基于动作类电子游戏不同水平人群的脑电beta节律频数分析法

刘晓波 赵铃铃 李 毅 宫殿坤 尧德中 董 立

(电子科技大学生命科学与技术学院，成都 610054)

引言

随着电子技术的不断发展，动作类电子游戏(action video game，AVG)已成为人们日常生活中一种重要的娱乐和休闲方式[1]。动作类电子游戏包含丰富拟真虚拟刺激，需要玩家高度整合多种认知功能来应对游戏过程中复杂的变化和挑战。近年的研究表明，动作类电子游戏能够对玩家的选择性注意等认知功能产生影响。例如，Green 等[2]通过行为实验发现游戏玩家相比于非游戏玩家具有更好的选择性注意能力，Bavelier 等[3]使用脑成像技术发现，非游戏玩家的额顶叶网络活动较多，而游戏玩家的额顶叶网络活动减少，这可能是由于游戏玩家会自动分配注意力资源，以提高过滤无关信息的效率。另有研究发现，随着记忆负荷的增加，非游戏玩家与注意、任务相关的脑激活显著地下降，而游戏玩家的脑激活没有显著改变[4]。这些行为和脑影像结果表明动作类电子游戏能够对玩家的选择性注意产生影响。但是，由于缺乏对游戏过程中大脑活动的生态化记录，传统的游戏效应分析大多基于静息态数据或者特定的实验范式，很少去关注游戏过程中的大脑活动情况。

脑电(electroencephalogram，EEG)是一种能够记录神经电生理活动的神经成像技术手段，具有非侵入式、高时间分辨率等优点，能够很好地反映大脑电生理活动。此外，脑电还具有易携带和采集便利的优点，有利于实现对大脑活动信号的生态化采集。通常利用脑电节律来研究大脑功能活动，并且发现不同频段的脑电节律可能与不同的认知功能有关。例如，beta 频段的脑电信号与人类视觉系统中的注意力调节有关，特别是与选择性注意有关[5]。Gao 等[6]发现选择性注意与中央额叶区到右侧运动区beta 频段的增高有关。此外，动作类电子游戏要求被试能够同时执行多个复杂任务，例如，Llamas-Alonso 等[7]通过对比游戏玩家和非游戏玩家在执行双重工作记忆任务时的脑电节律，发现游戏玩家额叶皮层各个区域在beta1 和beta2 频段的相关性显著高于非游戏玩家。脑电beta 节律能够一定程度上反映大脑的认知功能活动，特别是跟游戏过程相关的选择性注意。

然而，传统的数据分析大多基于简单的统计方法，同时脑电节律的分析主要关注时程上的节律平均功率谱强度，忽视了游戏过程中可能存在的特定脑电节律模式的频数，进而可能忽略一些重要的信息。此外，传统方法也很难从相对连续和更为细致的水平上刻画不同游戏水平与大脑功能之间的联系。支持向量机(support vector machines，SVM)是一种机器学习方法，能够从脑电数据中挖掘到重要的特异性信息，其核心思想是将输入特征映射到具有径向基核函数的高维空间中，基于监督学习构建分类模型，从而将特征划分为不同的类[8]。因此，结合机器学习挖掘与游戏水平差异相关的典型脑电beta 节律特征，关注游戏过程中特定脑电节律模式的频数，有望更连续、细致地量化与评估动作类电子游戏对大脑功能的可塑性影响。

综上所述，为了更加细致地量化和评估动作类电子游戏对脑功能的影响，提出一种新的基于机器学习的脑电节律频数分析方法。该频数分析方法的核心思想是以状态间beta 节律差值作为特征，使用留一交叉验证法对最高游戏水平被试和最低游戏水平被试的特征进行训练，其余水平的被试以及留一的最高/最低水平被试的特征作为测试集，采用基于径向基核函数的支持向量机对测试集中每例被试所有数据段的beta 节律差值进行分类(高水平beta 模式与低水平beta 模式)，然后计算被分为高水平beta 模式的数据段占其数据段总数的比例，即为该被试高水平beta 模式的频数，从而更准确地估计和量化动作类电子游戏对不同游戏水平被试大脑功能的影响。

