盡管注意力在認知和感知科學中占有重要作用，但是缺少一種簡單的方法來衡量一個人的注意力能力。我們定義持續注意力任務下的腦功能網絡連接的強度作為預測行為表現的生理學指標。本文采集了 14 名被試在三種力控制任務中的行為學和腦電數據。通過力的方差和容差乘積的倒數來計算行為學表現評分。通過小波相干的方法對腦電數據構建網絡連接，然后將連接矩陣的每條邊和行為學評分進行相關分析。線性回歸模型將那些顯著相關的網絡連接組合成生理學指標來預測被試三種力控制任務的行為表現，相關系數均大于 0.7。這些結果表明腦功能網絡的連接強度可以為持續注意力任務提供一個廣泛適用的生物標記。
引用本文： 賈文笑, 單思遠, 張冀聰. 基于腦功能網絡的持續注意力生物標記提取. 生物醫學工程學雜志, 2018, 35(2): 176-181. doi: 10.7507/1001-5515.201611045 復制
版權信息： ?四川大學華西醫院華西期刊社《生物醫學工程學雜志》版權所有，未經授權不得轉載、改編
引言
注意力在認知科學中占有重要位置，工作壓力、心情、疲勞和興趣等都會對注意力造成影響。青少年注意力不集中現象越來越嚴重，如果不能正確引導和訓練，將來很可能會引發注意力缺陷綜合征（attention-deficit hyperactivity disorder，ADHD）。研究發現，ADHD 的兒童和成人都存在一定程度的神經功能缺陷，主要表現為警覺性、控制能力、概括和工作記憶等認知能力的下降[1-3]。傳統測量注意力的方法主要依據行為學的正確率、反應時間和主觀問卷調查，而行為學測試多種多樣且缺乏統一的參照標準，問卷調查則受環境和心情因素影響較大。因此，本文設計力控制任務來探究注意力訓練過程的生理學機制，尋找表征注意力水平的生理學指標。
基于功能核磁共振（functional magnetic resonance imaging，fMRI）的研究發現持續注意力和大腦功能網絡之間存在密切的關系。Bonnelle 等[4]發現可以通過默認網絡連接來預測持續腦損傷后的注意力缺陷；Rosenberg 等[5]通過相關分析建立腦網絡，發現持續注意力水平與小腦的關系密切；Clayton 等[6]研究發現持續注意力任務中內側額葉皮層和外側前額葉區域交流主要依賴 theta 頻段的同步性震蕩，外側前額葉和后部感覺運動皮層之間交流依靠低頻同步性震蕩。但是 fMRI 測量依賴血氧的緩慢變化，難以捕捉到神經動力學的快速變化。而高密度導聯的腦電（electroencephalogram，EEG）信號由于時間分辨率高，可以顯示與時間相關的持續注意力變化，并且在一定程度上可以改善低密度導聯 EEG 的空間分辨率，從而作為一種很好的輔助手段來研究腦功能網絡[7-8]，因此本文選擇高密度導聯的腦電記錄方式來探究生理學機制。
大腦功能網絡描述的是大腦的任意兩個腦區在某一認知任務下的功能上的相關程度。傳統衡量兩個信號頻域之間相干性的基礎是傅里葉變換，需要假定信號是平穩的[9-10]；而小波相干是以小波函數為基礎，可以通過小波變換保留信號的時間和頻率信息，處理非線性和非平穩信號的優勢尤為明顯[11]。本文通過小波相干的方法對力控制任務過程中的腦電信號構建腦網絡，尋找表征持續注意力的生理學標記，從而理解大腦內部注意力運作的生理學機制。
1 材料與方法
1.1 材料
本文研究的數據來自 14 名健康的被試（7 名男性，7 名女性，年齡范圍 21～24 歲），所有被試沒有精神類疾病和視覺障礙，且均為右利手。本研究得到了北京航空航天大學機構審查委員會的批準。實驗前所有被試在理解實驗過程的基礎上簽署了知情同意書。
