基于腦電微狀態分析的模擬飛行多任務腦力負荷敏感性研究

李文斌， 康 陽， 謝小萍， 常耀明*

(1.空軍軍醫大學航空航天醫學系， 西安 710032； 2.解放軍 71901 部隊， 聊城 252000)

1 引言

飛行員在飛行過程中需要掌握飛行姿態，觀察空域和飛行儀表，控制飛行速度與飛行高度，還需要及時應對突發的事件。 飛行活動可以視為多任務處理過程，這種多任務處理會導致飛行員面臨過高的腦力負荷，影響飛行績效甚至威脅飛行安全。 因此，進行多任務腦力負荷研究，并篩選對多任務腦力負荷敏感而可靠的指標具有重要的現實意義。

作業人員的主觀感受、生理變化以及完成任務的績效可以間接反映腦力負荷的大小。 腦力負荷的評估方法可分為3 類:主觀評估法、績效評估法和生理評估法。 生理評估法具有客觀性和連續性的優點，在國內外的腦力負荷評估研究中得到了更多的關注。 在生理測量法中，盡管尚無特異性的生理指標評估腦力負荷，但腦電測量作為中樞神經系統生理測量的一種，具有很高的時間分辨率，并表現出對腦力負荷變化的敏感性，被認為是金標準。

腦電圖在不同的時間內表現出半穩定性和不連續性。 一種地形圖在快速過渡到另一種地形圖之前保持穩定，這些離散的地形圖穩定時期被稱為微狀態。 多通道腦電記錄頭皮電位的全局模式會隨時間動態變化，并可通過模式識別的方法被分解成相互獨立的電壓分布狀態，這些瞬時電壓分布狀態即為腦電微狀態。 腦電微狀態與大規模神經網絡相關，可用來衡量大規模腦網絡的運行情況，而不僅僅是大腦特定區域功能的改變。Michel 等使用k-mean 聚類方法并通過交叉驗證標準確定最佳地圖數為4 個，Khanna 等將這些地圖標記為A、B、C 和D 類，后續研究根據與原始聚類地圖的空間相似性保留此分類，并且這4類地形圖在不同年齡范圍、覺醒狀態和病理狀態的研究中保持一致。 腦電微狀態是大腦全局功能狀態的瞬時表征，可以反映全局腦網絡激活的變化，是認知和心理功能的真實標記，可通過任務需求和功能狀態來調節。

不同的認知任務均可以導致腦電微狀態的參數的改變。 Seitzman 等發現在睜眼和閉眼狀態下，連續減法任務對腦電圖微狀態時間特性產生影響。 D’Croz-Baron 等在聽視覺刺激及辨認任務對微狀態變化的研究中發現視覺刺激的增加可引起微狀態參數的變化。 Zappasodi 等探索了反映不同認知能力(歸納、空間關系、空間圖像)的認知任務對腦電微狀態的影響，并且使用基于微狀態參數的多元分類分析對認知任務實現預測分類。 在航空工效學領域，腦電微狀態分析方法可用來評價飛行活動的腦力負荷。

本文以模擬飛行為任務模型，比較在低腦力負荷和高腦力負荷下4 類腦電微狀態參數變化，并探討腦電微狀態參數在不同腦力負荷下的變化機制，為基于全局腦網絡評估飛行員腦力負荷提供新的思路。

2 方法

2.1 受試者

12 名在校本科生，男性，年齡(21.08±0.79)歲。均為右利手(愛丁堡利手問卷結果一側商數和十分位數分別為79.03±19.87 和5.50 ± 3.80)，視力或矯正視力及聽力正常，既往無神經精神疾病史及近期用藥史。

2.2 任務模型

實驗任務模型是模擬飛行中的多任務模型，該模型已被用于腦力負荷和飛行疲勞的研究，任務包含4 項子任務:飛行目標追蹤任務，儀表監視任務，突發事件處理任務和剩余能力任務。 其中，剩余能力任務為次任務，其余3 項為主任務。多任務程序在電腦上運行，任務界面見圖1，界面中間為飛行目標追蹤任務區域，下方為儀表監視任務區域，左側為突發事件處理任務區域，右側為剩余能力任務區域。