1 材料和方法

1.1 被试状况

本研究方案通过电子科技大学生命科学与技术学院伦理委员会审核，并获得所有被试的知情同意书。研究中采用的英雄联盟(League of Legends，LOL)游戏是中国年轻人最喜爱的动作类电子游戏之一。共纳入232 名男性受试，年龄(21.21±2.15)岁(18～28 岁)，均为成都地区健康的本科或研究生。被试根据游戏技能排名被分成5 组，水平由低到高分别为青铜被试组(水平1)，白银被试组(水平2)，黄金被试组(水平3)，白金被试组(水平4)、钻石被试组(水平5)。所有被试均为右利手，且无神经系统病史和相关身体疾病，没有服用已知会影响脑电数据的药物。被试的游戏表现评分由6 位游戏专家(游戏排名在所有玩家的前1%且具有3年以上英雄联盟游戏经验)，根据德菲尔法中描述的评估方法进行独立评估，其中评分的范围为0～5。所有被试的人口统计学信息和游戏表现评分如表1所示。

表1 被试的人口统计学(均值±标准差)Tab.1 Demographic information of all subjects (mean ±standard deviation)

1.2 数据获取

实验在安静且光线合适的房间(温度25℃)中进行。首先进行5 min 闭眼静息态脑电数据采集，然后游戏准备约5 min，接着进行约1 h 游戏状态(玩LOL 游戏)脑电数据采集。整个实验中的脑电采集和游戏过程均有视频记录。

脑电数据由 32 导联的脑电系统记录(BORUIEN，EEG32-BT，成都，中国)，Ag-AgCI 电极按国际10－20 系统排列，采样率为1 000 Hz。所有电极的阻抗在脑电采集过程中均低于5 kΩ。所有电极均以额顶电极(即FCz)作为参考，AFz 电极作为记录时的接地电极。此外，在采集过程中，被试的头部将置于固定支架上，以最大程度地降低头部运动。此外，在右眼上方和左眼外眼角的位置放置电极记录水平和垂直眼电(electrooculogram，EOG)，用于后续眼电伪迹的去除。

1.3 数据预处理

脑电数据主要基于WeBrain 分析平台(https:/ /webrain.uestc.edu.cn/) 和EEGLAB(https:/ /sccn.ucsd.edu/eeglab/index.php)软件进行分析。首先人工筛查脑电坏导，并用相邻3～4 个导联的平均脑电信号代替“坏导”中信号。接着，将脑电数据转为平均参考，并进行0.5－60 Hz 的带通滤波和45～55 Hz的陷波滤波。然后，采用独立成分分析去除残留伪迹，并利用参考电极标准化技术(reference electrode standardization technique，REST)将脑电数据转换为零参考[9-10]。最后，采用基于全局场功率(global field power，GFP)的阈值法，剔除含眨眼、眼动和头动等残留伪迹的脑电数据段。GFP 在游戏状态下的阈值为30 μV，在静息状态下的阈值为25 μV。

将每例被试干净的脑电数据划分为若干个数据段，数据段长度为5 s，并对每个数据段进行快速傅里叶变换(fast-Fourier transform，FFT)时频分析，计算得到每例被试所有数据段的beta 节律绝对功率谱。其中，beta 频段划分范围为beta1(12.5～18.5 Hz)，beta2(18.5～21 Hz)和beta3(21.0～30 Hz)[11-12]，然后计算beta 频段相对功率谱值，即beta频段绝对功率谱与总功率谱(1～60 Hz)的比值。

