基于脑电微状态分析的模拟飞行多任务脑力负荷敏感性研究

李文斌， 康 阳， 谢小萍， 常耀明*

(1.空军军医大学航空航天医学系， 西安 710032； 2.解放军 71901 部队， 聊城 252000)

1 引言

飞行员在飞行过程中需要掌握飞行姿态，观察空域和飞行仪表，控制飞行速度与飞行高度，还需要及时应对突发的事件。 飞行活动可以视为多任务处理过程，这种多任务处理会导致飞行员面临过高的脑力负荷，影响飞行绩效甚至威胁飞行安全。 因此，进行多任务脑力负荷研究，并筛选对多任务脑力负荷敏感而可靠的指标具有重要的现实意义。

作业人员的主观感受、生理变化以及完成任务的绩效可以间接反映脑力负荷的大小。 脑力负荷的评估方法可分为3 类:主观评估法、绩效评估法和生理评估法。 生理评估法具有客观性和连续性的优点，在国内外的脑力负荷评估研究中得到了更多的关注。 在生理测量法中，尽管尚无特异性的生理指标评估脑力负荷，但脑电测量作为中枢神经系统生理测量的一种，具有很高的时间分辨率，并表现出对脑力负荷变化的敏感性，被认为是金标准。

脑电图在不同的时间内表现出半稳定性和不连续性。 一种地形图在快速过渡到另一种地形图之前保持稳定，这些离散的地形图稳定时期被称为微状态。 多通道脑电记录头皮电位的全局模式会随时间动态变化，并可通过模式识别的方法被分解成相互独立的电压分布状态，这些瞬时电压分布状态即为脑电微状态。 脑电微状态与大规模神经网络相关，可用来衡量大规模脑网络的运行情况，而不仅仅是大脑特定区域功能的改变。Michel 等使用k-mean 聚类方法并通过交叉验证标准确定最佳地图数为4 个，Khanna 等将这些地图标记为A、B、C 和D 类，后续研究根据与原始聚类地图的空间相似性保留此分类，并且这4类地形图在不同年龄范围、觉醒状态和病理状态的研究中保持一致。 脑电微状态是大脑全局功能状态的瞬时表征，可以反映全局脑网络激活的变化，是认知和心理功能的真实标记，可通过任务需求和功能状态来调节。

不同的认知任务均可以导致脑电微状态的参数的改变。 Seitzman 等发现在睁眼和闭眼状态下，连续减法任务对脑电图微状态时间特性产生影响。 D’Croz-Baron 等在听视觉刺激及辨认任务对微状态变化的研究中发现视觉刺激的增加可引起微状态参数的变化。 Zappasodi 等探索了反映不同认知能力(归纳、空间关系、空间图像)的认知任务对脑电微状态的影响，并且使用基于微状态参数的多元分类分析对认知任务实现预测分类。 在航空工效学领域，脑电微状态分析方法可用来评价飞行活动的脑力负荷。

本文以模拟飞行为任务模型，比较在低脑力负荷和高脑力负荷下4 类脑电微状态参数变化，并探讨脑电微状态参数在不同脑力负荷下的变化机制，为基于全局脑网络评估飞行员脑力负荷提供新的思路。

2 方法

2.1 受试者

12 名在校本科生，男性，年龄(21.08±0.79)岁。均为右利手(爱丁堡利手问卷结果一侧商数和十分位数分别为79.03±19.87 和5.50 ± 3.80)，视力或矫正视力及听力正常，既往无神经精神疾病史及近期用药史。

2.2 任务模型

实验任务模型是模拟飞行中的多任务模型，该模型已被用于脑力负荷和飞行疲劳的研究，任务包含4 项子任务:飞行目标追踪任务，仪表监视任务，突发事件处理任务和剩余能力任务。 其中，剩余能力任务为次任务，其余3 项为主任务。多任务程序在电脑上运行，任务界面见图1，界面中间为飞行目标追踪任务区域，下方为仪表监视任务区域，左侧为突发事件处理任务区域，右侧为剩余能力任务区域。