整個力控制任務共五天，為探究任務前后效果在第一天和第五天同步采集腦電信號和行為學數據，其余時間只記錄行為學數據。采用美國 EGI 公司的 128 導聯的腦電記錄系統，采樣率設定為 250 Hz，放大器帶通濾波為 0.1～75 Hz，去除 50 Hz 的工頻干擾。實驗任務涉及的手指分別為左手的中指和食指以及右手的食指和中指，并且依次編號為手指 1、手指 2、手指 3、手指 4（如圖 1a 所示）。考慮到手指的協同性和操作難度，實驗任務由易到難為二指（手指編號為 2 和 3）、三指（手指編號為 1、3 和 4）、四指（手指編號為 1、2、3 和 4）三個類型。每個類型的任務持續 10 min，中間休息 3 min。被試需要在實驗過程中集中注意力來精確控制手指上的力使其處于容差范圍之內（1.5 N 左右），某個時刻 4 個手指用力的情況如圖 1b 所示。此圖表明手指 1 用力過大，手指 2 用力過小，手指 3 和 4 用力處于容差范圍內，因此正確的策略是減小手指 1 用力，增大手指 2 的用力，保持手指 3 和手指 4 的用力。當被試用力處于誤差帶內時脖子上的傳感器會震動；當用力過大時手指上的傳感器就會震動；當用力過小時沒有震動發生。被試可以根據這些反饋信號來進行思考和判斷，實時調整手指上的用力。為了讓被試能夠全身心地投入到當前任務中，當被試持續表現良好時適當縮小容差來增大任務難度；當被試持續表現不佳時適當增大容差來減小任務難度。在整個實驗過程中，被試佩戴眼罩和耳塞，且環境安靜，溫度和濕度適宜。
圖1
力控制任務示意圖
a. 力控制任務涉及的手指；b. 某一時刻四個手指用力的情況
Figure1. Diagram of force control taska. the fingers involved in force control tasks; b. force on four fingers at one point
1.2 方法
1.2.1 腦網絡定義
單通道腦電信號分析方法從時域、頻域、非線性動力學等方面對信號進行分析，可以從不同的角度獲得腦電信號的重要特征。但是大腦是一個復雜、協同工作的系統，大腦功能執行總是依賴于多個腦區之間廣泛的交互作用。大腦網絡連接考慮腦區之間的相互作用和影響，可以全面細致地刻畫大腦內部的組織模式，改變以往研究人腦的模式[12-13]。大腦網絡分為結構性網絡、功能性網絡和因效性網絡，本文主要考慮功能性腦網絡，將每個電極通道定義為腦功能網絡的節點，各通道腦電信號之間的相干系數定義為邊，揭示大腦內部信息處理和加工的機制。
1.2.2 基于小波相干的網絡構建
相干分析是對大腦兩個腦區之間線性依存關系進行計算，經典的頻譜分析通過對 EEG 信號進行傅里葉變換，將時域信號變成頻域信號，繼而計算某段時間內兩個信號在某個頻段的相干性。假設兩個信號 x（t）和 y（t），相干系數的計算公式如下：
 |
式中 Sxy（f）是 x（t）和 y（t）的互功率譜密度，Sxx（f）和 Syy（f）分別是 x（t）和 y（t）的自功率譜密度。
傅里葉變換的一個缺陷是假定信號在時域上是平穩的（在整段信號上有相同的頻譜特性或者頻率成分），但是腦電信號的頻率成分在認知過程中是隨著時間不斷變化的，是典型的非平穩信號。因此本文運用基于小波變換的相干分析方法，小波變換如公式（2）所示：
 |
其中 τ 與信號的平移變換和時間信息有關，s 與信號的伸縮變換和頻率信息有關，CWTx（τ，s）是 x（t）小波變換后的信號。小波變換能夠保留信號的時間和頻率信息，本文使用的是 Morlet1-2 小波函數，它是關于時間的函數，能夠在不同時間點進行不同尺度的伸縮變換，得到關于時間和頻率信息的信號。小尺度對應于高頻成分，大尺度對應于低頻成分。當信號的成分被提取，相干分析便可以計算某段時間內兩個信號在某個頻段的相干性，如公式（3）所示：
 |
其中 Wxy 是CWTx（τ，s）和 CWTy（τ，s）的互功率譜密度，Wxx（t，f）是 CWTx（τ，s）的自功率譜密度，Wyy（t，f）是 CWTy（τ，s）的自功率譜密度。