1.4 节律频数分析

以游戏状态和静息状态beta 节律相对功率谱差值作为特征，采用支持向量机结合留一交叉验证对特征构建分类模型，主要基于工具包Libsvm-Tools[13](http:/ /www.csie.ntu.edu.tw/cjlin/lib)进行分类。具体而言，首先将水平1(最低游戏水平)和水平5(最高游戏水平)被试根据留一法划分测试集与训练集，即在每一次迭代中选择一例被试所有数据段的beta 节律差值作为测试集，其他被试所有数据段的beta 节律差值作为训练集。在训练集中，水平1 被试所有数据段的beta 节律差值的标签为低水平beta 模式，水平5 被试所有数据段的beta 节律差值的标签为高水平beta 模式。此外，除了留一的最高/最低水平被试所有数据段外，其余水平(水平2～4)被试所有数据段的beta 节律差值也将作为测试集。在利用基于径向基核函数的支持向量机对训练集搭建分类模型之后，将分类模型运用于测试集中，对每例被试所有数据段的特征进行分类，所有数据段的特征被分为高/低水平beta 模式，接着计算每例被试中被分为高水平beta 模式的数据段占其数据段总数的比例，即为频数。最后，采用单因素方差分析(one-way ANOVA) 以及Turkey-Kramer 事后检验评估游戏水平与高水平beta 模式频数之间的关系，其中性别、年龄和游戏时间将作为协变量以消除其对结果影响。具体分析流程如图1所示。主要分为4 个步骤。

图1 频数分析法主要流程Fig.1 The pipeline of the proposed rhythm ratio analysis method

步骤1:对原始脑电数据进行预处理，得到干净的脑电数据；

步骤2:计算得到每例被试所有数据段的beta节律，并求出状态间beta 节律差值；

步骤3:采用基于径向基核函数的支持向量机建立分类模型，并对测试集中每例被试所有数据段的特征进行分类，然后计算每例被试中被分为高水平beta 模式的数据段占其数据段总数的比例；

步骤4:用单因素方差分析对各游戏水平被试间的高水平beta 模式频数进行统计分析，并将其与游戏表现得分进行皮尔逊相关分析。

为了进一步验证高水平beta 模式频数随游戏水平递增，使用k-means 聚类分析对高/低水平beta模式进行了无监督分类(聚类数为2)，然后计算频数值；同时还利用线性判别器对高/低水平beta 模式进行了分类分析并计算频数值。此外，为了与传统节律强度分析的结果相对比，采用单因素方差分析方法对水平1～水平5 组的beta3 节律强度进行统计分析。P<0.05 时被认为具有显著性差异。

2 结果

针对被试人口统计学数据，单因素方差分析显示各水平组的被试在年龄上无显著差异(P＝0.29，F＝1.26)，而在游戏时间(P<0.05，F＝2.89)和游戏表现(P<0.05，F＝3.32)上具有显著的组间差异。Turkey-Kramer 事后检验结果显示水平2 组游戏时间显著低于水平5 组，水平1 组游戏表现评分显著低于水平3～5 组(P<0.05)。

单因素方差分析与Turkey-Kramer 事后检验的结果如图2(a)所示，高水平beta3 模式频数的组间差异显著(P<0.05，F＝17.40)，且水平5 组的高水平beta3 模式频数显著大于水平1～水平4 组，水平4 组的高水平beta3 模式频数显著大于水平1 与水平2 组(P<0.05)。整体上，高水平beta3 模式的频数随着游戏水平的增加而增加。此外，图2(b)表明游戏表现评分与高水平beta3 模式频数之间存在相关性(P<0.05，r＝0.22)。被预测为高水平beta3 模式和低水平beta3 节律模式的空间分布如图2(c)所示。可见相比于低水平beta3 模式，高水平beta3 模式的特点主要体现在右侧额顶叶具有较高的beta3节律功率谱。此外，高水平beta1 模式频数具有显著的组间差异(P<0.05，F＝8.61)，事后检验结果显示水平1 组的高水平beta1 模式频数显著低于水平3～水平5 组，水平2 组显著低于水平5 组；高水平beta2 模式频数也具有显著的组间差异(P<0.05，F＝9.44)，事后检验结果显示水平5 组的高水平beta2 模式频数均显著大于水平1～水平4 组(P<0.05)。

