单板大跳台和坡面障碍技巧运动员姿势控制表现与大脑皮层活动关系的EEG研究

蒋卓芮，陈嘉成，李雅南，陆颖之，周成林

(1.上海体育学院 经济管理学院，上海 200438；2.北京师范大学珠海校区 未来教育学院，广东 珠海 519087；3.暨南大学珠海校区 体育部，广东 珠海 519070；4.上海体育学院 心理学院，上海 200438)

单板滑雪大跳台和坡面障碍技巧作为冬奥会新增设的雪上技巧类项目，是我国在北京2022年冬奥会上的重要夺牌项目之一。与其他雪上项目相似，优秀的姿势控制能力是单板滑雪大跳台和坡面障碍项目取得优异成绩的重要基础和关键技术[1]，无论是在滑行过程中还是在起跳落地时，姿势控制的稳定性都是成功完成动作的重要保障[2]。因此，在北京2022年冬季奥运会备赛保障工作中，将姿势控制的稳定性提升作为核心靶点，通过探索姿势控制表现和大脑皮层活动的关系，为备战中的心理训练方案提供科学依据。

姿势控制是指个体在特定空间以平衡和朝向为目的控制身体位置的过程，平衡控制能力是姿势控制的核心环节[3]。传统观点认为平衡控制是由大脑皮下结构调节的自动化的、反射性的动作过程，不需要意识控制和注意资源投入[4]。然而，越来越多的双任务研究发现，平衡控制过程中激活了额叶和顶叶[5]，需要注意资源的参与，属于控制化加工，尤其在紧张激烈、环境复杂多变的竞技运动中，平衡控制的合理注意资源分配是整合周围刺激、完成动作任务的基础[6]。

单板大跳台和坡面障碍技巧是兼具开放性运动技能和闭锁性运动技能特征的项目。运动员在大跳台中对指定难度动作的执行偏向于闭锁性技能特点，提升稳定性是核心因素。同时，在坡面障碍中应对不断变化的障碍物，并依据当下的风速、雪质快速对动作进行调整则属于开放性技能的应用。这一平衡控制的认知加工过程需要运动员合理地分配注意资源。前人研究发现，运动员动作的完成质量与其完成过程中注意资源分配的合理程度存在相关性，体现在其大脑的神经活动指标中[7]。例如，脑电技术监测下的Alpha(8～12 Hz)和Theta(3～8 Hz)两个频段的活动是目前运动认知神经科学研究中探讨最为广泛的指标。Alpha 频段被认为与注意过程中的抑制加工以及个体的唤醒程度有关。低频Alpha(8～10 Hz)主要与全脑的唤醒程度及注意准备有关，其能量值越高，代表个体的唤醒程度及全局注意水平也越高；而高频Alpha(10～12 Hz)则反映特定任务下的感知觉信息的加工过程[8]，其能量值越高，个体对特定任务的大脑激活越小。如对高尔夫运动员挥杆前准备阶段的研究发现，球进洞的试次中运动员的低频Alpha 能量值显著小于未进洞试次，说明在成功推球进洞的试次中，运动员更专注[9]。也有研究发现，在一个视频追踪任务中，随着被试水平的提高，其大脑的高频Alpha 能量值也相应增高，皮层兴奋性更小[10]。根据以上研究结果可知，运动员在进行与专项动作相关的任务操作时，不同的绩效表现伴随着不同Alpha 频段上的大脑活动特征。

除此以外，Theta 频段的能量反映了任务过程中所投入的注意资源的多少，Theta 越活跃，参与的注意资源越多。其中，大量研究发现，前额中线Theta(Fmθ:frontal midline Theta)能在一定程度上反映任务过程中的注意资源投入以及认知负荷大小[11]。执行的任务难度越大，被试在任务过程中大脑皮层诱发的Fmθ 能量越大[12]。前人研究发现，任务难度的增大并未影响冬季两项专业运动员在射击环节的准确性，相比于较低难度的条件，运动员在完成高难度任务时，大脑Fmθ 能量值增大，同时颞叶和枕叶这些与任务无关脑区的Alpha 能量提升[13]。由此推测，平衡控制越稳定的运动员，大脑激活程度越低，表现为Alpha 能量值的增大；同时，这种节省策略会受到平衡控制任务难度提升的影响，平衡控制占优的运动员，将通过增大Fmθ 能量进行调控。