公式（4）用于確定不同尺度下對應的實際頻率：
 |
本文選擇的是 Morlet1-2 小波函數，中心頻率 centfrq 為 2 Hz，信號采樣頻率 fs 為 250 Hz，尺度 scale 范圍為 5～500，步進長度為 1，因此對應的頻率范圍是 1～100 Hz。對于不同頻率段內的信號，通過計算該頻率段內的相干系數的均值作為最終結果。相干系數范圍為 0～1，數值越大表明兩個信號之間相關性越強，此方法與信號的幅值和相位都有關系。
1.2.3 相關關系檢驗
為驗證生理學標記的通用性和有效性，選擇 13 位被試的樣本作為訓練樣本，剩余一位被試作為測試。對于每種類型的力控制任務，將與行為學同步記錄的 10 min 腦電數據以 4 s 為一個片段（無交疊）進行切分，每個被試第一天和第五天共得到 300 個片段。對于每個片段的腦電數據，使用小波相干方法建立網絡連接，128 個電極在四個子頻帶（theta：4～8 Hz；alpha：8～13 Hz；beta：13～30 Hz；gamma：30～45 Hz）共得到 32 512（128*127*0.5*4）條連接。將訓練集的每條連接和行為表現評分進行相關分析，相關系數的顯著水平設定為 P<0.01，將具有相關性的連接構成的網絡分為正相關網絡（相關系數大于 0）和負相關網絡（相關系數小于 0）。由于三種力控制任務內容相似但難度不同，因此提取三種任務類型共有的相關性連接，這樣尋找的生物標記能降低過擬合風險且更加通用。
1.2.4 線性回歸模型
通過對每個子頻帶的網絡連接和行為評分進行相關分析，將得到的正相關網絡和負相關網絡連接用線性回歸模型設計一個生理學指標。選擇訓練集 13 位被試的樣本建立回歸模型，另外一個被試作為測試，多元線性回歸模型的一般形式為：
 |
其中 Y 是估計的生理學指標 β0，β1，
，βn 是需要估計的參數，X1，X2，
，Xn 代表前面計算得到的顯著相關的連接，e 代表模型的誤差。通過對訓練集樣本的參數進行擬合估計，賦予每個連接不同的權重組合成為一個綜合的生理學指標。
2 結果
2.1 行為學表現評分
將力控制任務數據以 4 s 為一個片段（無交疊）進行切分。力的方差越大，容差也相對較大，評分也就越低；力的方差越小，容差也相對較小，評分也就越高。因此，本文首先計算 4 s 內參與任務的手指上力的平均方差和容差，然后將方差和容差乘積的倒數作為行為學表現評分。測試集被試三種力控制任務的行為表現如圖 2 所示，兩條水平方向的黑線表示容差范圍，其余顏色的線表示參與實驗的各個手指上力的波動情況（實時的力與 1.5 N 的差值）。行為學表現評分的波動情況如圖 2 下方綠線所示，在力波動明顯的時刻，行為學表現評分相對較低，在力較穩定的時刻，行為學表現評分相對較高，證明所設計的行為學表現評分能很好地表征被試注意力的狀態。
圖2
三種力控制任務的行為表現
Figure2.
Behavioral performance on three force control tasks
2.2 生理學檢測結果
本文對訓練集被試的每個子頻帶的每條連接和行為學評分進行相關性檢驗。三種力控制任務共有且具有統計學意義的正相關網絡有 25 條邊（綠色連接），負相關網絡有 20 條邊（紅色連接），網絡連接的頭皮連接分布如圖 3 所示。正相關網絡表明當行為表現評分高的時候，這些綠色連接的活動顯著增強；負相關網絡表明當行為表現評分低的時候，這些紅色連接的活動顯著增強。圖 3 表明負相關網絡主要集中在 alpha 頻段的額葉和頂葉之間的連接，正相關網絡主要集中在 gamma 頻段的額葉內部和頂葉內部，而 theta 頻帶和 beta 頻帶的連接與持續注意力的關系不明顯。
圖3
三種力控制任務共有的網絡連接
Figure3.
