基于動作類電子游戲不同水平人群的腦電beta節(jié)律頻數(shù)分析法

劉曉波 趙鈴鈴 李 毅 宮殿坤 堯德中 董 立

(電子科技大學(xué)生命科學(xué)與技術(shù)學(xué)院，成都 610054)

引言

隨著電子技術(shù)的不斷發(fā)展，動作類電子游戲(action video game，AVG)已成為人們?nèi)粘Ｉ钪幸环N重要的娛樂和休閑方式[1]。動作類電子游戲包含豐富擬真虛擬刺激，需要玩家高度整合多種認知功能來應(yīng)對游戲過程中復(fù)雜的變化和挑戰(zhàn)。近年的研究表明，動作類電子游戲能夠?qū)ν婕业倪x擇性注意等認知功能產(chǎn)生影響。例如，Green 等[2]通過行為實驗發(fā)現(xiàn)游戲玩家相比于非游戲玩家具有更好的選擇性注意能力，Bavelier 等[3]使用腦成像技術(shù)發(fā)現(xiàn)，非游戲玩家的額頂葉網(wǎng)絡(luò)活動較多，而游戲玩家的額頂葉網(wǎng)絡(luò)活動減少，這可能是由于游戲玩家會自動分配注意力資源，以提高過濾無關(guān)信息的效率。另有研究發(fā)現(xiàn)，隨著記憶負荷的增加，非游戲玩家與注意、任務(wù)相關(guān)的腦激活顯著地下降，而游戲玩家的腦激活沒有顯著改變[4]。這些行為和腦影像結(jié)果表明動作類電子游戲能夠?qū)ν婕业倪x擇性注意產(chǎn)生影響。但是，由于缺乏對游戲過程中大腦活動的生態(tài)化記錄，傳統(tǒng)的游戲效應(yīng)分析大多基于靜息態(tài)數(shù)據(jù)或者特定的實驗范式，很少去關(guān)注游戲過程中的大腦活動情況。

腦電(electroencephalogram，EEG)是一種能夠記錄神經(jīng)電生理活動的神經(jīng)成像技術(shù)手段，具有非侵入式、高時間分辨率等優(yōu)點，能夠很好地反映大腦電生理活動。此外，腦電還具有易攜帶和采集便利的優(yōu)點，有利于實現(xiàn)對大腦活動信號的生態(tài)化采集。通常利用腦電節(jié)律來研究大腦功能活動，并且發(fā)現(xiàn)不同頻段的腦電節(jié)律可能與不同的認知功能有關(guān)。例如，beta 頻段的腦電信號與人類視覺系統(tǒng)中的注意力調(diào)節(jié)有關(guān)，特別是與選擇性注意有關(guān)[5]。Gao 等[6]發(fā)現(xiàn)選擇性注意與中央額葉區(qū)到右側(cè)運動區(qū)beta 頻段的增高有關(guān)。此外，動作類電子游戲要求被試能夠同時執(zhí)行多個復(fù)雜任務(wù)，例如，Llamas-Alonso 等[7]通過對比游戲玩家和非游戲玩家在執(zhí)行雙重工作記憶任務(wù)時的腦電節(jié)律，發(fā)現(xiàn)游戲玩家額葉皮層各個區(qū)域在beta1 和beta2 頻段的相關(guān)性顯著高于非游戲玩家。腦電beta 節(jié)律能夠一定程度上反映大腦的認知功能活動，特別是跟游戲過程相關(guān)的選擇性注意。

然而，傳統(tǒng)的數(shù)據(jù)分析大多基于簡單的統(tǒng)計方法，同時腦電節(jié)律的分析主要關(guān)注時程上的節(jié)律平均功率譜強度，忽視了游戲過程中可能存在的特定腦電節(jié)律模式的頻數(shù)，進而可能忽略一些重要的信息。此外，傳統(tǒng)方法也很難從相對連續(xù)和更為細致的水平上刻畫不同游戲水平與大腦功能之間的聯(lián)系。支持向量機(support vector machines，SVM)是一種機器學(xué)習(xí)方法，能夠從腦電數(shù)據(jù)中挖掘到重要的特異性信息，其核心思想是將輸入特征映射到具有徑向基核函數(shù)的高維空間中，基于監(jiān)督學(xué)習(xí)構(gòu)建分類模型，從而將特征劃分為不同的類[8]。因此，結(jié)合機器學(xué)習(xí)挖掘與游戲水平差異相關(guān)的典型腦電beta 節(jié)律特征，關(guān)注游戲過程中特定腦電節(jié)律模式的頻數(shù)，有望更連續(xù)、細致地量化與評估動作類電子游戲?qū)Υ竽X功能的可塑性影響。