图2 高水平beta3 模式频数分析结果。(a)不同游戏水平中高水平beta3 模式频数的单因素方差分析结果(∗指差异显著，P<0.05；，×指均值，箱图上/下限分别代表上/下四分位点)；(b)高水平beta3 模式频数与游戏表现的相关分析；(c)高(左)和低水平(右)beta3模式Fig.2 The results of the high-level beta3 pattern analysis.(a) The one-way ANOVA results for the ratio of high-level beta3 patterns based on SVM method (∗means significant difference with P<0.05，and × means the average，with lines at the lower/upper quartiles and the median)；(b) Correlation analysis was performed on the ratio of high-level beta3 patterns and game performance scores；(c) High-level(the left)/low-level(the right) beta3 patterns

基于聚类法的高水平beta3 模式频数分析结果如图3(a)所示，高水平beta3 模式频数的组间差异显著(P<0.05，F＝6.57)，且水平5 组的高水平beta3 模式频数显著大于水平1 和水平2 组，水平3 组的高水平beta3 模式频数显著大于水平2 组(P<0.05)。基于线性判别法的高水平beta3 模式频数分析结果如图3(b)所示，高水平beta3 模式频数的组间差异显著(P<0.05，F＝14.84)，且水平5 组的高水平beta3 模式频数显著大于水平1～4 组，水平4 组的高水平beta3 模式频数显著大于水平1～2 组(P<0.05)。此外，传统的节律强度分析结果如图4所示，水平5 组beta3 相对功率谱显著低于水平1～水平3 组，水平4 组的beta3 相对功率谱显著低于水平2 和水平3 组(P<0.05)。

图3 基于聚类法与线性判别法的高水平beta3 模式频数分析结果。(a)聚类法得到的不同游戏水平中高水平beta3 模式频数值箱线图；(b)线性判别法得到的不同游戏水平中高水平beta3 模式频数值箱线图(◇为均值，红线为中值；∗指事后检验差异显著，P<0.05；箱图上下限分别代表上四分位点和下四分位点)Fig.3 The results of the high-level beta3 pattern analysis based on clustering and linear discriminant methods.(a) The results for the ratio of high-level beta3 patterns based on clustering method；(b) The results for the ratio of high-level beta3 patterns based on linear discriminant method (◇means the average，red line means the median；∗means significant difference between the two groups，P<0.05；and the boxplots have lines at the lower and upper quartiles)

图4 不同游戏水平beta3 节律强度的单因素方差分析结果(均值和标准误；∗指两组之间存在显著性差异，P<0.05)Fig.4 Results of the one way ANOVA for beta3 rhythm(The average and standard error of mean；∗means significant difference between two groups，P<0.05).

3 讨论

本研究提出了一种基于机器学习的脑电节律频数分析方法，用以评估不同动作类电子游戏水平与大脑功能之间的关系。该分析方法的核心假设是:高游戏水平被试在游戏过程中与游戏认知能力需求相关的高水平beta 模式出现频数较高，而低游戏水平被试中高水平beta 模式出现的频数较低。因此，首先利用机器学习算法估计出游戏过程中每例被试中高水平beta 模式(也就是高游戏水平被试所特有的beta 模式)的频数，进而有效量化动作类电子游戏对不同游戏水平被试大脑功能的影响。一般而言，无监督学习算法(如聚类分析)的效果低于有监督学习算法。因此，为了进一步验证的假设，还采用无监督k-means聚类方法对高/低水平beta 模式进行了聚类分析(聚类数为2)，反映数据段的特征在无标签约束下的真实趋势，考察频数分析思想的有效性。如图3(a)所示，游戏水平越高的被试，其高水平beta 模式频数趋于增高，支持了高水平beta 模式频数分析的假设。为了对比不同分类器的结果，还采用了线性判别器(linear discriminant analysis，LDA)对高/低水平beta 模式进行分类。如图3(b)所示，高水平beta3 模式频数仍随着游戏水平的增高而增高。此外，图4表明传统节律强度分析仅能一定程度地反映游戏水平对beta3 节律强度的影响。综上所示，认为本研究提出的beta 节律频数分析方法具有较好的可信度和稳定性。

