基于脑网络的脑疲劳对不同工作记忆负荷的影响

杨 硕 江文涛 王 磊 徐桂芝

1(河北工业大学省部共建电工装备可靠性与智能化国家重点实验室，天津 300130)2(河北工业大学河北省生物电磁与神经工程重点实验室，天津 300130)

引言

脑疲劳是指长期执行高强度的认知活动，导致认知表现下降的一种心理生理状态[1]。有研究表明，脑疲劳会导致自上而下注意控制的削弱、个体的警觉性降低、次级任务表现不佳、问题解决能力下降等问题[2-4]，还会阻碍认知资源的合理分配。长期处于疲劳状态，还会导致焦虑症、抑郁症等各种慢性疾病。研究已经证明，脑疲劳会对人的身体和认知表现产生影响[5]。脑疲劳已经成为人类生活中常见的一种现象，在不同程度上影响人的计划能力、执行能力等认知行为。工作记忆是人类认知活动的核心，是对信息进行暂时性加工和存储能量有限的系统，在完成语言理解、阅读、推理等高级认知任务中起着关键的作用[6]。已有研究表明，脑疲劳对认知表现的影响可能是通过影响工作记忆开始的[7]。因此，从工作记忆的角度，研究脑疲劳对认知表现的影响非常必要。

脑疲劳模型的构建方法主要有两种，一种是睡眠剥夺，另一种是进行持续的认知操作。近年来，关于脑疲劳对工作记忆的影响研究主要是通过睡眠剥夺的方法，使被试达到疲劳状态，然后执行相应的工作记忆任务。孟桂芳等[8]研究发现，随着疲劳诱发时间的延长，被试的反应正确表现为降低的趋势。吴桃宇等[9]基于大尺度脑网络的研究发现，在疲劳状态下，简单任务中的额顶控制网络(frontoparietal control，FPC)活动减弱，复杂任务中的FPC活动增强。郭玉峰等[10]通过磁共振成像研究发现，脑疲劳会影响大脑一些特定区域的连接变化，对受试者的学习以及记忆能力产生影响。Chen等[11]研究发现，疲劳态下背侧默认模式网络(default mode network，DMN)的功能连接性降低，基本认知功能受到影响。虽然研究者对疲劳态下的工作记忆进行了广泛的研究，但关于疲劳态下不同工作记忆负荷的研究较少。

N-back最早由Kirchner于1958年提出[12]，用于研究不同年龄受试者短时记忆的差异。它涉及工作记忆的许多关键加工环节，如实时更新、短时存储和处理记忆信息，需要大脑的多个脑区协同作用。此外，N-back范式可以通过改变参数N的大小来改变工作记忆负荷等级的变化，目前也被广泛用于研究工作记忆负荷的神经机制。因此，本研究采用字符N-back实验范式，通过互信息方法量化脑电信号通道之间的关系，构建了正常态和疲劳态下不同工作记忆负荷的脑网络，对脑网络的节点特征进行了分析，以探究在不同工作记忆负荷下脑疲劳对工作记忆的影响。

1 材料和方法

1.1 材料

1.1.1实验对象

有15名志愿者参加了本次实验，年龄23～25岁，均为右利手，视力正常或校正正常，无头部损伤、激素紊乱或严重精神障碍的病史。实验开始前会让被试洗头，以确保头皮与电极良好接触。所有被试均签署知情协议书。

1.1.2实验设计

采用字符N-back实验范式，工作记忆负荷分为4个等级(N=0，1，2，3)。采用26个大写的英文字母作为视觉刺激材料，每个字母呈现的时间为500 ms，时间间隔为3 000 ms。N-back范式如图1所示，屏幕上会依次随机地出现一个大写字母，要求被试将当前出现的刺激与其前面的第N个刺激进行匹配，准确而迅速地判断是否相同，并根据匹配结果按相应的按键(如果匹配相同用右手食指按左键，否则按右键)。

图1 N-back刺激呈现示意Fig.1 Schematic diagram of the N-back paradigm

图2为实验流程。用卡罗林斯卡嗜睡量表[13](Karolinska sleepiness scale，KSS)作为主观疲劳问卷。被试首先填写KSS量表，然后做N-back任务，每个N-back约3 min，做完一个N-back任务会休息30 s；诱发脑疲劳实验采用自适应方法，根据正常态下2/3-back正确率，判断被试是否达到最大工作记忆负荷；然后，根据被试最大工作记忆负荷快速诱发脑疲劳，脑疲劳实验≥30 min。当被试主诉脑疲劳后填写KSS，据此确定达到脑疲劳态后进行N-back任务实验，并记录脑电以及行为学数据。