综上，本研究以高水平单板大跳台和坡面障碍技巧滑雪运动员为对象，采用EEG 技术探究运动员平衡控制这一基本动作控制过程中大脑的加工模式，并探讨其与绩效表现间的关系。

1 研究对象与方法

1.1 被试

选取国家队单板大跳台和坡面障碍技巧项目运动员13 名，被试视力或矫正后视力正常，实验期间无脚踝或膝盖等影响平衡控制的运动损伤，也无严重脑损伤和其他精神类或器质性病史，年龄是(17.5±2.9)岁。实验开始前，每名被试均需填写个人信息登记表和签署知情同意书。

1.2 实验设计

实验采用3 ×5 两因素混合设计，因素一为平衡控制条件，为双脚站立、左脚站立、右脚站立，因素二为脑区/电极位点。因变量为被试在不同平衡控制条件中诱发的低频Alpha(额区、额中区、中央区、顶区、枕区)、高频Alpha(额区、额中区、中央区、顶区、枕区)和Theta(Fz、FCz、Cz、Pz、Oz)频段的能量值。

1.3 实验设备

实验采用北京奥美之路公司生产的Super Balance 平衡仪对运动员的平衡控制进行测量，该仪器主要测量被试在单位时间内其身体压力中心，即身体重心(COP)在不同方向上移动轨迹、移动面积的时间序列数据，采样频率为100 Hz。选择COP 动摇总轨迹长作为衡量运动员姿势控制能力的主要指标(该值越小，代表运动员平衡控制表现越好)，纳入统计分析。

EEG 实验设备采用德国BP(Brain Products)公司生产的Recorder 记录系统。电极帽采用国际10－20标准电极系统定位，设置64 个Ag/AgCl 记录电极点。电极点FCz 处为参考电极点，AFz 处为接地电极点。水平眼电(EOG)电极记录安置在被试左眼外侧1 cm 处，垂直眼电(ECG)电极记录安置在右眼下眼眶中下处1 cm 处。头皮与每个电极之间的阻抗保持在10 kΩ 以下，采样频率为500 Hz/导。

1.4 实验流程

本实验中每名被试完成3 种站姿的平衡测试，分别为双脚睁眼站立、左脚睁眼站立、右脚睁眼站立。被试均需在每种站姿下完成2 组测试，每组40 s。在双脚站立条件下，要求被试两脚与肩同宽，控制身体重心在平衡仪中央区域，手臂自然下垂至身体两侧(图1 左)。在单脚站立条件下，要求被试的支撑腿位于平衡仪中央区域，另一条腿上抬，脚面位于支撑腿小腿腓肠肌处，手臂自然下垂至身体两侧(图1 中、右)。站立时，双眼目视前方，3 种站姿顺序分别在被试中进行被试间和被试内的平衡设置。

图1 平衡仪站立图示Figure 1 Standing patterns on balance system

1.5 数据采集与分析

1.5.1 行为数据的采集与分析 计算每位被试在3 种站姿条件下40 s 之内COP 动摇总轨迹长，并进行平均，使用SPSS 20.0 统计软件包对不同站姿的COP 动摇总轨迹长进行单因素方差分析。

1.5.2 EEG 数据的采集与分析 采用BP 公司的Analyzer 分析系统对EEG 数据进行分析。将双侧乳突上电极点(TP9、TP10)上的平均电位设为参考值；数字滤波为0.1～30 Hz 带通；去除50 Hz 的市电干扰；自动排除±100 μV 范围外的片段。

