持续关注是一个过程，可以在很长一段时间内保持响应。在现实生活中执行与注意力相关的任务需要忽略各种干扰并抑制注意力转移到不相关的活动。本研究调查了真实课堂环境中持续注意力任务期间的脑电图 (EEG) 频谱变化。 18名健康学生被要求尽可能快地识别在常规大学讲座中展示的特殊视觉目标。根据响应时间对他们的脑电图谱进行排序，以考察随机引入的视觉刺激引起的视觉警觉性水平，揭示大脑振荡模式的显著变化。频谱分析的结果证明了 EEG 频谱的动态变化与持续注意任务中受损表现之间存在关系。枕部区域的 delta 和 theta EEG 功率增加，枕部和颞区的 β 功率降低。同时，将复杂的注意力任务范式实施到现实世界的课堂环境中，可以研究大脑活动与导致行为表现受损因素之间的特定相互联系，例如课堂精神疲劳的发展和表现。该研究的结果为开发一个系统奠定了基础，该系统能够通过监测脑电图谱的变化来评估真实课堂活动中的视觉注意力水平。本研究发表在Frontiers in Human Neuroscience杂志。(可添加微信号siyingyxf或18983979082获取原文及补充材料，另思影提供免费文献下载服务，如需要也可添加此微信号入群)思影曾对另一篇真实课堂脑电实验做过解读，可结合阅读（直接点击）：人类的行为和对不同环境条件的适应性需要复杂的认知活动，这些活动既发生在高度发达的新皮层，也会涉及系统发育较老的大脑结构。为了完成计划的任务而专注于特定刺激的能力就是这种复杂的认知活动的一个例子，称为持续注意力。Sarter等人 (2001)将持续注意定义为注意力的一个基本组成部分，其特征是准备好在较长的时间内发现罕见和不可预测的信号。视觉信息的加工是一个多阶段的生理过程，涉及多个脑区。在猴子身上所做的研究表明，纹状皮质是两条多突触皮层通路的来源。速度快的通路/流线位于背侧，用于加工物体的位置；较慢的在腹侧运行，负责可观察物体的视觉识别。随后的研究在人类身上证实了这一假设。背侧流穿过枕顶皮质到达顶下小叶的后部，并可能进一步延伸到背外侧前额叶皮质。腹侧流穿过枕颞皮质到达颞下回的前部，并可能延伸到腹外侧额前皮质。根据与视觉引导行为相关的背侧流的一般功能特征，背侧流被定义为“where”通路；腹侧流被定义为具有支持物体的性质或特性加工的功能的“what”通路。关于枕颞网络的内在功能，最一致的发现之一是大脑皮层中存在功能性聚类，对特定的对象类别具有选择性，例如身体部位、面部、场景、几何物体、工具、书面文字、颜色等。众所周知，视觉注意，无论是针对空间位置、物体或其他独特特征，都直接影响涉及记忆机制的枕颞网络相应区域内的视觉信息加工。一项对视觉通路机制的电生理学研究揭示了注意效应的相反顺序，注意增强的神经放电率在V4中更大、更早、在V1中更晚，而V2的结果居中，这表明注意机制是通过从高阶区域到低阶区域的反馈来运行的。在实验室条件下进行实验以测量大脑活动是认知神经科学研究中广泛使用的方法。然而，许多有效的研究技术，如PET或功能磁共振成像，不适合研究与现实世界环境相关的大脑激活模式。为了使自然社会情境中的大脑动态可视化变得可行和可靠，需要应用特殊的复杂的现实世界神经成像技术。研究大脑活动最常用的电生理学方法之一是识别脑电信号的频谱特征以及在不同条件下这些特征发生变化的脑区。研究表明，不同频段的脑电活动可能与特定的生理状态有关。自从EEG被发现后的最早研究开始，EEG振荡就被按频率分类。最近数字信号处理方法的技术发展导致了更精确的频率量化和频率频带的定义，其范围大致如下：delta为1-3 Hz，theta为4-7 Hz，alpha为8-14 Hz，beta为15-30 Hz，gamma大于30 Hz。所有频段的皮层振荡活动被认为与各种知觉、感觉运动和认知操作有关，包括注意和记忆。与任何生物一样，人不可能长时间保持最佳注意力而不陷入疲劳状态。疲劳有不同的分类方法——可以是短期的或长期的，身体的或精神的。与通常与全身或肌肉耐力衰竭相关的身体疲劳相反，精神疲劳与“脑力劳动”效率降低相关——脑力劳动是指专注于执行特定任务的密集大脑活动。