Abstract
精神疲劳是人们信息资源过度消耗后的主观状态，其对认知活动的影响主要表现为警觉性降低、记忆力变差和注意力不集中，与工作记忆受损后的表现高度相关。本文采用部分定向相干法计算各电极头皮脑电信号的相干性系数，利用对脑网络及其属性参数的分析，探索精神疲劳状态下工作记忆信息资源分配的变化情况。实验采用自适应 N-back 工作记忆的实验范式快速诱发精神疲劳，随机招募 25 名身体健康的在校大学生作为被试，其中男性 14 名，女性 11 名，年龄在 20～27 岁，均为右利手，同步采集被试的行为学数据和静息态头皮脑电数据。结果显示，疲劳状态下大脑主要信息传输路径发生变化，主要表现在额叶区域和顶叶区域；脑网络参数的显著变化说明大脑的信息传输路径减少，信息传输效率显著下降；各电极因果流和各脑区间信息流中，疲劳状态下额叶区域信息资源流入减少，顶叶区域和枕叶区域虽然在疲劳状态下成为主要功能连接区域，但从整体来看这两个区域信息资源流入仍然是减少的。这些结果说明精神疲劳影响了工作记忆功能的信息资源分配，尤其是与工作记忆功能联系紧密的额叶区域和顶叶区域。
Keywords: 精神疲劳, 工作记忆, 信息资源, 脑网络
Abstract
Mental fatigue is the subjective state of people after excessive consumption of information resources. Its impact on cognitive activities is mainly manifested as decreased alertness, poor memory and inattention, which is highly related to the performance after impaired working memory. In this paper, the partial directional coherence method was used to calculate the coherence coefficient of scalp electroencephalogram (EEG) of each electrode. The analysis of brain network and its attribute parameters was used to explore the changes of information resource allocation of working memory under mental fatigue. Mental fatigue was quickly induced by the experimental paradigm of adaptive N-back working memory. Twenty-five healthy college students were randomly recruited as subjects, including 14 males and 11 females, aged from 20 to 27 years old, all right-handed. The behavioral data and resting scalp EEG data were collected simultaneously. The results showed that the main information transmission pathway of the brain changed under mental fatigue, mainly in the frontal lobe and parietal lobe. The significant changes in brain network parameters indicated that the information transmission path of the brain decreased and the efficiency of information transmission decreased significantly. In the causal flow of each electrode and the information flow of each brain region, the inflow of information resources in the frontal lobe decreased under mental fatigue. Although the parietal lobe region and occipital lobe region became the main functional connection areas in the fatigue state, the inflow of information resources in these two regions was still reduced as a whole. These results indicated that mental fatigue affected the information resources allocation of working memory, especially in the frontal and parietal regions which were closely related to working memory.