图2 实验流程Fig.2 Experimental flow chart

1.2 方法

1.2.1数据采集和预处理

在EEG记录期间，被试在室温22℃左右安静的房间中进行实验。使用美国Neuroscan 32导联的脑电系统采集脑电数据，根据国际10-20系统放置电极帽，采样频率为1 000 Hz，以双侧乳突为参考电极，并保持电极与头皮的接触阻抗小于5 kΩ。

使用EEGLAB离线处理脑电，将采集到的脑电以双侧乳突的平均值为基准进行重参考；对采集到的脑电信号进行带通滤波，滤波频率为0.4～40 Hz；以刺激前500 ms进行基线校正，按刺激前500 ms到刺激后3 000 ms进行分段，提取目标刺激(左键代表目标刺激1，右键代表非目标刺激2)；使用EEGLAB中独立分量分析算法，去除眼电、肌电等伪迹。

1.2.2关联特性分析方法

基于Shannon熵[14]的定义，X和Y的信息熵可以计算如下：

(1)

(2)

两个信号之间的联合熵为

(3)

则这两个信号的互信息为

MI(X，Y)=H(X)+H(Y)-H(X，Y)

(4)

根据上述原理，计算任意两导间互信息，并定义导联自身的互信息为0，可以得到相关系数矩阵。

1.2.3二值化网络的阈值选取

按照阈值T的选取原则：一是脑网络的平均度值K>lnN，并且保证网络无孤立点；二是确保网络的小世界性[15]。选取阈值T=0.1，当两导之间的互信息大于阈值时，二值矩阵对应位置的元素设为1，反之为0。由互信息方法得到相关系数矩阵，通过合适的阈值将其转化为0/1的二值矩阵。

1.2.4脑网络的节点特征

根据上述方法构建正常态和疲劳态4种工作记忆负荷下的脑网络，并分析节点度、节点中间中心度、节点聚类系数、节点特征路径长度共4个网络节点的特征参数[16-17]。

1)节点度：是复杂网络节点属性中最简单也是最重要的性质。节点度Ki定义为网络中和该节点连接的所有边的数目，Ki越大表明该节点在网络中的影响力就越大，其计算公式为

(5)

2)节点中间中心度：又称介数中心性，反映的是节点介于其他节点对之间在网络路径中位置的重要性，其值越大表明该节点在网络路径中位置越重要，其计算公式为

(6)

式中，δjk(i)表示除了节点i任意节点对经过节点i最短路径的数目，δjk为节点j到节点k所有的最短路径数。

3)节点聚类系数：用来刻画节点邻居之间的连接紧密程度。节点i的聚类系数Ci定义为节点i及其邻居节点间的实际连接边数，与这些节点中最大可能连接边数目的比值，其计算公式为

(7)

式中，ki表示节点i相邻的节点数，ei表示ki之间实际存在的边数。

4)节点特征路径长度：用于衡量信息的传输效率。在复杂网络中，低的节点特征路径长度具有信息传输快和网络连通性好的特征。节点i到节点j所经过的边数最少的一条路径，即为复杂网络中两个节点i和j的最短路径。连接这两个节点的最短路径上的边数，即为节点i和节点j之间的距离dij。脑网络中节点i的特征路径长度Li可表示为

(8)

1.2.5统计分析方法

利用统计学软件SPSS22.0，对两种状态下的主观疲劳量表得分和行为学数据(正确率和反应时间)进行配对t检验。计算了所有被试正常态和疲劳态4种工作记忆负荷下脑网络的节点特征参数，并求取了平均值。为了更加直观地比较正常态和疲劳态不同工作记忆负荷下脑网络节点特征的差异，将所有被试平均之后的4个节点特征参数绘制成脑电信息图，并进行了配对t检验，找出了每种工作记忆负荷下正常态与疲劳态之间具有显著性差异的点，检验水准为0.05。

2 结果

2.1 主观疲劳量表

采用KSS量表来记录被试做任务时的状态，量表得分越高，主观感觉越困倦。在正常态下，KSS量表得分为2.82±1.09，疲劳态下KSS量表得分为8.18±1.20，统计结果为疲劳态显著高于正常态(P<0.05)。这说明，在经过自适应N-back脑疲劳诱发实验后，被试均达到了疲劳状态。