疲劳本身是休息必要性的一个警报信号，它的长期存在可能会导致不良后果。精神疲劳可能有各种生理原因和特征，包括任务相关脑区的皮层活动受损和脑电振荡的广泛变化。据报道，注意力受到精神疲劳的影响，表现为抑制无关信息的能力下降和注意力转移到无关刺激，从而导致反应时增加和错误反应的数量增加。疲劳相关研究的问题因以下事实而变得更加复杂：每个人对疲劳的反应程度不同，并且取决于多种因素，例如目标导向任务中的动机。以往研究证明了视觉注意力受损与任务诱发的精神疲劳之间的关系，这会导致驾驶任务中的失误。结果表明，枕顶区theta和低alpha频带功率的改变与精神疲劳相关，导致视觉注意任务表现下降。在现代社会，教育被认为是人格发展的一个重要阶段。学习和记忆的过程与有选择地专注于信息的某一方面而忽略其他可感知信息的能力密切相关。在过去的十年里，在教室里使用投影仪——尤其是在高年级和大学——来展示授课材料成为了普遍接受的标准。这种方法可以让教师以更有效的方式引入新信息，但同时可能会增加学生的精神压力，要求他们在整个授课过程中专注于屏幕。关注这些讲座本身就是一项持续关注的任务。然而，现实课堂中存在的各种分心因素使得检验与注意力水平变化相关的大脑活动变化以及验证实验室得出的结论成为一项挑战。最近一项关于课堂小组互动的研究表明，通过评估基于小组的神经一致性，并考虑大脑与大脑的同步性，可以预测学生的课堂参与程度。为了扩展前述工作，建立一个普遍的人类注意模型，并研究现实世界中持续注意的脑电图相关性，这项研究设置了一个真实的教室作为实验环境。研究系统地探索了在没有任何特定离散环境事件或外部刺激的情况下，delta、theta、alpha和beta频段能量随时间的变化，评估大脑皮层活动(通过脑电图频段功率的变化)和视觉注意任务中的表现(反应时)之间的特定联系。研究结果可能为评估学生的警觉性和视觉注意力水平提供脑-机接口(BCI)发展的见解。18名年龄在23~27岁的健康志愿者(11名男性和7名女性)参加了这项研究。右利手，视力正常或矫正后正常，没有神经或精神疾病史。为了实现利用持续注意力进行课堂活动的最现实的方式，实验是在NCTU定期举办的讲座期间进行的。所有的被试都是参加这门课程的学生。对课程学习成绩的评估没有区分实验被试和非被试。为了在考试中取得好成绩并顺利通过这门课程，被试自然会全神贯注于对讲座材料的理解。为了评估视觉警觉性的水平，研究使用了一种专门设计的视觉目标识别测验。在讲座期间，简单几何物体(刺激)的图像以随机的时间间隔出现在屏幕上，但每分钟不超过一个刺激(平均试次间隔92±33s，每段36±10个试次)。有四种类型的刺激(三角形、正方形、圆形和星形)，在一个试次中只显示了其中一种(图1)。每个实验被试都有一部带有应用程序的智能手机，该应用程序以带图片的按钮的形式显示所有可能的选择，并在整个实验过程中保持智能手机唤醒和解锁。在每次实验之前，提示被试保持警惕，如果他们注意到刺激，就尽快按下相应的按钮，但他们在测试中的表现好坏既不会受到奖励，也不会受到惩罚，以确保这不会影响他们感知讲座材料的主要任务。在屏幕上出现刺激和按下按钮之间的时间间隔定义了反应时(RT，图2)。较长的反应时表明视觉警觉性较低，而睡意程度可能较高。在这些试次中，在刺激出现后5秒内没有收到反应或反应与刺激不匹配，被归类为遗漏，并被排除在进一步分析之外。所有设备都连接到同一个网络，并同步或协调刺激呈现、反应收集和脑电图记录。被试的刺激呈现和反应的时间戳（timestamp）被自动标记为他们各自脑电图记录中的事件标记。对被试的面部视频记录进行了人工检查，以确保长反应时确实与反应时受损有关，但与注意力分散或其他因素无关。实验课程的持续时间为50分钟(NCTU的典型大学课程)。由于现实情况的限制，收集到的所有被试的实验段数并不相同，范围在2到8(平均值5.4)之间，主要为6段。表1总结了被试的段数和有正确反应的试次的平均反应时。
图1. 视觉注意任务在真实课堂环境中的表现。实验期间进行了视频监控和脑电图记录。要求被试在视觉目标出现后尽快按下相应的按钮。