Common network connections for three types of force control tasks
將正相關網絡和負相關網絡的連接用線性回歸模型設計一個生理學指標，該模型在測試集被試的表現情況如圖 4 所示。生理學指標和行為學評分在三種力控制任務的變化情況如圖 4a 所示，三種力控制任務的行為學評分和生理學指標的相關系數如圖 4b 所示，分別為 0.74、0.75、0.80，且都具有統計學意義。
圖4
行為學評分和生理學指標的關系
a. 行為學評分和生理學指標的波動；b. 行為學評分和生理學指標相關性
Figure4. The relationship between behavioral score and physiological indicatora. the fluctuation on behavioral score and physiological indicator; b. the correlation between behavioral score and physiological indicator
3 討論
很多研究表明，持續注意力是一個復雜的認知過程，需要很多腦區的相互協作共同完成[14-15]。用腦網絡的方法研究大腦在特定任務狀態下的生理學機制，對理解大腦功能的形成機制具有重要的潛在價值。
本文通過小波相干的方法建立大腦網絡來提取與行為學表現顯著相關的連接，利用線性回歸模型組合這些連接得到一個生理學指標，在測試集上生理學指標與行為學評分有很高的相關性，證明了此方法的有效性。結果發現正相關網絡連接主要集中在 gamma 頻帶的額葉和頂葉內部，負相關網絡連接主要出現在 alpha 頻帶的額葉和頂葉之間的連接。由于本文研究的是自上而下的持續注意力，被試需要通過思考來判別目標和非目標，并且把注意力引導到特定的目標上[16-18]。當行為表現評分低的時候，被試的用力脫離了目標區域，處于一種搜索狀態，需要耗費更多的腦資源，額葉主要參與思考和決策過程，需要思維判斷及時調整手指上的力，頂葉與感覺運動皮層相關聯，負責感受手指上的壓力，額頂網絡起到執行控制和調節的作用。很多研究表明額頂網絡在注意力任務中發揮著重要的作用[19-20]。當行為表現評分高的時候，被試的用力在目標范圍內，處于一種警覺的狀態，需要保持當前的狀態，不涉及更多的判斷和決策的過程[21]，因此主要激活 gamma 頻段的額葉和頂葉內部連接。
綜上所述，本文尋找到的生理學標記可以很好地表征行為學表現，可以作為實時生物反饋信號來訓練被試的注意力[22]。理解這些連接的神經機制有重要的實用價值，可以促進注意力腦電監測系統和注意力控制神經模型的發展。例如，這些關鍵區域和頻帶能為神經調控（如經顱磁刺激、直流電刺激）等新興技術治療腦功能疾病提供重要的參考[23]。在本研究的基礎上，未來將引入不同注意力任務下的行為學和腦電數據來保證模型的通用性，用復雜網絡圖論的方法探索網絡屬性的變化。此外，這種不需要先驗知識假設、數據驅動的功能網絡分析方法為其他關于認知能力和疾病的研究提供了新的方法和思路。
引言
注意力在認知科學中占有重要位置，工作壓力、心情、疲勞和興趣等都會對注意力造成影響。青少年注意力不集中現象越來越嚴重，如果不能正確引導和訓練，將來很可能會引發注意力缺陷綜合征（attention-deficit hyperactivity disorder，ADHD）。研究發現，ADHD 的兒童和成人都存在一定程度的神經功能缺陷，主要表現為警覺性、控制能力、概括和工作記憶等認知能力的下降[1-3]。傳統測量注意力的方法主要依據行為學的正確率、反應時間和主觀問卷調查，而行為學測試多種多樣且缺乏統一的參照標準，問卷調查則受環境和心情因素影響較大。因此，本文設計力控制任務來探究注意力訓練過程的生理學機制，尋找表征注意力水平的生理學指標。