圖1 多任務模型界面Fig.1 Interface of the multitask model

1)飛行目標追蹤任務。 在飛行目標追蹤任務區域有一個飛機形狀的移動目標，要求受試者通過右手操縱桿控制的圓形光標來持續追蹤飛機目標，應盡量使圓形光標與目標重合。 任務的績效包括平均追蹤距離和告警次數。 追蹤距離指的是圓形光標與目標之間的距離，當距離大于30 mm時，程序會記錄一次告警并發出告警聲。

2)儀表監視任務。 在儀表監視任務區域有4個圓形儀表盤，每個儀表各有一紅色區域為警戒區域，每個儀表的警戒區域位置各不相同。 任務開始時，各儀表的指針從最底端開始以不同的速度順時針升高。 當指針到警戒區域時，要求受試者做出按鍵反應。 反應后指針立即回落，并重新開始順時針升高。 若受試者未能及時做出反應，指針繼續上升直至過了警戒區域后自動回落，并重新開始順時針升高。

3)突發事件處理任務。 在任務過程中，突發事件處理任務區域會不定時地出現多個紅色圓點，數量為10～20 的隨機數。 要求受試者數出紅點的數量并按下數字的個位數按鍵。 紅色圓點會在受試者做出正確反應后消失，然后下一組紅色圓點將會出現。 若受試者未及時做出正確反應，紅色圓點出現30 s 后自動消失，然后出現下一組紅色圓點。

4)剩余能力任務。 任務過程中，在剩余能力任務區域會一直有1 個數字。 任務要求受試者優先完成主任務的基礎上，通過按下相同的數字鍵來做出反應。 數字會在受試者做出正確反應后消失，隨即出現下一個數字。 若受試者不做出反應或未做出正確反應，當前數字一直存在直至任務結束。

2.3 實驗工具及設備

NASA 任務負荷指數(NASA-TLX)量表是NASA 于1988 年開發，包含6 個維度:腦力需求(Mental Demand， MD)、體力需求(Physical Demand， PD)、時間需求(Temporal Demand， TD)、努 力 水 平( Effort Level， EF)、 挫 折 水 平(Frustration Level， FR)以及自我績效(Own Performance， OP)。 NASA-TLX 量表是最常用的腦力負荷主觀評價量表之一，從6 個維度反映腦力負荷，可以診斷腦力負荷的來源。

腦電記錄系統采用美國NeuroScan 公司32導電極帽及NuAmps 腦電放大器記錄原始腦電信號，NuAmps 采樣頻率1024 Hz，帶通濾波為0.1 ～100 Hz。 電極位置參照國際標準10－20 系統，以雙側乳突作為參考電極，同時記錄水平眼電(Horizontal Electrooculogram， HEOG)和垂直眼電(Vertical Electrooculogram， VEOG)。 電極的阻抗小于5 kΩ。

2.4 實驗過程

正式實驗前，向受試者介紹整個實驗內容，受試者閱讀并簽署知情同意書；受試者閱讀愛丁堡利手問卷說明并填寫問卷；進行多任務操作的訓練，練習時間約為10 min。 軟件會記錄正確的操作方法，如有錯誤則記錄無效。 練習中，觀察受試者的操作，并查看訓練時的任務記錄中沒有無效記錄，以確保其掌握多任務的操作方法。

實驗開始，受試者保持靜息狀態1 min 后開始多任務的操作。 受試者需要完成低負荷任務和高負荷任務。 低負荷任務要求受試者同時完成飛行目標追蹤任務和剩余能力任務，高負荷任務要求受試者同時完成飛行目標追蹤任務、儀表監視任務、突發事件處理任務和剩余能力任務4 項子任務。 每一項多任務持續180 s，且任務順序在受試者中進行平衡，即先進行高負荷任務和先進行低負荷任務的受試者人數相同。 每項多任務完成后，受試者填寫NASA-TLX量表，并靜息1 min。

2.5 EEG 信號處理

使用腦電圖分析軟件EeglabR13 和Matlab R2013b 進行預處理。 將腦電數據降低采樣率為250 Hz，采用非因果二階巴特沃斯濾波器進行1 ～40 Hz 帶通濾波，并將腦電數據2 s 一段分割。