本研究分别记录被试在3 种站姿过程中的EEG，每种站姿进行2 次，每次持续40 s，在平衡控制开始前5 s 开始记录。分析过程中舍弃平衡控制开始后的最初5 s 和结束前最后5 s，保留中间30 s。因此，每种条件的EEG 分析总时长为60 s。将60 s的EEG 数据以1 s 为单位进行等分分段，随后进行快速傅里叶变换，最后进行叠加平均。

依据前人研究[14]，选取Theta 频段(3～8 Hz)、低频Alpha 频段(8～ 10 Hz)及高频Alpha 频段(10～12 Hz)进行分析。对于Theta 频段，分析的兴趣电极位点为中线电极点:Fz、FCz、Cz、Pz、Oz；对于低频Alpha 和高频Alpha，分析5 个兴趣区:前额区(F3、Fz、F4)、额中区(FC3、FCz、FC4)、中央区(C3、Cz、C4)、顶区(P3、Pz、P4)、枕区(O1、Oz、O2)，将每个兴趣区内电极点的能量值进行平均，最后得到该兴趣区内的Alpha 能量值。使用SPSS 20.0 统计软件包，采用3(站姿)×5(脑区/电极位点)重复测量方差分析，对3 种站姿条件下的Alpha、Theta 频段的能量值进行统计分析。在对平衡控制数据和EEG数据进行统计分析时，对不满足球形检验的统计量采用Greenhouse Geisser 法矫正自由度和P值，事后比较采用Bonferroni 法，将P<0.05 视为差异显著，而将0.05

1.5.3 相关分析 对行为数据和EEG 数据之间进行双变量相关性分析，分别为:1)13 名运动员的COP 动摇总轨迹长与Theta 频段能量值(5 个电极点)；2)13 名运动员的COP 动摇总轨迹长与低频Alpha 频段能量值(5 个脑区)；3)13 名运动员的COP 动摇总轨迹长与高频Alpha 频段能量值(5 个脑区)。

2 研究结果与分析

2.1 不同站姿下的平衡控制表现

对不同站姿下的COP 动摇总轨迹长进行单因素方差分析，结果显示，3 种站姿的COP 差异显著，F值为11.89(P＝0.00 <0.05)，图2 显示双脚站姿下平衡控制表现最好。

图2 不同站姿下的COP 动摇总轨迹长Figure 2 Total trajectory length of COP under different standing poses

2.2 不同姿势控制下的大脑活动

2.2.1 Theta 频段(3～8 Hz)能量结果 以站姿、电极位点为自变量，对被试的Theta 频段能量值进行3×5 两因素重复测量方差分析，结果显示，站姿主效应和电极点主效应的F值依次为3.62(P＝0.04 <0.05，ηp2＝0.23)、43.021(P＝0.00 <0.05，ηp2＝0.78)，均达到显著水平。该结果表明，被试在不同站姿、不同电极点位置上的大脑活动均有显著差异(图3)。成对比较结果(表1)显示，左脚站姿与双脚站姿之间差异显著(P＝0.047 <0.05)；Fz 与Cz、FCz 与Cz、FCz 与Pz、FCz 与Oz、Cz 与Oz 之间差异显著(Ps<0.05)。

图3 双脚和左脚站姿下Theta 能量脑地形图Figure 3 Brain topography of Theta power with feet and left foot

表1 站姿主效应的成对比较结果Table 1 Pairwise comparison result of main effect of standing posture

2.2.2 低频Alpha 频段(8～10 Hz)能量结果 以站姿、脑区为自变量，对被试的低频Alpha 频段能量值进行3 ×5 两因素重复测量方差分析，站姿主效应不显著，脑区主效应不显著，F值分别是0.702(P＝0.505，ηp2＝0.055)、 0.643(P＝0.641，ηp2＝0.050)；站姿与脑区的交互作用显著，F值为2.077(P＝0.045 <0.05，ηp2＝0.148)。简单效应分析结果表明，在枕区位置，3 种站姿出现差异，表现为双脚站立时的低频Alpha 能量值[(1.909 ± 1.111)μV2]显著小于左脚站立[(3.809 ±2.892)μV2，P＝0.045 <0.05]和右脚站立条件[(4.005 ±2.652)μV2，P＝0.015 <0.05]。该结果表明在平衡控制过程中双脚站姿所需的视觉注意资源要比单脚站姿少。

