听觉失匹配负波在模拟飞行多任务不同脑力负荷下的变化研究

李文斌, 康 阳, 任泽胜, 史克东, 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;3.空军军医大学基础医学院学员二大队, 西安 710032)

1 引言

现代飞行活动中,飞行员驾驶飞机的同时,还要时时注意飞机的高度表、空速表、垂直速率表、姿态仪、航向指示表等各种仪表信息。另外,在特殊情况下,还要根据各种信息在短时间内处置突发情况。这类飞行活动可以视为一个由多个子任务组成的多任务处理过程,由于接受的信息数量多和可用于信息处理的时间短,飞行员面临较高脑力负荷[1]。人的信息处理资源由多个维度组成,在信息处理过程中会在维度中进行资源的选择和分配,当同时处理多个任务发生资源竞争而导致资源相对不足时,任务绩效明显下降[2]。因此,进行多任务脑力负荷研究对于优化飞行绩效和保障飞行安全具有重要的现实意义。

目前尚没有特异性的生理指标来测量脑力负荷,但脑电(Electroencephalogram, EEG)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敏感[3]。EEG是很多神经来源的混合活动,在施加特定的刺激后,通过对刺激前后一段时间内的EEG 进行平均叠加,可得到事件相关电位(Event Related Potential, ERP)。不同于EEG 的自发节律,ERP 是一种诱发电位,代表了大脑对特定感觉、运动和认知事件做出的神经反应[4]。

失匹配负波(Mismatch Negativity, MMN)是反映脑力负荷变化的ERP 成分之一,MMN 是指在持续重复的相同刺激下,因偶然出现的不匹配刺激所诱发的一种脑电电位波形。MMN 的产生是一个内源性的认知过程,反映了大脑皮层基于感觉记忆对刺激变化的察觉和前注意的水平[5]。前注意是注意加工过程的早期阶段,反映了大脑对外界信息的自动化加工。因此,MMN 通过反映前注意水平来评估脑力负荷的变化。Zhang 等[6]在一项视觉追踪任务中发现,MMN 的波幅随着脑力负荷的增加而增加。但Takegata 等[7]研究发现,在工作记忆任务中,脑力负荷的变化对于听觉MMN 的波幅无差异性影响。还有研究发现任务负荷的增加会导致MMN 的波幅降低[8]。可见,上述研究所得到的结论并不一致,且上述实验模型与飞行员在实际飞行中的多任务过程存在较大的差异。另外,飞行员在飞行过程中,可以熟练地完成掌握飞行姿态、观察空域和飞行仪表、控制飞行速度与飞行高度等多项任务,这与大脑对部分信息能够做到自发性意识加工有关[9]。因此,MMN 反映飞行多任务脑力负荷的变化具有理论依据。在模拟飞行的研究中,研究人员通过设定监视任务中目标信息的数量来控制脑力负荷水平,研究发现模拟飞行多任务脑力负荷对MMN影响显著[10]。然而,这一结果并不能反映多任务中子任务各自的效果,因为不同的子任务有不同的神经认知需求[11]。

因此,为了研究特定子任务对脑力负荷的影响,本文通过控制子任务的数量来建立脑力负荷梯度。以模拟飞行为任务模型,比较在低、中、高三级脑力负荷下的MMN,并探讨MMN 在不同脑力负荷下的变化机理,为基于前注意水平评估飞行员脑力负荷提供实验依据。

2 方法

2.1 受试者

24 名在校本科生,男性,年龄(21.29±0.69)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80.24±20.96 和5.92±3.91),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。所有参与者在实验前对实验内容知情同意。

2.2 实验任务模型

实验任务模型是模拟飞行中的多任务模型,该任务包含4 项子任务:目标追踪任务、仪表监视任务、光点计数任务、数字反应任务。多任务程序在电脑上运行。目标追踪任务要求受试者通过操纵杆控制圆形光标来持续追踪移动的目标;仪表监视任务要求受试者监视4 个仪表并在仪表指针达到警戒区域时及时做出反应;光点计数任务要求受试者快速数出不定期出现的光点数目,并按下相应按键;数字反应任务要求受试者按下与屏幕呈现数字相同的数字键来做出反应。4 项子任务分别抽象地模拟飞行操纵、仪表监视、突发事件处理和剩余能力。目标追踪任务、仪表监视任务和光点计数任务均是主任务,需要受试者投入主要的精力并优先完成。数字反应任务是次任务,需要受试者在先完成主任务的前提下利用剩余的精力来完成。该任务模型已被用于飞行脑力负荷和飞行疲劳的研究[12-13]。

