行走坡度对认知表现的影响：双任务干扰的电生理证据

《Behavioural Brain Research》：Effect of walking slope on cognitive performance.Electrophysiological evidence of dual-task interference

　　

•行走坡度调节认知-运动双重任务期间的神经加工过程
•早期感觉加工（P1/N1）对运动复杂性高度敏感
•高级认知加工（P3）在不同行走坡度下保持韧性
•上坡行走期间差异P3降低支持资源共享模型
•上坡行走增加感知负荷但显著降低状态焦虑

**引言**

日常生活中经常需要同时管理运动和认知需求，二者之间存在密切的交互作用。这种强烈的相互作用被认为源于进化历史，暗示着底层神经网络的共享[1]、[2]。因此，运动不能被视为纯粹的自动行为，而是一个依赖内感受和外感受信号多感觉整合的复杂过程（综述见[3]）。已有研究表明，行走等运动行为依赖于认知过程，且行走复杂性的增加会加大认知负荷（如[4]）。因此，涉及行走的认知-运动双重任务（CMDT）练习已被广泛用于研究运动控制与认知加工之间的交互[5]、[6]、[7]、[8]、[9]、[10]。CMDT条件要求同时执行一项认知任务和一项运动独立任务。双重任务可能产生干扰，导致一个或两个任务的绩效发生变化（如[6]）。这种干扰通常归因于资源受限的加工过程需要资源再分配。多个具有影响力的理论框架描述了这种资源再分配。瓶颈理论提出，共享加工阶段的任务是顺序执行而非同时执行的[11]。资源共享模型表明，有限的认知资源会灵活地重新分配，可能根据任务需求导致绩效下降或神经调节[12]。多容量框架认为，不同的机制具有独立的容量，并根据任务需求灵活分配[13]，且双重任务干扰也可能源于任务反应重叠时的结果冲突[14]。这些原则在《多资源模型》中被正式化[15]、[16]，该模型指出干扰取决于资源之间的重叠程度。因此，成功的CMDT表现需要感知和注意技能以及执行功能的深度参与（特别是注意调节和目标导向行为）（如[10]）。随着练习的增加，任务干扰往往减少（如[17]）。神经影像和电生理研究发现，与单独执行单一任务相比，CMDT执行需要更多的脑网络以及它们之间更强的整合[6]、[18]、[19]。总体而言，CMDT似乎涉及自适应的资源分配机制（如[20]）。

在CMDT研究以及涉及跑步机行走的应用中，选择两种任务的性质对于最小化或避免干扰效应至关重要[5]、[12]、[15]、[16]、[20]。大多数研究都在寻找最合适的认知任务，发现强烈调用执行功能的任务似乎比依赖其他认知过程的任务对行走相关干扰更为敏感[20]。涉及内部干扰因素的认知任务似乎比涉及外部干扰因素的任务对步态表现的干扰更大[5]。Al-Yahya等人[5]发现，在双重任务条件下行走会受到干扰，且涉及内部干扰因素的认知任务似乎比涉及外部干扰因素的任务对步态的损害更大。内部干扰因素是指需要内部生成的认知操作的任务，如心算、连续减法、言语流畅性或记忆提取；外部干扰因素是指由外部呈现的刺激驱动的任务，如视觉或听觉反应时或辨别任务。其荟萃分析显示，最突出的总体效应是对步速的影响[5]。相应地，本研究使用的视动辨别任务可被视为外部驱动任务，因为反应是由视觉呈现的刺激触发的[5]。先前的研究通过操纵运动强度来考察运动对伴随认知任务表现的影响（如[21]、[22]、[23]、[24]）。在双重任务期间，通过操纵步态参数和环境约束可以增加行走复杂性[25]、[26]。双重任务干扰取决于认知任务类型和行走难度，在更具挑战性的行走条件（如更快的行走和穿越障碍物）下观察到更大的步速代价，在老年人群体中尤为明显[25]、[27]。更具生态效度的操纵，如不平整地形和楼梯行走，也被证明会影响工作量、步态和动态稳定性，以及/或运动控制的神经指标[26]、[28]、[29]、[30]、[31]。