2.2.3 高频Alpha 频段(10～12 Hz)能量结果 以站姿、脑区为自变量，对被试的高频Alpha 频段能量值进行3 ×5 两因素重复测量方差分析，站姿主效应不显著，脑区主效应不显著，F值分别是0.151(P＝0.861，ηp2＝0.012)、 1.239(P＝0.307，ηp2＝0.094)；站姿与脑区的交互作用显著，F值为2.315(P＝0.026 <0.05，ηp2＝0.162)，简单效应分析结果表明，在枕区位置，3 种站姿出现差异，表现为双脚站立时的低频Alpha 能量值[(1.524 ± 0.808)μV2]显著小于左脚站立[(3.215 ±2.058)μV2，P＝0.01 < 0.05]和右脚站立条件[(2.897 ± 1.397)μV2，P＝0.004 <0.05]。该结果表明在平衡控制过程中，双脚站姿所需的视觉注意资源要比单脚站姿少。

2.3 平衡控制与大脑皮层活动的相关分析

2.3.1 COP 动摇总轨迹长与Theta 能量值的相关分析 将3 种站姿的COP 动摇总轨迹长分别与不同脑区电极点的Theta 能量值进行相关分析，结果表明，左脚站姿与Pz 点(P＝0.018 < 0.05，r＝0.642)、Oz 点(P＝0.037 <0.05，r＝0.582)的Theta能量值呈显著正相关(图4A)；右脚站姿与Fz 点(P＝0.016 < 0.05，r＝0.650)、FCz 点(P＝0.025 <0.05，r＝0.615)、Cz(P＝0.014 <0.05，r＝0.659)的Theta 能量值呈显著正相关(图4B)。该结果说明，运动员平衡控制表现越稳定，大脑前额中部和枕区的激活水平越低，认知负荷越小，投入的注意资源越少。

图4 左右脚站姿的COP 动摇总轨迹长与不同电极点的Theta 能量值相关性Figure 4 Correlogram of the total trajectory length of COP sway of left and right foot posture and Theta of different electrode points

2.3.2 COP 动摇总轨迹长与低频Alpha 能量值的相关分析 我们将3 种站姿的COP 动摇总轨迹长分别与不同脑区电极点的低频Alpha 能量值进行相关分析，结果表明，左脚站姿与额区的F3 点(P＝0.025 <0.05，r＝0.616)、Fz 点(P＝0.024 <0.05，r＝0.620)的低频Alpha 能量值呈显著正相关(图5A)；左脚站姿与前额区的FC3 点(P＝0.008 <0.05，r＝0.698)、FCz 点(P＝0.030 < 0.05，r＝0.600)、FC4(P＝0.036 <0.05，r＝0.584)的低频Alpha 能量值呈显著正相关(图5B)；左脚站姿与中央区的C3 点(P＝0.014 <0.05，r＝0.658)、Cz 点(P＝0.008 <0.05，r＝0.695)、C4(P＝0.05 <0.05，r＝0.553)的低频Alpha 能量值呈显著正相关(图5C)。该结果表明，运动员平衡控制表现越稳定，其大脑额区、前额区、中央区的大脑皮层兴奋度越高。

图5 左脚站姿的COP 动摇总轨迹长与不同电极点的低频Alpha 能量值相关性Figure 5 Correlogram of the total trajectory length of COP sway of left foot posture and low-Alpha of different electrode points