采用基于信息最大化的獨立成分分析(Independent Component Analysis， ICA)檢測和剔除波形和地形圖中與其他人工活動(眼動、肌電、心電)相關的成分。 然后使用三維球面曲線法插值壞導，采用平均參考的方法進行重參考。 最后，對數據進行目視檢查，標記并剔除有殘留偽跡的時段以進行后續分析。

借助Eeglab 的Microstates 0.3 插件，對預處理完的數據進行腦電圖微狀態分析。 采用2 ～20 Hz帶通濾波以進一步減少腦電原始數據中的偽跡。 計算全局解釋方差(Global Field Power，GFP)，沿著時刻點從GFP 峰處抽取地形圖并進行聚類分析，并且忽略地形圖的極性。 聚類分析方法選用原子化與凝聚層次聚類(Atomize and Agglomerate Hierarchical Clustering， AAHC)算法，推導出能最大程度解釋GFP 峰處地形圖的4 類地形圖，即個體水平的腦電微狀態。 然后將每名受試者的4 類地形圖進行聚類得到組平均水平地形圖類別，即組水平腦電微狀態(A，B，C，D)。 把所有受試者腦電信號在每個時間點處的地形圖與4 類組水平腦電微狀態進行空間相關性比較，根據Pearson 相關性的最大絕對值匹配4 個微狀態中的1 個，從而將腦電信號解析成了4 種微狀態交替出現的時間序列。 將提取出的4 類微狀態匹配到每名受試者的腦電信號后，分別計算出2 種腦力負荷下微狀態時間序列的4 個參數。 ①平均持續時間:每種微狀態在出現時保持穩定的平均時間長度；②頻率:每種微狀態每秒出現的次數；③覆蓋率:每種微狀態占記錄總時間的比例；④轉換概率:從一種微狀態轉換成另一種微狀態的概率。

2.6 統計學分析

采用SPSS 26.0 軟件進行統計分析，采用單因素重復測量的ANOVA，對受試者內腦力負荷因素進行分析，檢驗不同腦力負荷對NASA-TLX 評分、任務績效以及腦電微狀態參數的影響是否具有統計學意義。＜0.05 認為差異具有統計學意義。

3 結果

3.1 NASA-TLX 評分

圖2(a)顯示高低負荷多任務的NASA-TLX評分。 不同腦力負荷對NASA-TLX 評分有影響，NASA-TLX 評分隨著腦力負荷增加而增加(＝10.07，＜0.001)。 圖2(b)顯示了兩項多任務NASA-TLX 每個維度的得分。 腦力負荷對腦力需求得分(＝5.94，＜0.05)和時間需求得分有影響(＝7.17，＜0.05)。 腦力需求得分和時間需求得分隨著腦力負荷增加而增加。 而腦力負荷對體力需求得分(＝0.98，＞0.05)、努力水平得分(＝0.74，＞0.05)、挫折水平得分(＝1.20，＞0.05)和自我績效得分(＝0.10，＞0.05)未見統計學差異。

圖2 高低負荷多任務的NASA-TLX 評分Fig. 2 Scores of NASA-TLX in high and low load multitasks

3.2 任務績效

高低負荷多任務的績效如表1 所示。 兩項多任務的平均追蹤距離(＝9.01，＜0.01)和告警次數(＝8.69，＜0.01)有統計學差異。 隨著腦力負荷的增加，平均追蹤距離和告警次數增加。 剩余能力任務的數字反應次數在不同的任務中有統計學差異(＝23.04，＜0.001)。

表1 高低負荷多任務的績效( ±s，n ＝12)Table 1 Behavioral performance in high and low load multitasks( ±s，n ＝12)

3.3 腦電微狀態參數

圖3(a)顯示了高低負荷多任務的4 類腦電微狀態，低負荷任務的4 類腦電微狀態解釋比例(Global Explained Variance， GEV)為73.43%，高負荷任務的4 類腦電微狀態GEV 為72.76%。 圖3(b)顯示了2 項多任務4 類微狀態的平均持續時間，2 項多任務微狀態A(＝4.38，＜0.05)和微狀態C 的持續時間(＝7.01，＜0.05)隨著腦力負荷的增加持續時間顯著降低。 圖3(c)顯示了2 項多任務4 類微狀態的頻率，2 項多任務微狀態D 的頻率(＝5.66，＜0.05)隨著腦力負荷的增加而顯著增加。 圖3(d)顯示了2 項多任務4 類微狀態的覆蓋率，2 項多任務微狀態C(＝ 5.21，＜0.05)和微狀態D 的覆蓋率(＝5.87，＜0.05)隨腦力負荷的增加，微狀態C 覆蓋率降低而微狀態D 覆蓋率增加。