如图2(a)所示，不同游戏水平被试的高水平beta3 模式频数具有显著的差异，且随着游戏水平的增高而增高。此外，高水平beta3 模式的空间分布主要集中在右侧额顶区域。之前的研究已发现动作类电子游戏能够增强与注意相关的脑功能和认知能力。例如，Green 等[2]和Bavelier 等[3]通过行为实验发现，动作类电子游戏能够增强被试的视觉注意力、感觉整合和工作记忆的认知能力。而Gong 等[14-15]通过静息状态功能磁共振成像和结构磁共振成像发现动作类电子游戏能够增加被试大脑的连通性和灰质体积，以及增强与视觉注意和工作记忆有关的突显网络和中央执行网络。与此同时，研究人员认为beta 频段可能与注意和工作记忆等认知能力密切相关[5，16]。另一方面，有研究表明额叶可能与视觉注意力和工作记忆密切相关[17]，顶叶可能与定向视觉注意机制相关[18]。额顶区域的beta 频段可能与视听功能整合有关[19]，尤其是与选择性注意和注意状态维持有关[5]。例如，Sebastian等[20]发现被试在持续的视觉刺激下，额叶的beta 频段强度会增加，因此beta 活动的增强可能反映了记忆的增强和注意的调节。因此，推测可以通过beta节律的特定指标反映动作类电子游戏对大脑功能的影响。

此外，大脑高水平beta3 模式(右侧额顶区域)的频数与游戏表现评分正相关(见图2(b)，P<0.05，r＝0.22)。结合图4可推测，这可能反映了高水平被试在游戏状态下与游戏认知能力需求(如注意力)相关的特定beta 节律分布模式出现的频数更高，而不是单纯的强度值更高。造成这种差异的原因，可能是被试在游戏过程中需要不断地动态协调不同脑区来分配注意力资源，而高游戏水平被试会自动分配大脑的注意力资源，其特有的额顶区域协调模式更有利于注意力资源的动态分配，进而提高其过滤无关信息的效率[2]。在之前脑电研究中[21-24]，脑电指标与行为认知评分的相关性通常约为0.2～0.6。值得注意的是，在较大样本的脑电研究中，其相关系数值偏低，例如Jungmi 等[23]发现，静息态脑电指标与简易智力状态检查(mini-mental state examination，MMSE)得分之间存在相关性，其中男性群体(n＝165)的脑电峰值频率与MMSE 得分之间的r值为0.26；Wen 等[24]发现，婴儿(n＝69)额叶脑电不对称性与负性情绪之间存在负相关，其中r值为－0.255。因此，本研究的相关结果与这些脑电研究较为一致。

然而，本研究还存在一些不足与局限。首先，分类模型的泛化性可能受到各游戏水平样本量的限制，并且训练集中少量分类标签可能存在的不确定性。在今后的工作中，将增大训练样本，同时采用更适合弱标签学习的深度学习算法，以对模型进行进一步优化与检验。其次，虽然数据采集是使用同一个采集系统在相同环境下连续采集，但是状态间(游戏态与静息态)的beta 节律差值可能包含了部分与游戏认知能力不相关的信息，如两种状态下因睁闭眼而导致的视觉活动差异等。因此，频数法的结果也可能受到这两种状态下噪声的影响。此外，事后检验结果发现水平2 组的游戏时间低于水平5 组。我们认为，虽然游戏水平高的被试通常具有较长的游戏时间，但是仍需在后续研究中进一步探讨游戏时间与游戏表现的内在关系。最后，游戏状态持续了1 h，采集到的脑电数据可能会因为被试疲劳发生变化，导致结果出现一定偏差。这些需要在后续研究不断完善与验证。

4 结论

为了更加细致地量化和评估动作类电子游戏对脑功能的影响，本研究提出了一种新的基于机器学习算法的脑电节律频数分析方法。相比传统方法，该频数分析方法具有较好的有效性与稳定性，且不同游戏水平对注意相关脑功能的影响可以通过高水平beta 模式频数进行刻画。所提出的方法为进一步理解游戏对大脑的可塑性影响提供了新的角度，且具有较好的应用前景。