Keywords: mental fatigue, working memory, information resources, brain network
引言
人们长时间地用脑作业或在认知活动要求较高的环境下持续工作，会造成大脑信息资源的过度消耗，使正常认知活动受到严重影响，这种表现称为精神疲劳[1]。工作记忆是一种短时记忆系统，是认知活动中进行短时信息保存和快速处理的能力，工作记忆功能受损会对人们的工作和学习产生非常严重的影响[2-3]。在正常的工作记忆活动中，大脑信息资源会被优先分配到与当前活动密切相关的脑区，支持工作记忆的快速进行。而有限的信息资源被过度消耗后会出现警觉性降低、记忆力变差和注意力不集中的现象，这些现象和工作记忆受损后的表现高度相关[4]。因此，研究精神疲劳状态下工作记忆信息资源分配的变化情况对于研究精神疲劳和工作记忆的功能机制均具有重要的意义。
头皮脑电信号是由头表电极记录所得颅内自发性神经元集群放电活动产生的头皮电位变化，可以反映大脑的生理、病理状态，亦可反映大脑的认知活动状态[5-7]。头皮脑电信号因其成本低廉、时间分辨率高和方便快捷的优势，在研究精神疲劳状态下认知活动的状态变化时得到了广泛的应用[8-9]。郝鹏茹[10]从脑电功率的角度，对头皮脑电信号各频段功率进行了研究，发现精神疲劳会对大脑认知活动中注意力和警觉性产生影响；万育辰[11]从脑电事件相关电位的角度，对精神疲劳后事件相关电位中的 P3a 成分和失匹配负波成分的变化情况进行了研究，发现精神疲劳会对大脑认知活动中的注意力和信息自动加工的能力产生影响。大脑作为人类神经系统的中枢，类似工作记忆这样的认知活动离不开脑区之间的信息交流，这些研究在一定程度上反映了精神疲劳状态下认知活动的整体变化情况，但并不能反映大脑区域之间的信息资源状态变化。
越来越多的研究发现认知活动的变化与大脑各区域之间功能连接和信息资源重组有关，而脑网络可以定量分析功能连接强度和信息资源的变化情况[12-14]。精神疲劳对大脑认知活动的影响有较多研究，但其中精神疲劳对工作记忆信息资源分配的影响研究较为欠缺[15-17]。因此本文利用部分定向相干法计算各电极头皮脑电信号的相干性系数，通过对脑网络的构建和参数分析，探索精神疲劳对工作记忆信息资源分配的影响情况。
1. 材料与方法
1.1. 实验对象
本文招募了 25 名身体健康的在校大学生作为被试，其中男性 14 名，女性 11 名，年龄在 20～27 岁，均为右利手，无重大疾病史。实验时需要被试有良好的精神状态，在实验前确保被试心情愉悦，处于放松的状态。本实验通过了河北工业大学生物医学伦理委员会的审查，所有被试者均签署了知情同意书。
1.2. 实验设备
本文使用的设备是美国 Neuroscan 64 导联脑电采集系统，电极的分布按照国际脑电图学会制定的统一的 10-20 国际脑电记录系统。实验过程中保证所有电极的输入阻抗在 5 000 Ω 以下，脑电采样频率为 1 000 Hz。
1.3. 实验设计
本文实验采用工作记忆典型实验范式 N-back，长时间的 N-back 实验任务不仅能够激活与工作记忆相关的脑区，也能使被试者进入精神疲劳状态。在 N-back 任务中，一系列刺激被依次呈现，本文的刺激为英文字母，被试的任务是在每一个刺激呈现时做目标特征“一致性”判断，即判断当前呈现的项目是否与第 N 个试次前的项目有一致的特征[18]。当 N = 0 时，被试只需将当前项目与某个给定的目标刺激进行匹配，本文给定的刺激是英文字母 X；当 N ≥ 1 时，N-back 任务的进行需要在匹配当前项目与目标项目的同时不断地刷新保存在工作记忆中的内容。
实验前，为被试者讲解本实验的流程和注意事项，以免被试者不了解实验而影响实验结果，实验流程如图 1 所示。被试充分放松后，确认被试处于正常精神状态，提示被试者开始记录正常状态的静息头皮脑电信号，脑电采集完成后填写卡罗林斯卡嗜睡量表（Karolinska Sleepiness Scale，KSS），然后开始工作记忆实验范式 N-back 实验任务。为确保被试处于最大工作记忆负荷，快速达到精神疲劳状态，会对被试者正常状态 3-back 实验任务的正确率进行检测。若正确率高于 85%，接下来会进行长时间的 3-back 实验任务，否则进行长时间的 2-back 实验任务。根据任务正确率和卡罗林斯卡嗜睡量表值判断被试达到精神疲劳后，再进行一次 N-back 实验任务，最后记录被试疲劳状态下的静息头皮脑电信号。
图 1.