然而，很少有研究考察操纵特定的行走参数（如跑步机坡度——上坡或下坡）是否会差异性地影响认知表现及其潜在的神经加工过程。Thompson等人[32]指出，下坡行走可能会增加伴随认知任务的反应时间。Bradford等人[33]提出，上坡行走可能会增加感觉运动皮层、前扣带回和顶后区域的脑活动。重要的是，近期的电生理研究表明，运动本身直接塑造视觉皮层加工过程。具体而言，Chen等人[34]证明了行走调节刺激前的神经状态以及刺激后的感觉反应，揭示了运动期间准备性脑活动可预测感知表现。在一项相关研究中，行走被证明差异性地影响视觉皮层加工的早期和晚期阶段，表明运动参与动态地重组了加工层级中的注意和感觉机制[35]。综上所述，这些发现表明增加运动需求可能会系统性地改变支持认知任务执行的神经加工过程，特别是在双重任务情境中。

事件相关电位（ERP）为研究CMDT提供了有价值的方法，其高时间分辨率允许检验准备性、感知和刺激后加工阶段[36]、[37]。一些关于CMDT的ERP研究报告指出，调节运动任务后，可以在认知任务表现及相关脑功能中观察到多种效应。例如，Di Bello等人[38]在健康成人（年龄20-36岁）中表明，与站立相比，在平坦表面上以恒定速度进行慢速跑步机行走可能会改善认知任务表现，通过增加预期性脑加工来缩短反应时间（RT）。当比较坐姿（或站姿）与行走时，大多数ERP研究报告指出，跑步机行走期间改善的反应时间和/或准确率可能与认知任务加工早期和晚期阶段（通过N1和P3成分识别）脑活动的调节相关（如[26]、[39]、[40]、[41]）。这些结果暗示了神经资源的灵活再分配（如[42]）。N1是刺激后120-200毫秒出现的负波，起源于双侧外纹状体视觉皮层，作为早期注意分配和认知辨别的指标[43]、[44]。它作为选择相关信息标记，其振幅表示注意强度和刺激的结构编码。它代表了前注意加工和感觉过滤的第一个主要阶段[43]、[44]。P3是300-600毫秒在中央顶叶区域出现的正波，与向任务相关目标自愿分配注意以及随后对这些刺激的分类有关（如[42]）。当目标/非目标比例相等时，目标减去非目标的P3差值（差异P3）是分离参与反应分类和决策的特定认知过程的指标（如[45]、[46]）。据我们所知，尚无研究报告了CMDT对P1成分所反映的早期视觉加工的影响。P1是刺激后80-130毫秒出现的正波，起源于双侧外纹状体视觉皮层（如[47]），被认为反映了较高级的感觉加工。

预期会出现对P1成分的影响，因为早期视觉加工并非纯粹的刺激驱动，而是受注意状态和皮层兴奋性调节[34]、[35]、[47]。运动已被证明会改变刺激前神经活动和早期感觉反应，表明运动参与可以在早期阶段影响视觉加工[34]、[35]。

本研究考察了行走复杂性对CMDT期间认知表现及其潜在神经机制的影响。为此，我们在跑步机行走和脑电图（EEG）记录期间研究了辨别反应任务（DRT）的表现。本研究考察行走坡度的变化是否会引起与认知任务早期感觉和晚期注意加工相关的行为表现和ERP成分的可测量变化。为了全面表征CMDT期间行走坡度的效应，主观评估补充了行为和电生理测量。由于运动复杂性和体力消耗可能会影响双重任务表现期间的情感和唤醒相关状态[48]，因此也考虑了状态焦虑。此外，还评估了感知体力和认知负荷，以支持对行为和电生理发现的解释。

