
编辑推荐：
人类注意力本质上是短暂且有限的。大规模神经认知网络的内在波动被认为会导致限制其跨度的不可避免的注意力衰减。然而，尚不清楚特定电生理脑状态的毫秒级时间动态如何影响注意力的内源性维持或注意力衰减的起始。在本研究中，研究人员探讨了脑电微状态（EEG microsta
人类注意力本质上是短暂且有限的。大规模神经认知网络的内在波动被认为会导致限制其跨度的不可避免的注意力衰减。然而，尚不清楚特定电生理脑状态的毫秒级时间动态如何影响注意力的内源性维持或注意力衰减的起始。在本研究中，研究人员探讨了脑电微状态（EEG microstates）的强度和毫秒级动态是否能够区分专注状态与不专注状态，并有助于注意力的维持。研究人员在参与者于注意线索任务（Sustained Attention to Cue Task, SACT）的试验等待时间延迟期间维持注意力时，记录了128通道脑电图（EEG），并基于数据驱动的拓扑聚类将脑电图分割为分类的微状态时间序列。结果发现，在试验的等待时间延迟中，微状态C和E的普遍性和发生频率区分了正确的目标检测与错误的目标检测。它们的时变动态在等待时间延迟期间以及整个任务过程中也系统地变化，表明这些微状态在短时间和长时间尺度上参与注意力的维持。此外，微状态C与α功率（alpha power）中最大的注意力相关调制共同出现，并在α振荡发作（alpha oscillatory episodes）中占主导地位，表明其神经发生器是α频段（alpha frequency band）与不专注之间已建立关联的主要贡献者。总之，这些结果证明了微状态对注意力状态变化的敏感性，并表明其毫秒级动态有助于注意力的随时间维持。
**研究背景与问题**
注意力无法无限维持，其跨度受到内在限制，通常仅持续数秒便会出现衰减或转向任务无关的想法。大规模神经认知网络（如默认模式网络default mode network, DMN与背侧注意网络dorsal attention network, DAN）的时变波动被认为是导致注意力不可避免衰减的神经基础。然而，尚不清楚特定电生理脑状态（如脑电微状态EEG microstates）的毫秒级时间动态如何影响注意力的内源性维持或注意力衰减的起始。先前研究虽已发现微状态C与走神（mind wandering）相关，微状态E与任务专注相关，但这些关联在需要持续内源性注意力的任务情境中尚未被系统验证。此外，α频段（8–14 Hz）功率与不专注状态之间的关联是否存在微状态层面的解释尚不明确。因此，本研究旨在探讨脑电微状态的强度与时间动态是否能够区分专注与不专注状态，并揭示其在不同时间尺度（秒级至分钟级）上对注意力维持的贡献。论文发表在《COGNITIVE, AFFECTIVE 》。
**研究内容与结论**
研究人员采用修改版的注意线索任务（Sustained Attention to Cue Task, SACT），要求参与者内源性维持注意力于线索化空间位置，等待可变延迟（0–40秒）后检测目标刺激。通过128通道脑电图（EEG）记录等待期数据，并基于数据驱动拓扑聚类将脑电图分割为微状态时间序列（A至F六种构型）。主要发现：微状态C和E在等待期的普遍性与发生频率可区分正确与错误目标检测；微状态C的全局解释方差（GEV）和总时间样本数随任务进程（时间-on-task）增加，而微状态E的发生频率随等待时间延迟增加而升高；微状态C与α功率调制及α振荡发作（alpha oscillatory episodes）存在最强关联，且其发生器是α频段与不专注关联的主要贡献者。结论表明，微状态的毫秒级动态有助于注意力的维持，并标记注意力衰减与走神的发生。
**技术方法**
关键技术方法包括：1）采用128通道BioSemi ActiveThree系统记录EEG，采样率1024 Hz，离线处理包括1–40 Hz带通滤波、平均参考、降采样至256 Hz、独立成分分析（ICA）去除伪迹；2）基于自适应k-means聚类对全局场强（GFP）局部极大值处的电压拓扑进行聚类，确定个体水平最优聚类数（4–8个），再通过第二级聚类获得6个全局微状态构型（A–F）；3）将脑电图时间序列分类为微状态符号序列，并计算五个依赖测量指标：全局解释方差（GEV）、平均持续时间、平均发生率、总时间样本数、平均全局场强（GFP）；4）采用分布式线性逆解（LAURA）进行源定位，估计微状态的神经发生器；5）使用小波S变换提取α频段功率，并基于改进的振荡检测框架（BOSC）识别α振荡发作，分析微状态与α功率及振荡发作的共现关系。样本来源：从肯塔基大学本科生社区招募51名参与者（最终49人，排除2名睡眠者）。
**研究结果**
*目标检测准确率与走神随试验等待时间变化*
通过增长曲线模型发现，目标检测准确率随等待时间线性及二次项下降（p<0.001），而走神评分（专注度与任务无关思维）随等待时间及任务顺序增加（p<0.01），表明注意力维持能力在秒级尺度内快速衰减。
*微状态动态区分正确与错误试验*
混合效应模型显示，在错误试验中，微状态C的GEV、持续时间、发生率和总时间样本数均显著高于正确试验（p<0.001），而微状态E的GEV、发生率和总时间样本数在正确试验中更高（p<0.01）。此外，微状态A、B、C、D的GFP在错误试验中更高（p<0.01）。
*微状态动态随等待时间延迟变化*
微状态E的发生频率和总时间样本数在每个连续4000毫秒epoch中显著增加（p<0.001），表明在更长的等待期间，支持注意力的脑系统更频繁地激活。
*微状态动态随任务进程变化*
微状态C的GEV和总时间样本数随任务试验序数增加而显著增加（p<0.001），而微状态F的发生率下降。所有微状态的GFP均随时间增加，但微状态C增幅最大。
*先前试验等待时间影响后续试验微状态*
微状态C的GEV、发生率和总时间样本数在先前试验等待时间更长时显著增加（p<0.001），表明累积的认知负荷会增强与不专注相关的微状态。
*微状态动态与专注度及任务无关思维评分相关*
专注度评分与微状态C的GEV、发生率和总时间样本数呈负相关（p<0.01），而与微状态B呈正相关。任务无关思维评分与微状态E的GEV、发生率和总时间样本数呈正相关（p<0.01），与微状态A和F呈负相关。
*微状态转换概率*
转换概率分析显示，在等待时间延迟期间，微状态B→E的转换频率显著增加（p<0.001）。
*微状态与α功率及α振荡发作共现*
全局α功率在正确试验中于微状态B、C、D处较低，其中微状态C的降幅最大（p<0.001）。α振荡发作的总时间样本数随任务进程增加，且微状态C在振荡发作中占据最多时间样本（p<0.001），其极性反转频率显著高于其他微状态（p<0.001）。
**讨论与结论**
讨论部分指出，研究结果复制并扩展了微状态C与不专注、微状态E与专注的关联模式，支持了微状态源自默认模式网络（DMN）与任务正性网络（如背侧注意网络）之间拮抗相互作用的观点。微状态E在等待期中的增加可能反映了“短周期刷新系统”的机制，即通过反复激活任务图式来维持内源性注意力。微状态C随任务进程的增强则与走神发生率增加平行，表明其神经发电机（如内侧颞叶子系统）是注意力衰减的神经基础。此外，α功率与微状态的强关联表明，传统基于频段的EEG分析可能忽略了微状态动态的贡献。研究结论翻译如下：总之，这些发现证明了微状态对注意力状态变化的敏感性，并表明其毫秒级动态有助于注意力的随时间维持。