图1 多任务模型界面Fig.1 Interface of the multitask model

1)飞行目标追踪任务。 在飞行目标追踪任务区域有一个飞机形状的移动目标，要求受试者通过右手操纵杆控制的圆形光标来持续追踪飞机目标，应尽量使圆形光标与目标重合。 任务的绩效包括平均追踪距离和告警次数。 追踪距离指的是圆形光标与目标之间的距离，当距离大于30 mm时，程序会记录一次告警并发出告警声。

2)仪表监视任务。 在仪表监视任务区域有4个圆形仪表盘，每个仪表各有一红色区域为警戒区域，每个仪表的警戒区域位置各不相同。 任务开始时，各仪表的指针从最底端开始以不同的速度顺时针升高。 当指针到警戒区域时，要求受试者做出按键反应。 反应后指针立即回落，并重新开始顺时针升高。 若受试者未能及时做出反应，指针继续上升直至过了警戒区域后自动回落，并重新开始顺时针升高。

3)突发事件处理任务。 在任务过程中，突发事件处理任务区域会不定时地出现多个红色圆点，数量为10～20 的随机数。 要求受试者数出红点的数量并按下数字的个位数按键。 红色圆点会在受试者做出正确反应后消失，然后下一组红色圆点将会出现。 若受试者未及时做出正确反应，红色圆点出现30 s 后自动消失，然后出现下一组红色圆点。

4)剩余能力任务。 任务过程中，在剩余能力任务区域会一直有1 个数字。 任务要求受试者优先完成主任务的基础上，通过按下相同的数字键来做出反应。 数字会在受试者做出正确反应后消失，随即出现下一个数字。 若受试者不做出反应或未做出正确反应，当前数字一直存在直至任务结束。

2.3 实验工具及设备

NASA 任务负荷指数(NASA-TLX)量表是NASA 于1988 年开发，包含6 个维度:脑力需求(Mental Demand， MD)、体力需求(Physical Demand， PD)、时间需求(Temporal Demand， TD)、努 力 水 平( Effort Level， EF)、 挫 折 水 平(Frustration Level， FR)以及自我绩效(Own Performance， OP)。 NASA-TLX 量表是最常用的脑力负荷主观评价量表之一，从6 个维度反映脑力负荷，可以诊断脑力负荷的来源。

脑电记录系统采用美国NeuroScan 公司32导电极帽及NuAmps 脑电放大器记录原始脑电信号，NuAmps 采样频率1024 Hz，带通滤波为0.1 ～100 Hz。 电极位置参照国际标准10－20 系统，以双侧乳突作为参考电极，同时记录水平眼电(Horizontal Electrooculogram， HEOG)和垂直眼电(Vertical Electrooculogram， VEOG)。 电极的阻抗小于5 kΩ。

2.4 实验过程

正式实验前，向受试者介绍整个实验内容，受试者阅读并签署知情同意书；受试者阅读爱丁堡利手问卷说明并填写问卷；进行多任务操作的训练，练习时间约为10 min。 软件会记录正确的操作方法，如有错误则记录无效。 练习中，观察受试者的操作，并查看训练时的任务记录中没有无效记录，以确保其掌握多任务的操作方法。

实验开始，受试者保持静息状态1 min 后开始多任务的操作。 受试者需要完成低负荷任务和高负荷任务。 低负荷任务要求受试者同时完成飞行目标追踪任务和剩余能力任务，高负荷任务要求受试者同时完成飞行目标追踪任务、仪表监视任务、突发事件处理任务和剩余能力任务4 项子任务。 每一项多任务持续180 s，且任务顺序在受试者中进行平衡，即先进行高负荷任务和先进行低负荷任务的受试者人数相同。 每项多任务完成后，受试者填写NASA-TLX量表，并静息1 min。

2.5 EEG 信号处理

使用脑电图分析软件EeglabR13 和Matlab R2013b 进行预处理。 将脑电数据降低采样率为250 Hz，采用非因果二阶巴特沃斯滤波器进行1 ～40 Hz 带通滤波，并将脑电数据2 s 一段分割。