Experimental process
实验流程
1.4. 基于部分定向相干法的脑网络构建
本文使用静息态头皮脑电信号来构建脑网络。首先将头皮脑电信号进行预处理，主要包括：对原始数据进行重参考，以双耳乳突电位平均值作为参考电位；利用带通滤波器进行 0.5～40 Hz 滤波处理；将采样频率降至 256 Hz 以便减小计算量。
在建立脑网络模型过程中，利用部分定向相干法对预处理后的头皮脑电信号各电极之间的相干性系数进行计算，然后使用北京师范大学开发的免费 MTALAB 工具包 BrainNet Viewer[19]比较不同阈值下正常状态和疲劳状态的脑功能连接和信息资源变化情况，以此确定最为可靠的阈值并构建脑网络。对构建出来的脑网络及其参数进行分析和研究，属性参数包括度、聚类系数、特征路径长度、因果流和信息流[20-21]。
1.4.1. 度和因果流
节点度可以反映节点的功能连接强度和信息传输量，而平均节点度可以反映大脑整体的功能连接强度和信息传输量[22]。因效性网络具有方向性，可以揭示信息流向，因此度分为出度和入度，入度是方向指向此节点的边数；出度是方向指出此节点的边数[23]。
 |
式中 N 表示脑网络所有节点，若 aij 表示节点 i 到节点 j 所有大于阈值的相干性系数，则 di 表示节点 i 的出度；若 aij 表示节点 j 到节点 i 所有大于阈值的相干性系数，则 di 表示节点 i 的入度。节点 i 的度为节点 i 入度和节点 i 出度之和。
因果流作为网络因果连接的参数，反映了网络节点的因果效应，在网络中节点的因果流定义为它的出度和入度的差值[24]。一个节点因果流值为正且取值大，称为因果源；节点因果流为绝对值大的负值，被称为因果汇。
1.4.2. 聚类系数
聚类系数是同类节点聚集的系数，其可以表现出网络的局部功能连接强度和信息传输情况[25]。网络中某一节点 i 有 n 条边，那么与这 n 个边相连的节点就是节点 i 的邻居。节点 i 的聚类系数 Ci：
 |
式中 N 表示 n 个节点间实际边数。
1.4.3. 特征路径长度
特征路径长度是指信息从网络中任意两个节点间传输最短距离所经过的节点数[26]。其可以反映网络的信息传输效率，网络的特征路径长度越短，信息传输效率越高。脑网络的特征路径长度 L:
 |
式中 N 代表脑网络所有节点，n 代表脑网络节点总数，kij 代表节点 i 到节点 j 最短路径的边数。
1.4.4. 信息流
选取电极间相干性系数矩阵值来表征信息流[27]。信息流 FXY 表示区域 X 到区域 Y 的信息流。
 |
式中 X 和 Y 表示两个划定的脑区，M 和 N 分别表示这两个脑区的电极总数，aij 表示脑区X里面的节点 i 到脑区 Y 节点 j 的相干性系数。本文将大脑分成三个区域——A、B 和 C，区域 A 为额叶区域，区域 B 为中央区域，区域 C 是顶叶区域和枕叶区域。
2. 结果
2.1. 行为学数据分析
使用配对 t 检验的统计方法对正常状态和疲劳状态下的行为学数据进行统计分析，结果如表 1 所示。随着实验任务的进行被试者们主观上一致认为疲劳程度在不断增加，正常状态和疲劳状态的卡罗林斯卡嗜睡量表值差异具有统计学意义（P < 0.01）。正常状态和疲劳状态下的 N-back 任务正确率差异也具有统计学意义（P < 0.05），被试者确实进入到疲劳状态且工作记忆功能受损。
表 1. Comparison of behavior data between normal state and fatigue state.
正常状态和疲劳状态下的行为学数据比较
| 行为学数据 |
平均值（标准差） | P 值 | |
| 正常状态 | 疲劳状态 | ||
| 卡罗林斯卡嗜睡量表 | 4.90（1.43） | 8.11（1.12） | 0.001 |
| 正确率 | 0.95（0.04） | 0.92（0.07） | 0.038 |
| 反应时间/ms | 864.82（151.44） | 845.19（217.47） | 0.683 |
2.2. 脑网络及其参数分析
本文对正常状态和疲劳状态下脑网络进行了分析，结果如图 2 所示。相对于正常状态脑网络，疲劳状态下脑网络的功能连接强度变差，且主要功能连接区域和主要信息传输方向发生变化。正常状态下信息主要流向额叶区域，而疲劳状态下信息主要流向枕叶和顶叶区域。
图 2.
Brain network of normal state and fatigue state
正常状态和疲劳状态的脑网络
使用配对t检验的统计方法对正常状态和疲劳状态下的脑网络参数进行了统计分析，结果如表 2 所示。疲劳状态下脑网络的参数发生变化，主要表现在聚类系数显著减少（P < 0.01）和特征路径长度显著增加（P < 0.01），说明疲劳状态下整体连接强度变弱且信息传输效率降低。因脑网络图进行了阈值设定，仅能显示相干性较强的电极之间的状态，为看到所有电极的变化情况，本文对两种状态下电极平均节点度分布地形图进行绘制，结果如图 3 所示。两种状态下的地形图显示了大脑所有电极平均节点度分布情况，主要的局部信息传输量变化与脑网络图类似，不同的是地形图能够将大脑整体功能连接强度和信息传输量的变化直观地展示出来。
表 2. Comparison of brain network parameters in normal state and fatigue state.