图2. 讲座期间，屏幕上出现了简单几何物体(刺激)的图像。每个被试都有一部智能手机，手机上有一个应用程序，可以用按钮和图片的形式显示所有可能的选择。紧接在刺激出现之前的两秒的脑电图记录间隔被提取作为研究脑电图功率谱中紧张性变化的时段。
使用32通道Quik-Cap记录EEG信号。按国际10-20系统放置，参考电极位于双侧乳突。阻抗降到5kΩ以下，以1000 Hz的采样率记录。使用EEGLAB进行预处理。采集的脑电数据经过1 Hz高通和50 Hz低通FIR滤波器以去除肌肉伪迹和电网噪声，然后降采样到250 Hz，以检查是否有伪迹和受噪声污染的通道信号。在对相应的脑电数据集进行质量检查后，选择了17个被试的92个实验段进行进一步分析。为了计算大脑活动中的功率变化，作者提取了紧接刺激出现之前的2s数据作为分段。将每个脑电样本以1 Hz为步长，在1~30 Hz的频率范围内进行快速傅立叶变换(FFT)，研究其频谱特性。用单因素方差分析和事后t检验比较脑电频段的平均频谱功率。分布通过了Lilliefors正态检验。使用FDR校正对所有显著性检验进行多重比较校正（统计假设检验α水平为0.05）。在实验之前，所有被试都被要求尽可能保持警觉，并尽快对视觉刺激做出反应。由于反应时不是正态分布的，且个体间差异很大，作者使用警戒状态的概念以便对数据进行组水平分析。在实验期间，被试必须对多个视觉注意事件做出反应，同时仍然要注意讲座材料，因此他们的表现往往会随着时间的推移而波动。每个被试的RTs最短的试次中有10%被认为是基线或警觉性最高的状态，在这些试次中，被试完全专注于给定的任务。这些基线的所有RTs被平均为每个个体的平均警报RTs(表1)。考虑到每个被试的个体反应能力的差异，根据视觉警觉水平对实验试次进行排序，通过除以平均警戒状态RTs来对每个个体所有实验段的反应时进行标准化。之后，所有试次被分成四个大小相等的组，由三个四分位数隔开：Q1，Q2和Q3。前25%试次 (归一化RTs<Q1)被分配给对应于最高视觉警觉性水平的组I。在归一化RTs>Q3中，有25%的试次形成了IV组，代表了课堂视觉注意任务中最差的表现。Q1和Q3之间的归一化RTs，剩余试次分布到组II和组III，由中位数或Q2分隔，其对应于平均警戒状态RT的1.45倍(图3)。
图3. 所有试次标准化后的反应时直方图和累积分布图(n=2212)。
标准化RT是无单位的，并计算每个试次。它表示RT大于相应的平均警报状态RT的次数，这是每个被试的个体。Q1=1.21、Q2=1.45和Q3=1.83值设置了四组之间的边界，其中组I对应于最高级别的视觉警觉性，而组IV包含具有最长标准化后RT的试次。
连续的EEG信号从视觉注意目标出现之前的2s开始，分段长度为2s。我们专门使用事件之前的数据，以便调查刺激前的警觉神经状态，而不会受到知觉或运动反应的任何污染。为了揭示紧张大性脑活动随警觉水平的变化，所有获得的脑电样本被分成四个独立的相等大小的组。然后使用FFT将EEG通道激活的时间进程转移到频域。由此产生的时间—频率估计包括30个频段(1-30 Hz)，步长为1 Hz，覆盖了delta(1-3 Hz)、theta(4-7 Hz)、alpha(8-14 Hz)和beta(15-30 Hz)脑电频带。表2总结了特定脑区的事后t检验结果，其中根据单因素方差分析检验到与视觉注意任务中的长反应时和短反应时相关的EEG功率之间的显著差异。随着反应时的增加，枕区、颞区和额区的EEG通道中的功率谱会发生变化。图4以脑地形图的形式显示了四个EEG频段的IV组和I组之间的功率谱的差异。与前25%的分段(I组)的平均功率谱相比，每个频段中观察到的平均功率谱变化讨论如下(图5、6)。
图4. 第IV组和第I组之间功率差异的脑地形图。使用全部EEG通道建立脑地形图，并表示(A)delta、(B)theta、(C)alpha和(D)beta频段的频谱功率变化。两组比较发现，枕区的delta和theta功率增加，额区的delta、theta和alpha功率降低，颞区和枕区的beta功率降低，并伴随着视觉注意任务中反应时的增加。