基于功能核磁共振（functional magnetic resonance imaging，fMRI）的研究發現持續注意力和大腦功能網絡之間存在密切的關系。Bonnelle 等[4]發現可以通過默認網絡連接來預測持續腦損傷后的注意力缺陷；Rosenberg 等[5]通過相關分析建立腦網絡，發現持續注意力水平與小腦的關系密切；Clayton 等[6]研究發現持續注意力任務中內側額葉皮層和外側前額葉區域交流主要依賴 theta 頻段的同步性震蕩，外側前額葉和后部感覺運動皮層之間交流依靠低頻同步性震蕩。但是 fMRI 測量依賴血氧的緩慢變化，難以捕捉到神經動力學的快速變化。而高密度導聯的腦電（electroencephalogram，EEG）信號由于時間分辨率高，可以顯示與時間相關的持續注意力變化，并且在一定程度上可以改善低密度導聯 EEG 的空間分辨率，從而作為一種很好的輔助手段來研究腦功能網絡[7-8]，因此本文選擇高密度導聯的腦電記錄方式來探究生理學機制。
大腦功能網絡描述的是大腦的任意兩個腦區在某一認知任務下的功能上的相關程度。傳統衡量兩個信號頻域之間相干性的基礎是傅里葉變換，需要假定信號是平穩的[9-10]；而小波相干是以小波函數為基礎，可以通過小波變換保留信號的時間和頻率信息，處理非線性和非平穩信號的優勢尤為明顯[11]。本文通過小波相干的方法對力控制任務過程中的腦電信號構建腦網絡，尋找表征持續注意力的生理學標記，從而理解大腦內部注意力運作的生理學機制。
1 材料與方法
1.1 材料
本文研究的數據來自 14 名健康的被試（7 名男性，7 名女性，年齡范圍 21～24 歲），所有被試沒有精神類疾病和視覺障礙，且均為右利手。本研究得到了北京航空航天大學機構審查委員會的批準。實驗前所有被試在理解實驗過程的基礎上簽署了知情同意書。
整個力控制任務共五天，為探究任務前后效果在第一天和第五天同步采集腦電信號和行為學數據，其余時間只記錄行為學數據。采用美國 EGI 公司的 128 導聯的腦電記錄系統，采樣率設定為 250 Hz，放大器帶通濾波為 0.1～75 Hz，去除 50 Hz 的工頻干擾。實驗任務涉及的手指分別為左手的中指和食指以及右手的食指和中指，并且依次編號為手指 1、手指 2、手指 3、手指 4（如圖 1a 所示）。考慮到手指的協同性和操作難度，實驗任務由易到難為二指（手指編號為 2 和 3）、三指（手指編號為 1、3 和 4）、四指（手指編號為 1、2、3 和 4）三個類型。每個類型的任務持續 10 min，中間休息 3 min。被試需要在實驗過程中集中注意力來精確控制手指上的力使其處于容差范圍之內（1.5 N 左右），某個時刻 4 個手指用力的情況如圖 1b 所示。此圖表明手指 1 用力過大，手指 2 用力過小，手指 3 和 4 用力處于容差范圍內，因此正確的策略是減小手指 1 用力，增大手指 2 的用力，保持手指 3 和手指 4 的用力。當被試用力處于誤差帶內時脖子上的傳感器會震動；當用力過大時手指上的傳感器就會震動；當用力過小時沒有震動發生。被試可以根據這些反饋信號來進行思考和判斷，實時調整手指上的用力。為了讓被試能夠全身心地投入到當前任務中，當被試持續表現良好時適當縮小容差來增大任務難度；當被試持續表現不佳時適當增大容差來減小任務難度。在整個實驗過程中，被試佩戴眼罩和耳塞，且環境安靜，溫度和濕度適宜。
圖1
力控制任務示意圖
a. 力控制任務涉及的手指；b. 某一時刻四個手指用力的情況
Figure1. Diagram of force control taska. the fingers involved in force control tasks; b. force on four fingers at one point
1.2 方法
1.2.1 腦網絡定義
單通道腦電信號分析方法從時域、頻域、非線性動力學等方面對信號進行分析，可以從不同的角度獲得腦電信號的重要特征。但是大腦是一個復雜、協同工作的系統，大腦功能執行總是依賴于多個腦區之間廣泛的交互作用。大腦網絡連接考慮腦區之間的相互作用和影響，可以全面細致地刻畫大腦內部的組織模式，改變以往研究人腦的模式[12-13]。大腦網絡分為結構性網絡、功能性網絡和因效性網絡，本文主要考慮功能性腦網絡，將每個電極通道定義為腦功能網絡的節點，各通道腦電信號之間的相干系數定義為邊，揭示大腦內部信息處理和加工的機制。
1.2.2 基于小波相干的網絡構建