正常状态和疲劳状态下的脑网络参数分析
| 脑网络参数 | 平均值（标准差） | P 值 | |
| 正常状态 | 疲劳状态 | ||
| 度 | 13.56（2.31） | 11.61（3.28） | 0.074 |
| 聚类系数 | 0.48（0.19） | 0.36（0.13） | 0.001 |
| 特征路径长度 | 1.80（0.42） | 2.07（0.36） | 0.002 |
图 3.
Average node degree topographic map of electrode in normal state and fatigue state
正常状态和疲劳状态的电极平均节点度分布地形图
正常状态和疲劳状态下各电极因果流如图 4 所示。正常状态下电极因果源主要分布在额叶区域和脑后部的顶叶区域，中央区域各电极因果流基本为因果汇。这说明正常状态下信息资源主要分配到额顶叶区域。疲劳状态下各电极因果流大小整体减小，顶叶和枕叶区域电极大多是因果源，额叶区域电极因果源减少。疲劳状态的结果说明信息资源被过度消耗，额叶区域信息资源分配量减少。
图 4.
Causal flow of each electrode in normal state and fatigue state
正常状态和疲劳状态下各个电极因果流
使用配对 t 检验的统计方法对正常状态和疲劳状态下各脑区间信息流进行了统计分析，结果如图 5 所示。相对于正常状态来说，疲劳状态下大脑整体信息流传输量减少，其中中央区域、顶叶区域和枕叶区域流向额叶区域的信息流显著减少（P < 0.05），中央区域流向顶叶区域和枕叶区域的信息流也显著减少（P < 0.05）。
图 5.
Information flow of each brain region in normal state and fatigue state（* P < 0.05）
正常状态和疲劳状态各个脑区间信息流（* P < 0.05）
3. 讨论和展望
研究表明，认知活动需要大脑不同脑区的信息资源交流和功能协作才能正常进行。不同脑区在认知活动中起着不同的作用，额叶区域与记忆、情绪等高级认知功能紧密相关，是大脑进行信息资源加工处理的综合区域[28]；枕叶区域是视觉信息加工、语言加工和学习记忆的主要区域，而顶叶区域是认知功能和短时记忆的主要区域，这两个区域可以将外界信息进行初步加工处理或传输到大脑其他区域处理[29-30]。与认知控制相关的额叶脑区和顶叶脑区同样也在工作记忆功能中扮演着至关重要的角色。许多脑成像研究表明，被试在工作记忆任务期间额顶叶脑区被一致性地激活，而且背外侧前额叶的损伤会显著降低被试的任务成绩[31]；而对工作记忆任务中被试脑电事件相关电位的 P3 成分进行溯源，也发现与额顶叶脑区相关[32]。
根据当前内外部环境，大脑会在各个脑区之间合理分配信息资源，以满足当前任务需求[33]。正常状态下，工作记忆任务过程中信息资源会被大脑分配到与任务紧密相关的额顶叶区域，正如本文结果中显示的主要信息传输路径分布在额顶叶区域，各电极的信息流和各脑区的因果流也表明信息资源主要流向额顶叶区域。而进入精神疲劳状态后，大脑信息资源传输量减少、信息资源传输效率降低，额叶区域主要信息传输路径消失，额顶叶区域信息资源分配减少，这些变化或许是导致工作记忆受损的重要原因。这些结果很好地展示了精神疲劳状态下大脑整体及局部区域的功能连接强度和信息资源传输的变化情况，在一定程度上反映了工作记忆功能受损后的大脑状态。
无论是主要信息传输路径的改变、信息传输效率的降低还是额顶叶区域信息资源的分配不足，都说明了精神疲劳对工作记忆信息资源分配产生了重大影响，尤其是与工作记忆功能紧密相关的额叶区域和顶叶区域。值得注意的是左半球和右半球的功能连接强度和信息传输情况受精神疲劳的影响是不同的，这或许可以为后续研究提供新思路。另外，大脑的功能活动是一个动态过程，目前的脑网络大多反映的是一段时间内的网络连接，可以尝试研究在更小的尺度上构建脑网络，探索大脑的实时功能连接和信息资源传输情况。
利益冲突声明：本文全体作者均声明不存在利益冲突。
Funding Statement
国家自然科学基金(51877067)
The National Natural Science Foundation of China
References
- 1.徐明伟, 金龙哲, 张安琪 基于EEG的有限空间检修工脑疲劳特性研究. 中国安全生产科学技术. 2020;16(6):171–176. [Google Scholar]
- 2.Ericsson K A, Kintsch W Long-term working memory. Psychol Rev. 1995;102(2):211–245. doi: 10.1037/0033-295X.102.2.211. [DOI] [PubMed] [Google Scholar]
- 3.连重源. 基于脑电分析的轻度认知障碍语言功能网络损伤研究. 深圳: 中国科学院大学 (中国科学院深圳先进技术研究院), 2020.