2.3 实验量表及设备

脑力负荷主观评价采用NASA 任务负荷指数(National Aeronautics and Space Administration-Task Load Index, NASA-TLX)量表[14],该量表包含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)。

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。电极的阻抗小于5 kΩ。

2.4 实验过程

主试者讲解并演示实验任务,根据前期实验研究[13],受试者进行10 min 的练习以降低学习效应的影响。练习结束后给受试者佩戴电极帽,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 Electro oculogram, HEOG)和垂直眼电(Vertical Electro oculogram, VEOG)。接地电极位于AFz电极位置。

受试者保持静息状态1 min 后开始多任务处操作。每名受试者需要依次完成3 种脑力负荷的多任务。低脑力负荷多任务要求受试者同时完成目标追踪和数字反应2 项子任务。中脑力负荷多任务要求受试者同时完成除光点计数任务外的其他3 项子任务。高脑力负荷多任务要求受试者同时完成4 项子任务。每项任务持续180 s,为避免任务顺序带来的影响,任务顺序在受试者间平衡(3 种任务共形成6 种顺序,6 种顺序各有4 名受试者)。

在每个多任务过程中,通过耳机双耳呈现Oddball 范式下的听觉刺激。听觉刺激包括标准刺激和偏差刺激。标准刺激的频率为1000 Hz,呈现概率为80%。偏差刺激的频率为600 Hz,呈现概率为20%。刺激的呈现时间为50 ms,刺激强度为80 dB SPL,刺激间隔为500 ms。要求受试者在任务过程中忽略听觉刺激。在完成每一项多任务后,受试者填写NASA-TLX 量表,并休息1 min。在完成最后一项多任务后,实验结束。

2.5 EEG 信号处理

脑电信号采样频率为1024 Hz,采用0.1 ～100 Hz 的带通滤波器进行滤波。采用 Scan 4.3软件分析 EEG 数据。通过预览去除漂移明显的数据,然后去除HEOG 和VEOG 对EEG 信号的影响。采用有限脉冲响应低通数字滤波器(无相移,截止频率为30 Hz,衰减斜率为12 dB/oct)进行滤波,采用平均参考的方法进行重参考。以听觉刺激呈现前100 ms 到呈现后400 ms 将滤波后的数据进行分段。将波幅超过±100 μV 视为伪迹并予以剔除。将听觉刺激前100 ms 视为基线。在每个时间段中,通过减去基线的平均振幅来消除基线偏移。然后,根据刺激类型进行叠加平均,分别得到标准刺激和偏差刺激的ERP。最后,在各导联上用偏差刺激的ERP 减去标准刺激的ERP 可得到由声音频率变化所引发的MMN。由于MMN 为负向波形,因此提取MMN 波形中绝对值最大的负向波幅值为MMN 峰值。

2.6 统计学分析

采用SPSS26.0 软件进行统计分析,采用单因素重复测量的ANOVA 检验不同脑力负荷对NASA-TLX 评分、任务绩效以及MMN 的影响是否具有统计学意义,P＜ 0.05 认为差异具有统计学意义。多重比较采用Bonferroni 校正。

3 结果

3.1 NASA-TLX 评分

图1(a)显示了3 项多任务的NASA-TLX 评分。不同负荷对NASA-TLX 评分有影响,不同多任务的NASA-TLX 评分不同(F= 29.75,P＜0.05)。NASA-TLX 评分随着脑力负荷增加而增加,高负荷的NASA-TLX 得分最高(多重比较采用Bonferroni 校正,P＜ 0.016)。图1(b)显示了3项多任务NASA-TLX 每个维度的得分。脑力负荷对脑力需求得分(F= 12.32,P＜ 0.05)、时间需求得分(F= 12.00,P＜ 0.05)和努力水平得分有影响(F= 5.00,P＜ 0.05)。脑力需求得分随着脑力负荷增加而增加(多重比较采用Bonferroni校正,P＜ 0.016)。高负荷的时间需求得分分别高于低负荷和中负荷的时间需求得分(多重比较采用Bonferroni 校正,P＜ 0.016)。而脑力负荷对体力需求得分(F= 0.90,P＞ 0.05)、挫折水平得分(F= 3.44,P＞ 0.05)和自我绩效得分(F= 0.45,P＞ 0.05)未见统计学差异。