相干分析是對大腦兩個腦區之間線性依存關系進行計算，經典的頻譜分析通過對 EEG 信號進行傅里葉變換，將時域信號變成頻域信號，繼而計算某段時間內兩個信號在某個頻段的相干性。假設兩個信號 x（t）和 y（t），相干系數的計算公式如下：
|
式中 Sxy（f）是 x（t）和 y（t）的互功率譜密度，Sxx（f）和 Syy（f）分別是 x（t）和 y（t）的自功率譜密度。
傅里葉變換的一個缺陷是假定信號在時域上是平穩的（在整段信號上有相同的頻譜特性或者頻率成分），但是腦電信號的頻率成分在認知過程中是隨著時間不斷變化的，是典型的非平穩信號。因此本文運用基于小波變換的相干分析方法，小波變換如公式（2）所示：
|
其中 τ 與信號的平移變換和時間信息有關，s 與信號的伸縮變換和頻率信息有關，CWTx（τ，s）是 x（t）小波變換后的信號。小波變換能夠保留信號的時間和頻率信息，本文使用的是 Morlet1-2 小波函數，它是關于時間的函數，能夠在不同時間點進行不同尺度的伸縮變換，得到關于時間和頻率信息的信號。小尺度對應于高頻成分，大尺度對應于低頻成分。當信號的成分被提取，相干分析便可以計算某段時間內兩個信號在某個頻段的相干性，如公式（3）所示：
|
其中 Wxy 是CWTx（τ，s）和 CWTy（τ，s）的互功率譜密度，Wxx（t，f）是 CWTx（τ，s）的自功率譜密度，Wyy（t，f）是 CWTy（τ，s）的自功率譜密度。
公式（4）用于確定不同尺度下對應的實際頻率：
|
本文選擇的是 Morlet1-2 小波函數，中心頻率 centfrq 為 2 Hz，信號采樣頻率 fs 為 250 Hz，尺度 scale 范圍為 5～500，步進長度為 1，因此對應的頻率范圍是 1～100 Hz。對于不同頻率段內的信號，通過計算該頻率段內的相干系數的均值作為最終結果。相干系數范圍為 0～1，數值越大表明兩個信號之間相關性越強，此方法與信號的幅值和相位都有關系。
1.2.3 相關關系檢驗
為驗證生理學標記的通用性和有效性，選擇 13 位被試的樣本作為訓練樣本，剩余一位被試作為測試。對于每種類型的力控制任務，將與行為學同步記錄的 10 min 腦電數據以 4 s 為一個片段（無交疊）進行切分，每個被試第一天和第五天共得到 300 個片段。對于每個片段的腦電數據，使用小波相干方法建立網絡連接，128 個電極在四個子頻帶（theta：4～8 Hz；alpha：8～13 Hz；beta：13～30 Hz；gamma：30～45 Hz）共得到 32 512（128*127*0.5*4）條連接。將訓練集的每條連接和行為表現評分進行相關分析，相關系數的顯著水平設定為 P<0.01，將具有相關性的連接構成的網絡分為正相關網絡（相關系數大于 0）和負相關網絡（相關系數小于 0）。由于三種力控制任務內容相似但難度不同，因此提取三種任務類型共有的相關性連接，這樣尋找的生物標記能降低過擬合風險且更加通用。
1.2.4 線性回歸模型
通過對每個子頻帶的網絡連接和行為評分進行相關分析，將得到的正相關網絡和負相關網絡連接用線性回歸模型設計一個生理學指標。選擇訓練集 13 位被試的樣本建立回歸模型，另外一個被試作為測試，多元線性回歸模型的一般形式為：
|
其中 Y 是估計的生理學指標 β0，β1，
，βn 是需要估計的參數，X1，X2，
，Xn 代表前面計算得到的顯著相關的連接，e 代表模型的誤差。通過對訓練集樣本的參數進行擬合估計，賦予每個連接不同的權重組合成為一個綜合的生理學指標。
2 結果
2.1 行為學表現評分
將力控制任務數據以 4 s 為一個片段（無交疊）進行切分。力的方差越大，容差也相對較大，評分也就越低；力的方差越小，容差也相對較小，評分也就越高。因此，本文首先計算 4 s 內參與任務的手指上力的平均方差和容差，然后將方差和容差乘積的倒數作為行為學表現評分。測試集被試三種力控制任務的行為表現如圖 2 所示，兩條水平方向的黑線表示容差范圍，其余顏色的線表示參與實驗的各個手指上力的波動情況（實時的力與 1.5 N 的差值）。行為學表現評分的波動情況如圖 2 下方綠線所示，在力波動明顯的時刻，行為學表現評分相對較低，在力較穩定的時刻，行為學表現評分相對較高，證明所設計的行為學表現評分能很好地表征被試注意力的狀態。
圖2
三種力控制任務的行為表現
Figure2.