采用基于信息最大化的独立成分分析(Independent Component Analysis， ICA)检测和剔除波形和地形图中与其他人工活动(眼动、肌电、心电)相关的成分。 然后使用三维球面曲线法插值坏导，采用平均参考的方法进行重参考。 最后，对数据进行目视检查，标记并剔除有残留伪迹的时段以进行后续分析。

借助Eeglab 的Microstates 0.3 插件，对预处理完的数据进行脑电图微状态分析。 采用2 ～20 Hz带通滤波以进一步减少脑电原始数据中的伪迹。 计算全局解释方差(Global Field Power，GFP)，沿着时刻点从GFP 峰处抽取地形图并进行聚类分析，并且忽略地形图的极性。 聚类分析方法选用原子化与凝聚层次聚类(Atomize and Agglomerate Hierarchical Clustering， AAHC)算法，推导出能最大程度解释GFP 峰处地形图的4 类地形图，即个体水平的脑电微状态。 然后将每名受试者的4 类地形图进行聚类得到组平均水平地形图类别，即组水平脑电微状态(A，B，C，D)。 把所有受试者脑电信号在每个时间点处的地形图与4 类组水平脑电微状态进行空间相关性比较，根据Pearson 相关性的最大绝对值匹配4 个微状态中的1 个，从而将脑电信号解析成了4 种微状态交替出现的时间序列。 将提取出的4 类微状态匹配到每名受试者的脑电信号后，分别计算出2 种脑力负荷下微状态时间序列的4 个参数。 ①平均持续时间:每种微状态在出现时保持稳定的平均时间长度；②频率:每种微状态每秒出现的次数；③覆盖率:每种微状态占记录总时间的比例；④转换概率:从一种微状态转换成另一种微状态的概率。

2.6 统计学分析

采用SPSS 26.0 软件进行统计分析，采用单因素重复测量的ANOVA，对受试者内脑力负荷因素进行分析，检验不同脑力负荷对NASA-TLX 评分、任务绩效以及脑电微状态参数的影响是否具有统计学意义。＜0.05 认为差异具有统计学意义。

3 结果

3.1 NASA-TLX 评分

图2(a)显示高低负荷多任务的NASA-TLX评分。 不同脑力负荷对NASA-TLX 评分有影响，NASA-TLX 评分随着脑力负荷增加而增加(＝10.07，＜0.001)。 图2(b)显示了两项多任务NASA-TLX 每个维度的得分。 脑力负荷对脑力需求得分(＝5.94，＜0.05)和时间需求得分有影响(＝7.17，＜0.05)。 脑力需求得分和时间需求得分随着脑力负荷增加而增加。 而脑力负荷对体力需求得分(＝0.98，＞0.05)、努力水平得分(＝0.74，＞0.05)、挫折水平得分(＝1.20，＞0.05)和自我绩效得分(＝0.10，＞0.05)未见统计学差异。

图2 高低负荷多任务的NASA-TLX 评分Fig. 2 Scores of NASA-TLX in high and low load multitasks

3.2 任务绩效

高低负荷多任务的绩效如表1 所示。 两项多任务的平均追踪距离(＝9.01，＜0.01)和告警次数(＝8.69，＜0.01)有统计学差异。 随着脑力负荷的增加，平均追踪距离和告警次数增加。 剩余能力任务的数字反应次数在不同的任务中有统计学差异(＝23.04，＜0.001)。

表1 高低负荷多任务的绩效( ±s，n ＝12)Table 1 Behavioral performance in high and low load multitasks( ±s，n ＝12)