图1 3 种脑力负荷多任务的NASA-TLX 评分Fig.1 Scores of NASA-TLX in three mental workload multitasks

3.2 任务绩效

3 项多任务的绩效如表1 所示。3 项多任务的平均追踪距离(F= 8.23,P＜ 0.05)和数字反应次数(F= 150.26,P＜ 0.05)具有统计学差异。高负荷的追踪距离大于低负荷的追踪距离(多重比较采用Bonferroni 校正,P＜ 0.016)。数字反应次数随着脑力负荷的增加逐渐减少(多重比较采用Bonferroni校正,P＜ 0.016)。仪表监视任务的反应时间在中负荷多任务和高负荷多任务之间无统计学差异(F=3.15,P＞ 0.05)。在高负荷多任务中,光点计数任务的平均反应时间是(12.66 ± 4.22)s。

表1 3 种脑力负荷多任务的绩效( x- ±s, n = 24)Table 1 Behavioral performance in three mental workload multitasks( x- ±s, n = 24)

3.3 MMN

图2 显示了MMN 在100 ～250 ms 之间的电压地形分布图,图中显示为额中央优势。提取额中央电极(Fz、FCz、Cz)处MMN 的平均波形,如图3 显示。3 处电极MMN 波形的峰值均位于150 ～200 ms 之间。

图2 3 种脑力负荷多任务MMN 的地形分布图Fig.2 Scalp topographic distributions of the MMN in three mental workload multitasks

图3 3 种脑力负荷多任务MMN 的平均波形Fig.3 Grand-mean waves of the MMN in three mental workload multitasks

3 种脑力负荷下Fz、FCz、Cz 电极的MMN 峰值潜伏期和150～200 ms 的平均波幅如表2 所示。不同脑力负荷下的Fz(F= 7.64,P＜ 0.05)、FCz(F= 6.47,P＜ 0.05)、Cz(F= 4.94,P＜0.05)电极处MMN 的平均波幅有统计学差异。事后检验表明,高负荷任务MMN 的平均波幅比低负荷任务MMN 的平均波幅更大(多重比较采用Bonferroni 校正,P＜ 0.016)。不同脑力负荷下的Fz(F= 0.14,P＞ 0.05)、FCz(F= 0.09,P＞0.05)、Cz(F= 0.10,P＞ 0.05)电极处MMN 的峰值潜伏期无统计学差异。

表2 3 种脑力负荷多任务MMN 的峰值潜伏期和平均波幅(ˉx±s, n = 24)Table 2 Peak latencies and amplitudes of the MMN in three mental workload multitasks(ˉx±s, n = 24)

4 讨论

本文通过控制多任务中子任务的数量来设置脑力负荷梯度。随着子任务数量的增加,NASATLX 评分升高而任务绩效降低,说明脑力负荷梯度设置成功。NASA-TLX 评分的差异体现在脑力需求和时间需求上,说明模拟飞行多任务的高脑力负荷主要体现在认知需求上和时间压力上。

脑力负荷对任务绩效的影响表现为除仪表监视任务绩效外其他任务绩效随着脑力负荷的升高而变差。多任务的绩效变差的机制可能来源于两方面:一方面多任务处理过程中较高的脑力负荷会导致执行并发任务的剩余资源减少,由于认知需求超过操作者的认知资源,从而引发绩效降低;另一方面,作业人员在任务之间频繁的转换需要不停地重新分配脑力资源,任务转换需要付出一定的转换成本,这种成本反映在任务转换所消耗的时间上[15]。而仪表监视任务的绩效未受脑力负荷影响的原因可能是由于资源分配策略造成[16],即受试者在多任务中可能优先完成了仪表监视任务再去完成光点计数任务。