基于先前证据表明行走复杂性和运动需求可以调节认知-运动干扰和神经加工，我们提出了以下假设。在行为水平上，我们预期行走坡度会影响认知任务表现，且反应时间比准确率对运动需求变化更为敏感。具体来说，非平坦行走条件预计相对于平坦行走会施加额外的运动需求，尽管机制部分不同，下坡行走需要更大的姿势控制，上坡行走涉及更大的体力消耗。在电生理水平上，我们预期坡度操纵会调节以P1和N1振幅为指标的早期感觉和注意加工，因为运动需求可能会改变视觉加工和注意资源分配。我们还预期行走坡度会影响以P3和差异P3成分为指标的晚期认知加工，反映双重任务行走期间刺激评估和注意资源分配可能的变化。最后，我们预期感知体力和认知负荷在不同行走坡度条件下有所变化，而状态焦虑的评估旨在探索情感状态是否随运动需求变化。

最终，在健康个体中研究这些机制可能为运动-认知整合期间注意资源如何动态分配提供关键见解，为预防策略和康复策略奠定基础。

---

**片段：参与者**

样本量是通过使用G*Power软件（版本3.1.9.7）进行的先验功效分析确定的。分析基于重复测量、因素内方差分析（ANOVA），假设显著性水平（α）为0.05，期望统计功效为0.90，效应量0.347取自先前使用类似双重任务范式和ERP分析的研究[39]。结果表明至少需要20人的样本量。因此，最终样本……

**结果**

所有行为表现和三种行走坡度条件下ERP成分振幅的描述性统计（包括精确均值和标准差）汇总于补充表S1。

**讨论**

本研究考察了通过跑步机坡度操纵的运动复杂性需求如何在认知-运动双重任务（CMDT）中调节认知表现和神经加工。行走坡度用于对比具有不同感知体力消耗和运动控制需求组合的条件。具体来说，行走坡度被认为调节代谢需求，上坡行走期间感知体力消耗的增加支持了这一观点，从而区分了……

---

**生成式AI及AI辅助技术在写作过程中使用的声明**

在准备本稿件期间，作者使用了生成式AI技术来辅助语言编辑和稿件可读性提升。所有生成的建议均由作者审阅、修改和验证，作者对稿件的最终内容承担全部责任。未使用任何AI工具进行数据生成、数据分析、结果解释或科学决策。

**未引用参考文献** [54]

**CRediT作者贡献声明**
Raffaele Costanzo：撰写—审阅与编辑、软件、方法论。Bianca Maria Di Bello：撰写—审阅与编辑、可视化。Francesco Di Russo：撰写—审阅与编辑、可视化、验证、监督、项目管理、方法论、概念化。Francesca Strappini：撰写—审阅与编辑。Valentina Sulpizio：撰写—审阅与编辑。Patrizia Fattori：撰写—审阅与编辑、资金支持获取。Claudio Galletti：撰写—审阅与编辑。PERRONE（注：此处疑为排版拼接错误）

**利益冲突声明**
作者声明以下可能被视为潜在利益冲突的财务利益/个人关系：Sabrina Pitzalis和Patrizia Fattori报告了来自意大利大学与研究部的资金支持。

如还有其他作者，他们声明没有已知的竞争性财务利益或个人关系，这些可能被视为影响本论文中报告的工作。

致谢

本工作得到意大利大学与研究部资助（PRIN-2022BK2NPS）以及资助项目MNESYS（PE0000006）——一种用于研究神经系统健康与疾病的多尺度综合方法（DN. 1553 11.10.2022）-J33C22002970002 的支持，受资助人为Sabrina Pitzalis和Patrizia Fattori。

利益冲突声明

作者声明没有已知的竞争性财务利益或个人关系，这些可能被视为影响本论文中报告的工作。

Martina Perrone | Martina Moscogiuri | Raffaele Costanzo | Bianca Maria Di Bello | Francesco Di Russo | Patrizia Fattori | Claudio Galletti | Francesca Strappini | Valentina Sulpizio | Sabrina Pitzalis