3.3 脑电微状态参数

图3(a)显示了高低负荷多任务的4 类脑电微状态，低负荷任务的4 类脑电微状态解释比例(Global Explained Variance， GEV)为73.43%，高负荷任务的4 类脑电微状态GEV 为72.76%。 图3(b)显示了2 项多任务4 类微状态的平均持续时间，2 项多任务微状态A(＝4.38，＜0.05)和微状态C 的持续时间(＝7.01，＜0.05)随着脑力负荷的增加持续时间显著降低。 图3(c)显示了2 项多任务4 类微状态的频率，2 项多任务微状态D 的频率(＝5.66，＜0.05)随着脑力负荷的增加而显著增加。 图3(d)显示了2 项多任务4 类微状态的覆盖率，2 项多任务微状态C(＝ 5.21，＜0.05)和微状态D 的覆盖率(＝5.87，＜0.05)随脑力负荷的增加，微状态C 覆盖率降低而微状态D 覆盖率增加。

图3 高低负荷多任务的4 类微状态的持续时间、频率及覆盖率Fig.3 Duration， occurrence and coverage of four microstates in high and low load multitasks

图4 显示了2 项多任务的4 类脑电微状态之间互相转移的转移概率。 微状态A 向其他3 类微状态转移的概率如图4(a)所示，随着脑力负荷的增加，微状态A 向微状态C 的转移概率显著降低(＝10.58，＜0.01)。 微状态B 向其他3类微状态转移的概率如图4(b)所示，随着脑力负荷的增加，微状态B 向微状态D 的转移概率增加(＝7.13，＜0.05)。 微状态C 向其他3 类微状态转移的概率如图4(c)所示，随着脑力负荷的增加，微状态C 向微状态A 的转移概率显著降低(＝10.46，＜0.01)。 微状态D 向其他3 类微状态转移的概率如图4(d)所示，随着脑力负荷的增加，微状态D 向微状态B 的转移概率显著增加(＝9.96，＜0.01)。

图4 高低负荷多任务的4 类微状态之间的转移概率Fig.4 Transition probability between four microstates in high and low load multitasks

4 讨论

4.1 NASA-TLX 评分

随着脑力负荷的增加，NASA-TLX 得分增加，说明通过改变多任务中子任务的数量可有效设置脑力负荷梯度。 在本文中，不同多任务的NASATLX 得分的差异体现在脑力需求和时间需求上。这说明多任务的高脑力负荷不仅体现在认知需求上，还体现在随着信息负荷增加而产生的时间压力上，这不同于由操作难度或工作记忆难度所造成的脑力负荷。 本文随着脑力负荷的增加，受试者的主观努力并没有变化，这与其他任务模型的研究结果不同。 这可能是因为在本实验中，受试者在优先完成主任务的前提下，将剩余的脑力资源全部用于完成次任务。

4.2 任务绩效

与低负荷任务相比，高负荷任务的飞行目标追踪任务绩效变差，表现为平均追踪距离增大和告警次数增加。 这表明仪表监视任务和突发事件处理任务的出现影响了追踪任务的绩效。 这2 项子任务在操作上并不会对追踪任务产生干扰，但是其出现会占用受试者更多的注意力资源。Wickens根据任务过程中信息加工的资源需求，建立了一个四维的多资源模型:区分知觉和反应的阶段维度、区分视觉和听觉的通道维度、区分空间和语言的编码维度以及区分焦点和外周的视觉通道维度。 在多任务信息处理时，人的信息处理系统会自动在维度中进行资源的选择和分类。当不同任务需要的资源是同一维度的同一类，则表现出资源竞争性，从而导致任务互相干扰。 因此，在本研究中，高负荷任务中由于资源竞争导致用于追踪任务的资源减少，从而使追踪任务绩效下降。

剩余能力任务的绩效也表现出相同的结果。在实验中，要求受试者在优先完成主任务的前提下用剩余的注意力资源来完成剩余能力任务。 剩余能力被假设为一种未分类的并可用于所有任务的能力，是完成主任务时未用到的能力。 随着脑力负荷的增加，任务所消耗的信息处理资源增加，则剩余的信息处理资源即剩余能力降低，从而导致次任务绩效降低。 任务绩效的变化与Puma等研究结果具有一致性，该研究用于筛选飞行学员的有限管理任务模型，通过增加子任务数量设置4 级脑力负荷梯度，研究发现随着脑力负荷梯度增加，任务绩效逐渐下降。