2.2 行为学数据

图3为正常态和疲劳态4种工作记忆负荷下的平均正确率和平均反应时间。从图3(a)中可知，两种状态下平均正确率均随工作记忆负荷的增加而降低，且仅0-back工作记忆负荷下两种状态的平均正确率相同，但1～3-back工作记忆负荷下疲劳态比正常态的平均正确率低，但不具备显著性差异。从图3(b)中可知，两种状态下反应时间均随工作记忆负荷的增加而增加：在正常态下，4种工作记忆负荷的平均反应时间分别为(578±46)、(664±45)、(868±44)、(959±42)ms；在疲劳态下，4种工作记忆负荷平均反应时间分别为(656±41)、(721±46)、(941±50)、(1 038±50)ms；在0～3-back工作记忆负荷下，疲劳态的平均反应时间显著高于正常态的平均反应时间。这说明，在4种工作记忆负荷下，脑疲劳对被试的反应时间有显著影响。

图3 正常态和疲劳态在不同工作记忆负荷下的行为学数据(*表示P<0.05)。(a)正确率；(b)反应时间Fig.3 Behavioral data under different working memory loads in normal and fatigue state (*, P<0.05). (a) Correct rate; (b) Response time

2.3 节点特征参数

2.3.1节点度

两种状态4种工作记忆负荷下的节点度分布如图4所示。在正常态下，随工作记忆负荷的增加，全脑的节点度均有所增加，表明随工作记忆负荷的增加，整个大脑的节点间关联性不断加强，特别是额叶明显加强，右侧脑区的关联性在3-back工作记忆负荷下大于左侧脑区的关联性，说明在3-back工作记忆负荷下大脑右半球更多地参与了记忆任务。4种记忆负荷下，疲劳态较正常态整个脑区的关联性明显减弱，并且具有显著性差异的脑区主要在额叶和顶叶。在疲劳态下，0～2-back工作记忆负荷下，大脑的关联性随工作记忆负荷的增加而增加，较正常态增加较少；但3-back工作记忆负荷下，大脑的关联性较正常态明显减弱。

图4 不同工作记忆负荷下的节点度分布(每行从左到右分别为0-back、1-back、2-back、3-back)。(a)正常态；(b)疲劳态；(c)正常态与疲劳态统计学对比的P值分布(红色点的导联P<0.05)Fig.4 Node distribution under different working memory loads (In each row the pictures from left to right represent 0-back, 1-back, 2-back, 3-back). (a) Normal state; (b) Fatigue state; (c) The P value distribution of statistical comparison between normal and fatigue state (The P value of the electrodes of red dots is less than 0.05)

2.3.2节点中间中心度

两种状态4种工作记忆负荷下的节点中间中心度分布如图5所示。结果表明，正常态下，随工作记忆负荷的增加，顶叶、额叶的核心节点的个数逐渐增加；疲劳态与正常态相比，0、1-back工作记忆负荷下顶叶核心节点的位置发生了明显改变，2、3-back工作记忆负荷下额叶的核心节点数明显减少。脑疲劳导致了核心节点位置的改变，以及额叶核心节点数的减少。

图5 不同工作记忆负荷下的节点中间中心度分布(每行从左到右分别为0-back、1-back、2-back、3-back)。(a)正常态；(b)疲劳态；(c)正常态和疲劳态统计学对比的P值分布(红色点的导联P<0.05)Fig.5 Distribution of node center under different working memory loads (In each row the pictures from left to right represent 0-back, 1-back, 2-back, 3-back). (a) Normal state; (b) Fatigue state; (c) The P value distribution of statistical comparison between normal and fatigue state (The P value of the electrodes of red dots is less than 0.05)

2.3.3节点聚类系数

两种状态4种工作记忆负荷下的节点聚类系数分布如图6所示。在正常态时，随工作记忆负荷的增加，额叶、顶叶、枕叶脑区的节点聚类系数逐渐增大，表明随负荷的增加，脑网络额叶、顶叶、枕叶的集团化程度不断增加。在疲劳态时，0～2-back工作记忆负荷下，额叶、顶叶、枕叶脑区的集团化程度随工作记忆负荷的增加而增加，较正常态增加较少；而在3-back工作记忆负荷下，整个大脑的集团化程度没有增加，并且较正常态明显减弱。疲劳态与正常态相比，0～2-back工作记忆负荷下，额叶的集团化程度明显减弱；而在3-back工作记忆负荷下，整个大脑的集团化程度明显减弱。

图6 不同工作记忆负荷下的节点聚类系数分布(每行从左到右分别为0-back、1-back、2-back、3-back)。(a)正常态；(b)疲劳态；(c)正常态和疲劳态统计学对比的P值分布(红色点的导联P<0.05)Fig.6 Distribution of node clustering coefficient under different working memory loads (In each row the pictures from left to right represent 0-back, 1-back, 2-back, 3-back). (a) Normal state; (b) Fatigue state; (c) The P value distribution of statistical comparison between normal and fatigue state (The value of the electrodes of red dots is less than 0.05)