图5. 分别位于额叶、枕叶、左侧和右侧颞区的单通道(A: Fz、B: Oz、C: T3和D: T4)EEG功率谱的频率—功率彩图。彩图表示矩阵，其中列对应于根据其从左到右的标准化RTs排序的实验试次，行对应于从1到30Hz的频率，步长为1Hz。这些图被细灰色垂直线分隔成四个独立的窗口，这些垂直线代表反应时分布的Q1、中值和Q3 (图3)。左侧图的绿色曲线显示了第I组在1–30Hz范围内的平均频谱功率分布，这些分布被视为基线——彩图本身显示了第I组平均功率偏差。
图6.图显示了(A) Fz、(B) Oz、(C) T3和(D) T4 EEG通道的四个频段的平均功率变化与反应时的增加相关。误差条代表平均值的标准误差。星号括号表示在相同EEG频段内，每组与第I组进行比较的事后t检验的显著性；在FDR校正后，被拒绝的检验的p<0.05。额区的delta频段功率随反应时的增加而减小。在枕区，delta功率波动，在试次的第二个四分位组下降，但随后随着RTs的增加而开始增加。额叶和左侧颞区theta频段功率呈单一下降趋势。与IV组和I组相比，枕区theta功率增加。alpha频段的平均功率在额区和颞区波动。alpha频段功率随RT的适度增加而不变，当RT较长时降低。随着视觉注意任务中反应时的增加，在试次的最后一组，枕叶和双侧颞区的beta频段的平均基线功率与试次的第一组相比显著降低。由于在枕区观察到频谱功率的降低和增加，图7显示了伴随RT延长的beta/theta功率比的变化。
图7. 根据各自标准化RTs排序的实验试次中，Oz通道上的beta/theta波段功率比。实线线性插值10个平均值，其试次的10％为步长计算。误差条显示由十分位数分隔的子组中的标准偏差。当反应时超过平均警戒状态的1.3倍时，平均beta/theta功率比从0.75(30-40%子组，平均RT=1.3)单调稳定地下降到0.66(90-100%子组，平均RT=2.7)。
讨论
以往研究考察了基于虚拟现实的高速公路驾驶环境中脑电功率谱中与疲劳相关的紧张性变化。结果表明，随着视觉注意任务中反应时的增加，枕叶和顶叶后皮质的delta、theta和alpha频段的紧张性增加。在这项课堂研究中，在已知对视觉定向和空间定向行为起重要作用的顶叶后部区域没有发现频谱变化。这种差异可以用所执行任务的不同性质来解释:课堂活动涉及复杂的认知机制，包括识别、加工和记忆新信息，而模拟驾驶要求被试保持持续的空间注意力，判断汽车在路上的位置。
一项关于注意力和注意力缺陷的实验研究发现，在枕区记录的脑电信号的beta频段功率与视觉注意力有关，从正确反应之前beta频段功率的增加和错误反应之前的beta活动缺乏变化来判断。研究发现beta活动不仅与猴子的注意力和注意力缺陷有关，也与猫的注意力缺陷有关：在正确反应的试次中，在视觉空间分化任务的预期时间段内，beta频段的功率增加。研究表明，在视觉系统的许多丘脑和大脑皮层中心，beta频段活动可能是注意力激活的载体。根据PET对皮层网络中负责视觉感知的功能交互作用的研究，在目标视觉任务中，主要通路影响集中在枕颞区。这个课堂实验的结果显示了颞叶和枕叶的显著beta活动变化，其中beta频段功率的增加与更高的视觉注意力相关。进行这样的实验证明了在日常场景中使用EEG方法观察大脑活动中与视觉注意力相关的变化的可能性。
大脑偏侧化在大多数复杂的认知功能中起着重要作用。研究表明，半球不对称与语言加工、工作记忆、运动技能和视觉导向行为有关。研究发现约95%的右利手者表现出左半球语言优势。这项研究的结果揭示了在左半球，特别是在颞叶，在更宽的频率范围内更强烈的EEG频谱功率变化。虽然视觉注意任务中反应时的增加伴随着双侧颞区平均alpha和beta频段功率的显著下降，但是在右侧颞叶上没有观察到theta频段功率的显著差异(p = 0.070)，尽管有下降的趋势。考虑到课堂上认知负荷的复杂性，可以假设在课堂上存在与学习过程相关的偏侧化不对称皮层活动。