- 4.Baddeley A Working memory and emotion: ruminations on a theory of depression. Rev Gen Psychol. 2013;17(1):20–27. doi: 10.1037/a0030029. [DOI] [Google Scholar]
- 5.李颖洁, 李玉玲, 杨帮华 基于脑电信号深度学习的情绪识别研究现状. 北京生物医学工程. 2020;39(6):634–642. doi: 10.3969/j.issn.1002-3208.2020.06.014.. [DOI] [Google Scholar]
- 6.尚婧. 基于EEG数据的脑网络构建及分析方法研究. 西安: 西安电子科技大学, 2017.
- 7.Yin Z, Li J, Zhang Y, et al Functional brain network analysis of schizophrenic patients with positive and negative syndrome based on mutual information of EEG time series. Biomed Signal Process Control. 2017;31:331–338. doi: 10.1016/j.bspc.2016.08.013. [DOI] [Google Scholar]
- 8.杨硕, 李润泽, 丁建清, 等 基于EMD去趋势波动的脑疲劳模糊熵分析. 中国生物医学工程学报. 2020;39(1):33–39. [Google Scholar]
- 9.Li Junhua, Lim Julian, Chen Yu, et al Mid-task break improves global integration of functional connectivity in lower alpha band. Front Hum Neurosci. 2016;10:304. doi: 10.3389/fnhum.2016.00304. [DOI] [PMC free article] [PubMed] [Google Scholar]
- 10.郝鹏茹. 基于脑电频谱特征的脑疲劳监测分析. 天津: 河北工业大学, 2017.
- 11.万育辰. 脑疲劳对注意能力影响的ERP研究. 西安: 第四军医大学, 2011.
- 12.边琰, 赵丽, 傅星, 等 不同视觉辅助刺激下运动想象大脑皮层因果连接网络特性分析. 中国生物医学工程学报. 2020;39(6):685–692. doi: 10.3969/j.issn.0258-8021.2020.06.005. [DOI] [Google Scholar]
- 13.杨硕, 冀亚坤, 李润泽, 等 基于theta-gamma相位幅值耦合的脑疲劳信息传递整合机制研究. 生物医学工程学杂志. 2018;35(5):14–20. [Google Scholar]
- 14.孟桂芳, 许敏鹏, 张春翠, 等 一种与N-Back诱发脑力疲劳相关的特异性脑电网络结构. 中国生物医学工程学报. 2017;36(2):143–149. doi: 10.3969/j.issn.0258-8021.2017.02.003. [DOI] [Google Scholar]
- 15.Qi Peng, Ru Hua, Gao Lingyun, et al Neural mechanisms of mental fatigue revisited: new insights from the brain connectome. Engineering. 2019;5(2):276–286. doi: 10.1016/j.eng.2018.11.025. [DOI] [Google Scholar]
- 16.李颖, 张东颖, 苏晴, 等 基于脑网络的古典音乐和摇滚音乐对工作记忆的影响研究. 中国生物医学工程学报. 2019;38(2):129–137. doi: 10.3969/j.issn.0258-8021.2019.02.001. [DOI] [Google Scholar]
- 17.杨硕, 艾娜, 王磊, 等 脑疲劳状态的脑功能网络特征分类研究. 生物医学工程学杂志. 2018;35(2):171–175. doi: 10.7507/1001-5515.201609032. [DOI] [PMC free article] [PubMed] [Google Scholar]
- 18.谢慧, 罗跃嘉, 张丹丹 基于N-back任务的抑郁群体工作记忆更新研究进展和展望. 心理学通讯. 2019;2(1):43–49. [Google Scholar]
- 19.Xia Mingrui, Wang Jinhui, He Yong, et al BrainNet Viewer: A network visualization tool for human brain connectomics. PLoS One. 2013;8(7):e68910. doi: 10.1371/journal.pone.0068910. [DOI] [PMC free article] [PubMed] [Google Scholar]