大脑对信息的加工包括自动化加工和控制性加工2 种方式。自动化加工是快速和平行地,而控制性加工是缓慢和连续地,在作业人员经过很充分练习后的任务中,注意的加工常为自动化[17]。大脑的这种自发性意识加工属于不受意识控制的加工,而人行为的自动化即是大脑对信息自动加工的结果。作为一种生理失匹配自动信息加工的反映,MMN 的产生来源于大脑的记忆痕迹[18]。在重复的标准刺激下,大脑形成了记忆痕迹,输入的刺激会与这个记忆痕迹比较,当出现偏差刺激时,则出现MMN。虽然MMN 的产生是大脑的自动过程,反映了前注意的过程和大脑对信息的自动化加工,但是与控制性加工有关的注意力变化可影响MMN 的波幅[19]。脑力负荷与信息加工过程密不可分,并且注意力资源在信息加工过程中起着重要的作用,脑力负荷可通过影响注意从而影响MMN[10]。

本文MMN 的波幅随着任务负荷的增加而升高,这符合选择性注意和认知负荷控制理论[20]。该理论认为认知负荷的增加,会消耗作业人员的信息处理资源,从而导致主动抑制干扰信息的能力降低,进而使干扰信息得到了进一步加工处理。高效的工作记忆依赖于自上而下通过额叶神经机制抑制无关信息[21]。因此,MMN 波幅的增加可能反映了自上而下对无关信息处理抑制的减弱。听觉处理的增强还可能源于有限的共享多模态注意力资源的释放或注意力传播的增加。当视觉认知负荷增加时,共享的多模态注意力资源被释放或传播到包括听觉系统在内的其他模态,导致听觉信息处理增加。因此,视觉负荷的增加可导致听觉诱发电位的增加[22]。在本文研究中,任务负荷的增加并未影响MMN 的潜伏期,这与Zhang等[6]的研究结果一致。潜伏期可反映信息处理的速度[9],因此脑力负荷的增加虽然可导致干扰信息处理的增加,但对干扰信息处理的速度影响较小。

然而,脑力负荷研究中也存在MMN 波幅未受到脑力负荷影响的现象,可能是由于刺激并非连续的或者高低负荷没有拉开差距[7]。为消除这种影响,Sculthorpe 等[23]采用连续刺激的多目标追踪任务作为任务模型,并且将高低负荷任务难度差距拉大,在困难任务中MMN 的波幅有增高的趋势但差异不明显。其原因可能是听觉刺激的诱发范式与本研究不同,其偏差刺激是与标准刺激相同频率的一个短间隔重复音,而本文的偏差刺激是与标准刺激频率不同的音调。Muller-Gass 等[24]发现声音强度变化引起的MMN 未受到脑力负荷的影响,而声音频率变化引起的MMN随着任务负荷的增加而增加,因此不同诱发范式下的MMN 对脑力负荷的敏感性存在差异。

另外,Yucel 等[8]研究发现,MMN 波幅随着任务负荷增加而降低,并认为其结果符合知觉负载理论[25]。不同于认知负荷控制理论,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,进而降低了干扰信息对任务的干扰作用。根据Wickens 的信息加工模型[26],人的信息处理包含感觉、知觉、反应的选择和反应的执行4 个阶段,并且信息的最终执行依靠工作记忆功能。当脑力负荷主要涉及感知过程时,视觉感知可能与跨模态的听觉感知产生竞争,导致MMN波幅降低。但是,在本文研究中,脑力负荷并非全部来源于知觉阶段,更主要的是来源于多任务之间的注意力切换及工作记忆。当脑力负荷主要涉及到工作记忆执行功能时,增加的任务负荷会降低抑制干扰信息的能力,导致MMN 波幅升高[27]。

5 结论

脑力负荷可影响MMN 的波幅,并且脑力负荷性质的不同会对MMN 产生不同的影响。当脑力负荷主要来源于知觉负荷时,MMN 波幅会随着脑力负荷的增加而降低,但当脑力负荷主要来源于依赖工作记忆功能的认知负荷时,MMN 波幅随着脑力负荷的增加而升高;并且模拟飞行多任务的脑力负荷主要体现在认知负荷上,随着脑力负荷的增加,MMN 波幅升高。另外,视觉刺激的连续性和听觉刺激的诱发范式都可对MMN 产生一定的影响,并且在信息加工过程中,知觉和认知是紧密相连的,任务负荷的性质很难明确区分,因此MMN 用于脑力负荷的测量还需要进一步的研究。