识别对精神疲劳高度敏感的个体：一项功能连接性研究

《NeuroImage》：Identifying individuals with high susceptibility to mental fatigue: A functional connectivity study

个体间注意维持任务（PVT）行为表现差异显著，本研究通过构建复合指数（F指数）将95名参与者分为易疲劳（FS）和抗疲劳（FR）组，并利用EEG信号分析脑网络功能连接。结果显示FS组在任务后期行为绩效（RT和准确率）显著下降，而FR组保持稳定。脑网络分析表明FR组在δ、θ、α、β波段的全局效率（Eg）和局部效率（El）均高于FS组，且FS组在β波段存在9个关键节点（F3、F2、FCZ及6个顶叶区）的效率降低。通过特征选择（Fisher score）和分类模型（KNN、SVM、NB）验证，FS组脑网络特征分类准确率达95.61%，提示顶叶和中央区脑网络效率可作为疲劳易感性生物标志物。

　　
本文探讨了个体间对精神疲劳的敏感性差异及其脑网络重组机制。研究选取95名健康大学生作为受试者，通过20分钟持续警觉任务（PVT）采集行为数据和脑电信号（EEG），并基于反应时（RT）和准确率构建复合指数（F指数），将参与者分为高敏感性组（FS组）和低敏感性组（FR组），每组30人。研究发现，FS组在任务后期呈现显著的RT延长和准确率下降，而FR组表现稳定。进一步通过功能连接分析显示，两组在多个频段的脑网络全局整合与局部分离特性存在差异，其中FR组在θ和β频段的全局效率（Global Efficiency, GE）和局部效率（Local Efficiency, LE）显著高于FS组。特别值得注意的是，FR组在β频段的功能连接稳定性表现出更高的神经可塑性，而FS组在θ频段的网络重组更为明显。通过特征选择和分类模型验证，基于脑网络特征的分类准确率达95.61%，且前额叶和顶叶区的效率指标（Nodal Efficiency, NE）对分组鉴别具有关键作用。

研究创新性地将复合指数法引入疲劳易感性分类，通过RT与准确率的动态变化捕捉个体差异。在方法学上，采用加权相位延迟指数（wPLI）结合多频段分析，有效规避了容积传导干扰，提升了功能连接评估的准确性。图论分析显示，FS组在θ频段的网络拓扑呈现更显著的空间解耦，而FR组在β频段保持 tighter 的功能连接。值得注意的是，FR组在任务初始阶段（T1）即表现出更强的网络整合能力，这与其较低的疲劳易感性相关。通过特征筛选发现，89个网络特征（5个全局指标+84个节点指标）即可实现稳定分类，其中β频段的局部效率（LEβ）和前额叶区的节点效率（NEF3）对分组鉴别贡献度最高。

研究进一步揭示，疲劳易感性个体在脑网络重组中存在特定的频段依赖模式。FS组在δ频段的局部效率（LEδ）与F指数呈显著正相关（r=0.32，p<0.01），而FR组在β频段的全局效率（GEβ）与反应准确率变化（ΔAccuracy）呈现强负相关（r=-0.41，p<0.001）。这表明，θ-δ频段的功能重组与认知资源耗竭密切相关，而β频段的稳定性可能反映注意力调控机制的差异。在分类模型中，KNN算法通过融合全局与节点特征，在10折交叉验证下平均准确率达95.61%，AUC值达0.975，验证了脑网络特征作为生物标志物的可靠性。

该研究为个性化疲劳管理提供了理论依据。首先，复合指数法通过量化RT与准确率的动态平衡，能够更精准地识别易疲劳个体。其次，脑网络特征的多维度评估（如全局效率、局部效率、节点中心度）揭示了疲劳敏感性与神经资源分配的关联。FR组在β频段的高效信息传递能力可能与其更好的前额叶-顶叶协同机制有关，而FS组在θ频段的解耦状态可能反映执行控制功能的下降。这些发现对航空、交通等需要持续注意力的高风险职业人群的选拔与管理具有重要指导意义。

未来研究可从三个方向深化：1）多模态数据融合，结合fMRI与脑电信号提升神经机制解析；2）动态网络建模，追踪疲劳进程中的网络重组动态；3）临床转化验证，在慢性疲劳综合征等临床群体中检验分类模型的泛化能力。此外，需注意样本的异质性（如年龄、性别、遗传背景）可能影响结果，建议后续研究纳入基因多态性分析以控制遗传因素干扰。

总之，本研究通过行为与脑网络的多维度整合分析，揭示了疲劳易感性个体在神经资源分配与网络重组模式上的特异性特征，为精准识别高危人群提供了新的生物标记物体系。其方法学框架（复合指数构建-动态网络分析-机器学习分类）可为认知神经科学领域个体差异研究提供范式参考，特别是在工作记忆、注意力调控等认知任务中的应用潜力显著。