圖3 高低負荷多任務的4 類微狀態的持續時間、頻率及覆蓋率Fig.3 Duration， occurrence and coverage of four microstates in high and low load multitasks

圖4 顯示了2 項多任務的4 類腦電微狀態之間互相轉移的轉移概率。 微狀態A 向其他3 類微狀態轉移的概率如圖4(a)所示，隨著腦力負荷的增加，微狀態A 向微狀態C 的轉移概率顯著降低(＝10.58，＜0.01)。 微狀態B 向其他3類微狀態轉移的概率如圖4(b)所示，隨著腦力負荷的增加，微狀態B 向微狀態D 的轉移概率增加(＝7.13，＜0.05)。 微狀態C 向其他3 類微狀態轉移的概率如圖4(c)所示，隨著腦力負荷的增加，微狀態C 向微狀態A 的轉移概率顯著降低(＝10.46，＜0.01)。 微狀態D 向其他3 類微狀態轉移的概率如圖4(d)所示，隨著腦力負荷的增加，微狀態D 向微狀態B 的轉移概率顯著增加(＝9.96，＜0.01)。

圖4 高低負荷多任務的4 類微狀態之間的轉移概率Fig.4 Transition probability between four microstates in high and low load multitasks

4 討論

4.1 NASA-TLX 評分

隨著腦力負荷的增加，NASA-TLX 得分增加，說明通過改變多任務中子任務的數量可有效設置腦力負荷梯度。 在本文中，不同多任務的NASATLX 得分的差異體現在腦力需求和時間需求上。這說明多任務的高腦力負荷不僅體現在認知需求上，還體現在隨著信息負荷增加而產生的時間壓力上，這不同于由操作難度或工作記憶難度所造成的腦力負荷。 本文隨著腦力負荷的增加，受試者的主觀努力并沒有變化，這與其他任務模型的研究結果不同。 這可能是因為在本實驗中，受試者在優先完成主任務的前提下，將剩余的腦力資源全部用于完成次任務。

4.2 任務績效

與低負荷任務相比，高負荷任務的飛行目標追蹤任務績效變差，表現為平均追蹤距離增大和告警次數增加。 這表明儀表監視任務和突發事件處理任務的出現影響了追蹤任務的績效。 這2 項子任務在操作上并不會對追蹤任務產生干擾，但是其出現會占用受試者更多的注意力資源。Wickens根據任務過程中信息加工的資源需求，建立了一個四維的多資源模型:區分知覺和反應的階段維度、區分視覺和聽覺的通道維度、區分空間和語言的編碼維度以及區分焦點和外周的視覺通道維度。 在多任務信息處理時，人的信息處理系統會自動在維度中進行資源的選擇和分類。當不同任務需要的資源是同一維度的同一類，則表現出資源競爭性，從而導致任務互相干擾。 因此，在本研究中，高負荷任務中由于資源競爭導致用于追蹤任務的資源減少，從而使追蹤任務績效下降。

剩余能力任務的績效也表現出相同的結果。在實驗中，要求受試者在優先完成主任務的前提下用剩余的注意力資源來完成剩余能力任務。 剩余能力被假設為一種未分類的并可用于所有任務的能力，是完成主任務時未用到的能力。 隨著腦力負荷的增加，任務所消耗的信息處理資源增加，則剩余的信息處理資源即剩余能力降低，從而導致次任務績效降低。 任務績效的變化與Puma等研究結果具有一致性，該研究用于篩選飛行學員的有限管理任務模型，通過增加子任務數量設置4 級腦力負荷梯度，研究發現隨著腦力負荷梯度增加，任務績效逐漸下降。