在一项研究中，对一组被试多次呈现短片片段所引起的神经反应进行了研究。研究提出了一种基于从多个EEG记录中提取最大相关信号成分的新的信号分解方法。近年来，在课堂上实施了被试间关联的方法，以证明刺激诱发的神经反应可以通过同步获取EEG来追踪各组学生的神经反应。这项研究的局限性在于，相当人为的电影片段呈现任务，并不能代表真实的课堂活动。然而，它证明了使用便携式无线脑电图设备在真实环境中评估与注意力相关的大脑活动的可能性，这在之前的研究中得到了证明。
基于脑电图的BCI系统利用对脑电活动的采集和分析来创建一个从大脑到计算机的新的直接输出通道。主动式脑机接口需要有意识地执行一项特殊任务来控制连接的计算机系统或通过它进行通信，而被动式或内隐的脑机接口则利用实时脑信号解码来执行认知监控，以获得关于正在进行的用户状态的信息。其中最简单的是基于某些频段中的脑电图频谱功率的估计，并且具有广泛的实现范围。例如，使用这种原理的系统已被证明在确定驾驶员的嗜睡程度和预测车辆运行中的下降表现方面是有效的。结果表明存在容易提取的特征，这些特征随着行为表现的下降而单调变化(例如枕区的beta与theta功率比，图7)。这些特征可以被认为是标记，在不同的认知状态下，如注意力或注意力不集中，它们之间存在显著的差异，这使得它们可以用于训练机器学习算法。下一步，它可以应用于求解逆问题和基于脑电信号估计反应时。这为发展系统打开了大门，可以在日常课堂场景中评估视觉警觉性的水平。
结论
这项研究的结果显示，与被试处于警觉状态的试次相比，反应时较长的试次中频谱能量发生了显著的变化。与其他视觉注意研究的结果相比较，可以确定大脑激活的相似和不同模式，这使得可以假设视觉信息加工的腹侧通路在所描述的认知任务中所起的作用。在行为表现下降之前，与任务相关的大脑区域的静息状态beta频段活动减少已被证明。这项研究证明了在高度分散注意力的真实课堂环境中执行所描述的持续视觉注意任务是可行的。这项研究的下一个建议阶段是检查精神疲劳随着时间的推移而变化对行为表现和相关认知活动的影响。研究结果可用于开发脑-机接口系统，该系统可以通过监测脑电频谱的变化来估计真实课堂环境中的视觉注意力水平和相关的嗜睡程度。
如需原文及补充材料请添加思影科技微信：siyingyxf或18983979082获取,如对思影课程及服务感兴趣也可加此微信号咨询。另思影提供免费文献下载服务，如需要也可添加此微信号入群，如果对您的研究有帮助，请给个转发支持以及右下角点击一下在看，是对思影科技莫大的支持，感谢！
欢迎浏览思影的数据处理业务及课程介绍。（请直接点击下文文字即可浏览思影科技所有的课程，欢迎添加微信号siyingyxf或18983979082进行咨询，所有课程均开放报名，报名后我们会第一时间联系，并保留已报名学员名额）：
第二十八届脑电数据处理中级班（北京，6.20-25)
第三十届脑电数据处理中级班（北京，8.5-10)
第一届任务态fMRI提高班(北京，8.25-30)
第十五届脑电数据处理入门班（重庆，7.12-17)
第十四届近红外脑功能数据处理班（重庆，8.14-19)
第十二届近红外脑功能数据处理班（上海，6.15-20)
第二十九届脑电数据处理中级班（上海，7.16-21)
第十七届脑电数据处理入门班（上海，8.1-6)
第四十三届磁共振脑影像基础班（南京，7.1-6)
第二十二届磁共振脑网络数据处理班（7.16-21)
第九届磁共振ASL数据处理班（南京，8.5-8）
北京：
第十四届磁共振脑影像结构班（北京，7.10-15)
第四十四届磁共振脑影像基础班（北京，7.29-8.3）
第十九届DTI数据处理班(北京，8.19-24)
第十六届脑影像机器学习班（上海，7.23-28)
第十八届DTI数据处理班（上海，7.2-7)
第十届任务态功能磁共振数据处理班（上海，8.12-17)
第二十一届脑网络数据处理班(上海，8.20-25)
数据处理业务介绍：
思影科技近红外脑功能数据处理服务