- 20.Lehrer J Neuroscience: Making connections. Nature. 2009;457(7229):524–527. doi: 10.1038/457524a. [DOI] [PubMed] [Google Scholar]
- 21.张天恒, 王磊, 郭苗苗, 等 虚拟现实视觉体验对脑功能网络的影响. 生物医学工程学杂志. 2020;37(2):251–261. doi: 10.7507/1001-5515.201812027. [DOI] [PMC free article] [PubMed] [Google Scholar]
- 22.沈潇童, 王玥, 毕卉, 等 基于脑网络参数优化的青少年抑郁症患者与健康人群分类识别研究. 生物医学工程学杂志. 2020;37(6):1037–1044, 1055. doi: 10.7507/1001-5515.201908003. [DOI] [PMC free article] [PubMed] [Google Scholar]
- 23.王润泽. 基于格兰杰因果的精神分裂症患者因效性脑网络分析. 太原: 太原理工大学, 2019.
- 24.Brázdil M, Babiloni C, Roman R, et al Directional functional coupling of cerebral rhythms between anterior cingulate and dorsolateral prefrontal areas during rare stimuli: a directed transfer function analysis of human depth EEG signal. Hum Brain Mapp. 2009;30(1):138–146. doi: 10.1002/hbm.20491. [DOI] [PMC free article] [PubMed] [Google Scholar]
- 25.柯丽萍. 体感电刺激时脑电活动的网络特征分析. 北京: 北京协和医学院, 2018.
- 26.胡月静, 张启忠, 席旭刚, 等 基于部分定向相干法的脑网络特征分析. 航天医学与医学工程. 2019;32(1):64–71. [Google Scholar]
- 27.Zhang D, Zhao H, Bai W, et al Functional connectivity among multi-channel EEGs when working memory load reaches the capacity. Brain Res. 2016;1631:101–112. doi: 10.1016/j.brainres.2015.11.036. [DOI] [PubMed] [Google Scholar]
- 28.昌凡, 李豪喆, 张盛宇, 等 基于fNIRS技术检测脑外伤所致轻度认知功能障碍者工作记忆. 法医学杂志. 2020;36(1):52–60. doi: 10.12116/j.issn.1004-5619.2020.01.011. [DOI] [Google Scholar]
- 29.王帅帅, 李颖, 李继鹏, 等 基于皮层脑网络的背景音乐对空间认知工作记忆影响的实验研究. 生物医学工程学杂志. 2020;37(4):587–595. doi: 10.7507/1001-5515.201907065. [DOI] [PMC free article] [PubMed] [Google Scholar]
- 30.王程, 朱明星, 汪鑫, 等 基于脑电波时频分析方法的认知决策任务研究. 集成技术. 2020;9(4):11–24. doi: 10.12146/j.issn.2095-3135.20200509001. [DOI] [Google Scholar]
- 31.张瑶. 空间工作记忆的大脑结构基础及其影响因素. 重庆: 西南大学, 2019.
- 32.李继鹏, 李颖, 张东颖, 等 基于脑电信号溯源分析的音乐类型对学习记忆影响的研究. 中国生物医学工程学报. 2019;38(6):679–686. doi: 10.3969/j.issn.0258-8021.2019.06.005. [DOI] [Google Scholar]
- 33.Goulden N, Khusnulina A, Davis N J, et al The salience network is responsible for switching between the default mode network and the central executive network: Replication from DCM. Neuroimage. 2014;99:180–190. doi: 10.1016/j.neuroimage.2014.05.052. [DOI] [PubMed] [Google Scholar]