2.3.3 COP 动摇总轨迹长与高频Alpha 能量值的相关分析 将3 种站姿的COP 动摇总轨迹长分别与不同脑区电极点的高频Alpha 能量值进行相关分析，结果发现，左脚站姿与顶区的P3 点(P＝0.060<0.05，r＝0.713)呈显著正相关；右脚站姿与顶区的P4 点(P＝0.004 <0.05，r＝0.737)呈显著正相关。该结果表明，运动员平衡控制表现越稳定，其大脑顶区的皮层兴奋度越高。

3 讨论

本研究对单板大跳台和坡面障碍技巧国家队运动员的平衡控制能力及其相关脑机制进行了考察。EEG 结果显示，不同站姿运动员平衡控制表现不同，双脚站姿平衡控制最优，且运动员的COP 动摇总轨迹长与Theta、低频Alpha、高频Alpha 频段能量值呈显著正相关。以上结果部分支持本文假设，即高水平单板大跳台坡面障碍技巧运动员平衡控制表现越稳，其大脑激活水平越低，投入的注意资源越少。

3.1 姿势控制中的注意资源投入及分配

本研究在对Theta 频段的分析中，发现运动员在平衡控制时大脑皮层活动集中于前额脑区，即平衡控制的关键脑区，而其他脑区的激活相对较小，体现出注意资源分配的合理性。同时，根据Theta 频段在运动员大脑皮层的能量分布情况，认为该成分是Fmθ。Fmθ 反映了注意资源的募集，体现了动作组织过程中的专注状态[15]。研究发现，任务难度增大，被试在完成任务过程中大脑皮层诱发的Fmθ 能量也更大，表明更多的注意投入和更大的认知负荷[15]。因此，我们假设当站姿的难度增大(单脚站立)，运动员的Fmθ 能量将随之增大。结果显示，站姿主效应显著，左脚站姿和双脚站姿间Fmθ 能量值的差异显著，说明左脚站立相比于双脚站立能够给运动员带来更大的负荷。在一项高尔夫球员挥杆时的EEG 研究中[9]，运动员完成距离为4m 的推杆进洞，记录挥杆之前的EEG，研究者同样根据推杆表现，将所有推杆试次分为优异组和失误组，结果发现，优异组中的Fmθ 能量值显著小于失误组。研究者认为，推杆对于高水平高尔夫运动员来说是高度自动化的过程，在挥杆之前过度关注或投入过多的注意资源反而会破坏其加工过程。基于此，我们对运动员的行为表现和Fmθ 进行了相关分析，结果同样发现对于控制能力更强的运动员来说，平衡控制是自动化水平较高的过程，投入过多的注意资源反而会给感知运动系统造成一定负担，破坏其自动化加工过程，进而影响平衡。此外，COP 动摇总轨迹长与Fmθ 能量值呈显著正相关，即平衡控制得越稳，Fmθ 能量值越小，注意资源投入越少，该结果也从一定程度上说明了高水平运动员的这种高效的资源利用特征。前人研究[16]提示，单腿测试能更好地揭示平衡稳定控制中存在的问题，而本研究结果中发现了大脑神经活动的强度与运动员单腿站立时的平衡表现有较强的相关。这些结果也提示，在组织开展神经反馈的过程中，可以通过P3、P4 等运动皮层的脑电活动信号反馈提升运动员单腿控制能力。

本研究中表现出更好的身体稳定性的运动员，其大脑激活水平更低，投入了更少的注意资源，说明优秀组运动员在平衡控制过程中大脑资源的分配更加合理，体现出更高的分配效率，能够节省更多的注意资源。这可能与长期的雪上训练有关。在滑行中维持平衡是运动员需掌握的基本技术，由于单板大跳台和坡面障碍技巧是一项室外运动，运动员不仅需关注自身动作，还需时刻考虑外界环境因素带来的影响，这无疑增加了更多的注意资源投入。若运动员通过训练提高平衡控制时的资源利用效率，可以有效减少注意资源的消耗，将更多的注意资源投入空中动作，以保证一定的动作质量。