2.3.4节点特征路径长度

两种状态4种工作记忆负荷下节点特征路径长度分布如图7所示。正常态下，随工作记忆负荷的增加，额叶、顶叶、枕叶脑区的节点平均路径长度逐渐减小，说明大脑信息传输效率不断增加；疲劳态与正常态相比，4种工作记忆负荷下的节点特征路径长度较大，且具有显著性差异的脑区主要为额叶和顶叶，说明信息传输效率疲劳态时要比正常态时要低，网络连通性变差。

图7 不同工作记忆负荷下的节点特征路径长度分布(每行从左到右分别为0-back、1-back、2-back、3-back)。(a)正常态；(b)疲劳态；(c)正常态和疲劳态统计学对比的P值分布(红色点的导联P<0.05)Fig.7 Distribution of node characteristic path length under different working memory loads (In each row the pictures from left to right represent 0-back, 1-back, 2-back, 3-back). (a) Normal state; (b) Fatigue state; (c) The P value distribution of statistical comparison between normal and fatigue state (The P value of the electrodes of red dots is less than 0.05)

3 讨论

对15名被试的行为学数据进行统计分析：在1～3-back工作记忆负荷下，疲劳态比正常态的平均正确率低，但不具备显著性差异，可能是由于被试为了保证记忆任务的正确率，延长了反应时间；在0～3-back工作记忆负荷下，平均反应时间疲劳态高于正常态，且具有显著性差异。这说明，脑疲劳对被试的工作记忆产生了消极的影响。

对脑网络的特征参数进行分析，在正常态下，随工作记忆负荷的增加，脑网络的节点度增大，节点中间中心度增大，节点聚类系数增大，节点特征路径长度减小，这说明工作记忆负荷使大脑的活跃度有所提高。与Jonide等利用PET技术研究的结果[18]一致，本研究通过脑网络进一步证明了此观点。大量研究表明，大脑左右半球在认知任务中的功能作用不同，左半球主要参与词语工作记忆，右半球主要参与空间工作记忆[19]。有研究发现，随着工作记忆负荷的增加，大脑自主地将字母记忆从理性语言逻辑记忆模式转化到感性空间形象记忆模式，以便保证在高难度任务中记忆的准确率和速度[20]。本研究中，在正常态时，随记忆负荷的增加，右侧脑区的关联性在3-back工作记忆负荷下大于左侧脑区的关联性，说明在3-back工作记忆负荷下，大脑记忆模式已经转化为感性空间形象记忆模式，以此来应对负荷增加，提高工作记忆的效率。

研究表明，认知疲劳会导致人们避免执行认知要求较高的任务[21]。在经过持续的的高认知负荷任务后，人们在随后的任务中会有减少花费精力的意图。而在本研究中发现，4种记忆负荷下，疲劳态相比正常态，脑区域的关联性减弱，集团化程度减弱，信息传输效率降低，说明脑疲劳抑制了大脑的活跃度，这种现象可能与人们为了适应脑疲劳而减少花费精力的意图的有关。4种记忆负荷下，疲劳态相比正常态，4个节点特征参数具有显著性差异的点主要分布在额叶、顶叶和枕叶3个脑区。这3个脑区中的额叶是参与工作记忆信息更新过程的关键脑区[22-23]，后顶叶皮层在工作记忆的存储过程中发挥着重要的作用[24]，枕叶则与视觉注意有关[25]。本研究采用的视觉N-back实验是反映工作记忆信息更新的主要范式，涉及信息更新、信息的存储以及视觉信息输入与注意等信息加工环节，实验按键反应时间在脑疲劳后显著上升，表明被试在保证正确率的前提下花费了更多的时间来进行判断，这可能同脑疲劳减弱大脑连通性(特别是额叶、顶叶和枕叶)进而影响工作记忆信息更新、存储以及视觉注意能力具有一定关系。本研究还发现，疲劳态时，在0～2-back工作记忆负荷下，大脑的关联性和集团化程度随工作记忆负荷的增加而增加，比正常态增加的要少，但在3-back工作记忆负荷下，大脑的关联性和集团化程度没有继续增加，且较正常态明显减弱，说明脑疲劳对高负荷的影响程度更大。

4 结论

本研究设计了4个等级的记忆任务，构建了自适应N-back脑疲劳诱发模型，采集了15名被试的脑电信号，通过互信息方法构建了两种状态4种工作记忆负荷下的脑网络，并结合行为学数据，对脑网络的节点特征参数进行了分析。结果表明，脑疲劳对不同负荷下脑网络的连通性具有一定的影响，会减弱脑网络的紧密程度，抑制大脑的活跃程度，相比低负荷，脑疲劳对高负荷的影响更大。