4.3 脑电微状态

头皮电位场反映了全局神经元活动的瞬时状态，而该区域地形的变化表明全局神经元协调活动随时间的变化，地形图空间结构的不同反映着不同神经元的激活。 脑电微观状态分析的先验假设是在每一时刻只有一个空间地形图完全定义了大脑的全局状态，并且这一假设被一系列的论据证明是正确的。 研究表明使用聚类方法，并通过交叉验证标准确定最佳聚类数为4 个，这4 类微状态被标记为A、B、C 和D 类，这4 个聚类图GEV 为79%。 本文中低负荷任务的4 类脑电微状态GEV 为73.43%，高负荷任务的4 类脑电微状态GEV 为72.76%，GEV 结果较为一致。 且每个微状态都有一个特定的大脑功能系统，以及这些系统和特定的认知功能之间存在联系。

通过脑源分析研究脑电微状态与功能系统的关系，发现微观状态A 与听觉网络和语音处理有关，而微观状态B 与视觉静止状态网络有关，反映了视觉意象型活动。 本文中，微状态A 的持续时间下降，这与Milz 等的研究结果并不一致，其研究结果显示可视化想象任务可导致微状态A 的持续时间增加。 原因可能与知觉负载有关，知觉负载理论认为高知觉负荷会消耗作业人员大量的信息处理能力，从而使没有足够的信息处理能力来感知干扰信息。 在本文中，需要听觉网络处理的信息只有追踪任务的告警声音，属于一种无关刺激，高负荷任务需要同时处理4 项子任务，过高的知觉负荷使得被用来感知告警声音的资源减少，从而导致了微状态A 的持续时间降低。 微状态C 与认知控制网络的活动有关，反映了默认模式网络的一部分，默认模式网络是一个任务负性网络，在认知任务的执行过程中活动减少，而在注意力降低的状态增加。 因此，在本文中微状态C 的时间参数，如持续时间、覆盖率，随着脑力负荷的增加而降低。 微观状态D 与背侧注意网络相关，可以反映注意力、焦点转换和重新定位的反射性。 本文脑力负荷升高导致微状态D 的频率和覆盖率增加，说明在高负荷状态下，更多的注意力资源被调动，从而导致微状态D 的时间参数增加。 本文微状态C 时间参数降低与微状态D 时间参数升高，这与心算任务、推理任务等认知任务对微状态变化的研究一致。高负荷任务下，需要处理的视觉信息和投入的注意力资源增加，从而导致了微状态B 和微状态D之间的转移概率增加。 而高负荷导致的知觉负载增大会使作为无关刺激的听觉信息处理减少，引起微状态A 和微状态C 之间的转移概率降低。

4.4 任务模型

飞行活动多任务模拟是飞行员脑力负荷实验研究的难题之一，采用实际模拟飞行任务，存在明显学习效应，而采用经典心理学任务又与飞行作业差异较大。 为此，Sun 等和李文斌等也用自主设计的飞行活动多任务模型进行了相关研究。 该任务模型可抽象模拟飞行控制、仪表监视、突发事件处理和剩余能力，不仅与飞行过程飞行操纵、多信息处理等特点具有相似性，而且最大限度地降低学习效应的影响。 由于其特点的相似性和易开展广泛研究的特性，该任务模型具有一定的应用价值，也为实际应用到飞行员多任务脑力负荷测量提供参考。 当然，此任务模型并不能完全模拟飞行环境，研究结果应该在更真实的场景中得到验证，比如飞行模拟器。

5 结论

本文通过控制子任务的数量设置高、低2 级脑力负荷的模拟飞行多任务，比较不同脑力负荷下主观评分、任务绩效以及4 类经典脑电微状态参数的变化。 在高脑力负荷下，主观评分升高，任务绩效降低，并且高脑力负荷可导致微状态B 和微状态D 的时间参数增加而微状态A 和微状态C 的时间参数降低。 微状态参数的变化可用来评估脑力负荷，为利用大脑全局功能状态评估脑力负荷提供了数据支持，脑电微状态参数与其他生理参数在脑力负荷评估中的对比值得进一步研究。