Behavioral performance on three force control tasks
2.2 生理學檢測結果
本文對訓練集被試的每個子頻帶的每條連接和行為學評分進行相關性檢驗。三種力控制任務共有且具有統計學意義的正相關網絡有 25 條邊（綠色連接），負相關網絡有 20 條邊（紅色連接），網絡連接的頭皮連接分布如圖 3 所示。正相關網絡表明當行為表現評分高的時候，這些綠色連接的活動顯著增強；負相關網絡表明當行為表現評分低的時候，這些紅色連接的活動顯著增強。圖 3 表明負相關網絡主要集中在 alpha 頻段的額葉和頂葉之間的連接，正相關網絡主要集中在 gamma 頻段的額葉內部和頂葉內部，而 theta 頻帶和 beta 頻帶的連接與持續注意力的關系不明顯。
圖3
三種力控制任務共有的網絡連接
Figure3.
Common network connections for three types of force control tasks
將正相關網絡和負相關網絡的連接用線性回歸模型設計一個生理學指標，該模型在測試集被試的表現情況如圖 4 所示。生理學指標和行為學評分在三種力控制任務的變化情況如圖 4a 所示，三種力控制任務的行為學評分和生理學指標的相關系數如圖 4b 所示，分別為 0.74、0.75、0.80，且都具有統計學意義。
圖4
行為學評分和生理學指標的關系
a. 行為學評分和生理學指標的波動；b. 行為學評分和生理學指標相關性
Figure4. The relationship between behavioral score and physiological indicatora. the fluctuation on behavioral score and physiological indicator; b. the correlation between behavioral score and physiological indicator
3 討論
很多研究表明，持續注意力是一個復雜的認知過程，需要很多腦區的相互協作共同完成[14-15]。用腦網絡的方法研究大腦在特定任務狀態下的生理學機制，對理解大腦功能的形成機制具有重要的潛在價值。
本文通過小波相干的方法建立大腦網絡來提取與行為學表現顯著相關的連接，利用線性回歸模型組合這些連接得到一個生理學指標，在測試集上生理學指標與行為學評分有很高的相關性，證明了此方法的有效性。結果發現正相關網絡連接主要集中在 gamma 頻帶的額葉和頂葉內部，負相關網絡連接主要出現在 alpha 頻帶的額葉和頂葉之間的連接。由于本文研究的是自上而下的持續注意力，被試需要通過思考來判別目標和非目標，并且把注意力引導到特定的目標上[16-18]。當行為表現評分低的時候，被試的用力脫離了目標區域，處于一種搜索狀態，需要耗費更多的腦資源，額葉主要參與思考和決策過程，需要思維判斷及時調整手指上的力，頂葉與感覺運動皮層相關聯，負責感受手指上的壓力，額頂網絡起到執行控制和調節的作用。很多研究表明額頂網絡在注意力任務中發揮著重要的作用[19-20]。當行為表現評分高的時候，被試的用力在目標范圍內，處于一種警覺的狀態，需要保持當前的狀態，不涉及更多的判斷和決策的過程[21]，因此主要激活 gamma 頻段的額葉和頂葉內部連接。
綜上所述，本文尋找到的生理學標記可以很好地表征行為學表現，可以作為實時生物反饋信號來訓練被試的注意力[22]。理解這些連接的神經機制有重要的實用價值，可以促進注意力腦電監測系統和注意力控制神經模型的發展。例如，這些關鍵區域和頻帶能為神經調控（如經顱磁刺激、直流電刺激）等新興技術治療腦功能疾病提供重要的參考[23]。在本研究的基礎上，未來將引入不同注意力任務下的行為學和腦電數據來保證模型的通用性，用復雜網絡圖論的方法探索網絡屬性的變化。此外，這種不需要先驗知識假設、數據驅動的功能網絡分析方法為其他關于認知能力和疾病的研究提供了新的方法和思路。