4.3 腦電微狀態

頭皮電位場反映了全局神經元活動的瞬時狀態，而該區域地形的變化表明全局神經元協調活動隨時間的變化，地形圖空間結構的不同反映著不同神經元的激活。 腦電微觀狀態分析的先驗假設是在每一時刻只有一個空間地形圖完全定義了大腦的全局狀態，并且這一假設被一系列的論據證明是正確的。 研究表明使用聚類方法，并通過交叉驗證標準確定最佳聚類數為4 個，這4 類微狀態被標記為A、B、C 和D 類，這4 個聚類圖GEV 為79%。 本文中低負荷任務的4 類腦電微狀態GEV 為73.43%，高負荷任務的4 類腦電微狀態GEV 為72.76%，GEV 結果較為一致。 且每個微狀態都有一個特定的大腦功能系統，以及這些系統和特定的認知功能之間存在聯系。

通過腦源分析研究腦電微狀態與功能系統的關系，發現微觀狀態A 與聽覺網絡和語音處理有關，而微觀狀態B 與視覺靜止狀態網絡有關，反映了視覺意象型活動。 本文中，微狀態A 的持續時間下降，這與Milz 等的研究結果并不一致，其研究結果顯示可視化想象任務可導致微狀態A 的持續時間增加。 原因可能與知覺負載有關，知覺負載理論認為高知覺負荷會消耗作業人員大量的信息處理能力，從而使沒有足夠的信息處理能力來感知干擾信息。 在本文中，需要聽覺網絡處理的信息只有追蹤任務的告警聲音，屬于一種無關刺激，高負荷任務需要同時處理4 項子任務，過高的知覺負荷使得被用來感知告警聲音的資源減少，從而導致了微狀態A 的持續時間降低。 微狀態C 與認知控制網絡的活動有關，反映了默認模式網絡的一部分，默認模式網絡是一個任務負性網絡，在認知任務的執行過程中活動減少，而在注意力降低的狀態增加。 因此，在本文中微狀態C 的時間參數，如持續時間、覆蓋率，隨著腦力負荷的增加而降低。 微觀狀態D 與背側注意網絡相關，可以反映注意力、焦點轉換和重新定位的反射性。 本文腦力負荷升高導致微狀態D 的頻率和覆蓋率增加，說明在高負荷狀態下，更多的注意力資源被調動，從而導致微狀態D 的時間參數增加。 本文微狀態C 時間參數降低與微狀態D 時間參數升高，這與心算任務、推理任務等認知任務對微狀態變化的研究一致。高負荷任務下，需要處理的視覺信息和投入的注意力資源增加，從而導致了微狀態B 和微狀態D之間的轉移概率增加。 而高負荷導致的知覺負載增大會使作為無關刺激的聽覺信息處理減少，引起微狀態A 和微狀態C 之間的轉移概率降低。

4.4 任務模型

飛行活動多任務模擬是飛行員腦力負荷實驗研究的難題之一，采用實際模擬飛行任務，存在明顯學習效應，而采用經典心理學任務又與飛行作業差異較大。 為此，Sun 等和李文斌等也用自主設計的飛行活動多任務模型進行了相關研究。 該任務模型可抽象模擬飛行控制、儀表監視、突發事件處理和剩余能力，不僅與飛行過程飛行操縱、多信息處理等特點具有相似性，而且最大限度地降低學習效應的影響。 由于其特點的相似性和易開展廣泛研究的特性，該任務模型具有一定的應用價值，也為實際應用到飛行員多任務腦力負荷測量提供參考。 當然，此任務模型并不能完全模擬飛行環境，研究結果應該在更真實的場景中得到驗證，比如飛行模擬器。

5 結論

本文通過控制子任務的數量設置高、低2 級腦力負荷的模擬飛行多任務，比較不同腦力負荷下主觀評分、任務績效以及4 類經典腦電微狀態參數的變化。 在高腦力負荷下，主觀評分升高，任務績效降低，并且高腦力負荷可導致微狀態B 和微狀態D 的時間參數增加而微狀態A 和微狀態C 的時間參數降低。 微狀態參數的變化可用來評估腦力負荷，為利用大腦全局功能狀態評估腦力負荷提供了數據支持，腦電微狀態參數與其他生理參數在腦力負荷評估中的對比值得進一步研究。