3.2 姿势控制中的唤醒程度及皮层兴奋性

为探究运动员平衡控制绩效表现与唤醒程度及注意水平的关系，在分析时将Alpha 频段分为低频Alpha 和高频Alpha，其中低频Alpha 反映个体大脑唤醒程度及注意水平的高低。前人研究也发现低频Alpha 与绩效间存在一定关联。如对高尔夫运动员的研究发现，挥杆击球时，专业运动员相较新手展现出更低的低频Alpha 能量，说明他们在挥杆时唤醒程度更低，注意水平也更低，同时挥杆表现更好[17]。在相关关系层面，本研究发现运动员平衡控制表现与低频Alpha 能量值显著正相关。说明运动员平衡控制表现越好，唤醒程度也越低。此时大脑更加专注于平衡加工，若唤醒程度和注意水平提高，则绩效下降。该结果在一定程度上证明该项目运动员在进行平衡控制时的大脑资源利用节省化特征。

为探究平衡控制绩效与大脑皮层兴奋性之间的关系，对高频Alpha 进行了分析。前文提到，高频Alpha 与大脑皮层兴奋性是一种反向的关系，即高频Alpha 能量值越低，大脑皮层激活的神经元数量越多。研究也发现运动员在取得更佳运动表现时，高频Alpha 能量值也更高，大脑皮层兴奋性更低[18]。因此本研究同样假设这种特征将出现在单板运动员进行平衡控制时。相关分析发现，运动员平衡控制表现与高频Alpha 能量值呈显著正相关，同样运动员平衡控制表现越好，大脑皮层激活的神经元数量越多，兴奋性越高。虽然研究结果发现运动员保持不同站姿时，大脑活动只在枕区出现不同的激活，这仍启示运动员在进行不同姿势的平衡控制时，大脑活动存在不同的加工机制[19]。虽然很多研究已发现运动员在完成相关任务时大脑表现出激活减小、兴奋性降低等高效节省的大脑加工特征，但仍然有部分研究发现，运动员在进行一些视觉诱发动作任务(visuo-triggered motor task)时，与普通人相比，其大脑耗能更多、兴奋性更高。这些研究结果都提示运动员大脑是一个复杂的加工系统，可能存在两种甚至更多不同的加工机制。因此，对于该研究中单板大跳台和坡面障碍技巧运动员在平衡控制时大脑在Alpha 频段上的加工机制，还需进一步探究。

4 结语

本研究探讨了单板大跳台和坡面障碍技巧国家队运动员在平衡控制过程中的大脑加工机制，试图找到高水平运动员大脑资源分配的高效、节省化特征。本研究采用EEG 进一步对他们在平衡控制时的大脑皮层活动特征进行探索，结果提示运动员在平衡控制表现越好时，在平衡控制过程中投入的注意资源越少，认知负荷越小。以上结果说明影响运动员平衡控制表现的主要原因可能是该过程中对注意资源投入量的调节，而唤醒程度的决定因素并不大。然而，本研究中选取的是静态平衡任务，与真实的单板滑雪运动场景有一定差异，且对于专业运动员来说难度较低，今后的研究中可尽量模拟运动员真实的运动状态，如设置双任务操作条件，进而探讨运动表现及运动员大脑是如何合理地进行资源分配的；此外，未来的研究可以在任务进行时加入声音等探测刺激，其诱发的新异P3(Novelty-P3)波幅能够反映运动员的注意资源储备，该方法可以更加直观地测量运动员在运动表现时的认知负荷以及大脑注意资源利用情况[20]，进一步揭示他们取得优秀成绩背后的原因。

总之，本研究发现在平衡控制任务中，运动员的表现水平与其大脑神经活动存在相关。运动员平衡控制表现越佳，大脑注意资源占用越少，神经活动越小，投入的认知资源越少，体现出平衡加工的自动化。同时，具有更优平衡控制表现的运动员，大脑的耗能表现出节省化优势。