綜上所述，為了更加細致地量化和評估動作類電子游戲?qū)δX功能的影響，提出一種新的基于機器學(xué)習(xí)的腦電節(jié)律頻數(shù)分析方法。該頻數(shù)分析方法的核心思想是以狀態(tài)間beta 節(jié)律差值作為特征，使用留一交叉驗證法對最高游戲水平被試和最低游戲水平被試的特征進行訓(xùn)練，其余水平的被試以及留一的最高/最低水平被試的特征作為測試集，采用基于徑向基核函數(shù)的支持向量機對測試集中每例被試所有數(shù)據(jù)段的beta 節(jié)律差值進行分類(高水平beta 模式與低水平beta 模式)，然后計算被分為高水平beta 模式的數(shù)據(jù)段占其數(shù)據(jù)段總數(shù)的比例，即為該被試高水平beta 模式的頻數(shù)，從而更準確地估計和量化動作類電子游戲?qū)Σ煌螒蛩奖辉嚧竽X功能的影響。

1 材料和方法

1.1 被試狀況

本研究方案通過電子科技大學(xué)生命科學(xué)與技術(shù)學(xué)院倫理委員會審核，并獲得所有被試的知情同意書。研究中采用的英雄聯(lián)盟(League of Legends，LOL)游戲是中國年輕人最喜愛的動作類電子游戲之一。共納入232 名男性受試，年齡(21.21±2.15)歲(18～28 歲)，均為成都地區(qū)健康的本科或研究生。被試根據(jù)游戲技能排名被分成5 組，水平由低到高分別為青銅被試組(水平1)，白銀被試組(水平2)，黃金被試組(水平3)，白金被試組(水平4)、鉆石被試組(水平5)。所有被試均為右利手，且無神經(jīng)系統(tǒng)病史和相關(guān)身體疾病，沒有服用已知會影響腦電數(shù)據(jù)的藥物。被試的游戲表現(xiàn)評分由6 位游戲?qū)＜?游戲排名在所有玩家的前1%且具有3年以上英雄聯(lián)盟游戲經(jīng)驗)，根據(jù)德菲爾法中描述的評估方法進行獨立評估，其中評分的范圍為0～5。所有被試的人口統(tǒng)計學(xué)信息和游戲表現(xiàn)評分如表1所示。

表1 被試的人口統(tǒng)計學(xué)(均值±標準差)Tab.1 Demographic information of all subjects (mean ±standard deviation)

1.2 數(shù)據(jù)獲取

實驗在安靜且光線合適的房間(溫度25℃)中進行。首先進行5 min 閉眼靜息態(tài)腦電數(shù)據(jù)采集，然后游戲準備約5 min，接著進行約1 h 游戲狀態(tài)(玩LOL 游戲)腦電數(shù)據(jù)采集。整個實驗中的腦電采集和游戲過程均有視頻記錄。

腦電數(shù)據(jù)由 32 導(dǎo)聯(lián)的腦電系統(tǒng)記錄(BORUIEN，EEG32-BT，成都，中國)，Ag-AgCI 電極按國際10－20 系統(tǒng)排列，采樣率為1 000 Hz。所有電極的阻抗在腦電采集過程中均低于5 kΩ。所有電極均以額頂電極(即FCz)作為參考，AFz 電極作為記錄時的接地電極。此外，在采集過程中，被試的頭部將置于固定支架上，以最大程度地降低頭部運動。此外，在右眼上方和左眼外眼角的位置放置電極記錄水平和垂直眼電(electrooculogram，EOG)，用于后續(xù)眼電偽跡的去除。

1.3 數(shù)據(jù)預(yù)處理

腦電數(shù)據(jù)主要基于WeBrain 分析平臺(https:/ /webrain.uestc.edu.cn/) 和EEGLAB(https:/ /sccn.ucsd.edu/eeglab/index.php)軟件進行分析。首先人工篩查腦電壞導(dǎo)，并用相鄰3～4 個導(dǎo)聯(lián)的平均腦電信號代替“壞導(dǎo)”中信號。接著，將腦電數(shù)據(jù)轉(zhuǎn)為平均參考，并進行0.5－60 Hz 的帶通濾波和45～55 Hz的陷波濾波。然后，采用獨立成分分析去除殘留偽跡，并利用參考電極標準化技術(shù)(reference electrode standardization technique，REST)將腦電數(shù)據(jù)轉(zhuǎn)換為零參考[9-10]。最后，采用基于全局場功率(global field power，GFP)的閾值法，剔除含眨眼、眼動和頭動等殘留偽跡的腦電數(shù)據(jù)段。GFP 在游戲狀態(tài)下的閾值為30 μV，在靜息狀態(tài)下的閾值為25 μV。

將每例被試干凈的腦電數(shù)據(jù)劃分為若干個數(shù)據(jù)段，數(shù)據(jù)段長度為5 s，并對每個數(shù)據(jù)段進行快速傅里葉變換(fast-Fourier transform，F(xiàn)FT)時頻分析，計算得到每例被試所有數(shù)據(jù)段的beta 節(jié)律絕對功率譜。其中，beta 頻段劃分范圍為beta1(12.5～18.5 Hz)，beta2(18.5～21 Hz)和beta3(21.0～30 Hz)[11-12]，然后計算beta 頻段相對功率譜值，即beta頻段絕對功率譜與總功率譜(1～60 Hz)的比值。

1.4 節(jié)律頻數(shù)分析

以游戲狀態(tài)和靜息狀態(tài)beta 節(jié)律相對功率譜差值作為特征，采用支持向量機結(jié)合留一交叉驗證對特征構(gòu)建分類模型，主要基于工具包Libsvm-Tools[13](http:/ /www.csie.ntu.edu.tw/cjlin/lib)進行分類。具體而言，首先將水平1(最低游戲水平)和水平5(最高游戲水平)被試根據(jù)留一法劃分測試集與訓(xùn)練集，即在每一次迭代中選擇一例被試所有數(shù)據(jù)段的beta 節(jié)律差值作為測試集，其他被試所有數(shù)據(jù)段的beta 節(jié)律差值作為訓(xùn)練集。在訓(xùn)練集中，水平1 被試所有數(shù)據(jù)段的beta 節(jié)律差值的標簽為低水平beta 模式，水平5 被試所有數(shù)據(jù)段的beta 節(jié)律差值的標簽為高水平beta 模式。此外，除了留一的最高/最低水平被試所有數(shù)據(jù)段外，其余水平(水平2～4)被試所有數(shù)據(jù)段的beta 節(jié)律差值也將作為測試集。在利用基于徑向基核函數(shù)的支持向量機對訓(xùn)練集搭建分類模型之后，將分類模型運用于測試集中，對每例被試所有數(shù)據(jù)段的特征進行分類，所有數(shù)據(jù)段的特征被分為高/低水平beta 模式，接著計算每例被試中被分為高水平beta 模式的數(shù)據(jù)段占其數(shù)據(jù)段總數(shù)的比例，即為頻數(shù)。最后，采用單因素方差分析(one-way ANOVA) 以及Turkey-Kramer 事后檢驗評估游戲水平與高水平beta 模式頻數(shù)之間的關(guān)系，其中性別、年齡和游戲時間將作為協(xié)變量以消除其對結(jié)果影響。具體分析流程如圖1所示。主要分為4 個步驟。

圖1 頻數(shù)分析法主要流程Fig.1 The pipeline of the proposed rhythm ratio analysis method

步驟1:對原始腦電數(shù)據(jù)進行預(yù)處理，得到干凈的腦電數(shù)據(jù)；

步驟2:計算得到每例被試所有數(shù)據(jù)段的beta節(jié)律，并求出狀態(tài)間beta 節(jié)律差值；

步驟3:采用基于徑向基核函數(shù)的支持向量機建立分類模型，并對測試集中每例被試所有數(shù)據(jù)段的特征進行分類，然后計算每例被試中被分為高水平beta 模式的數(shù)據(jù)段占其數(shù)據(jù)段總數(shù)的比例；

步驟4:用單因素方差分析對各游戲水平被試間的高水平beta 模式頻數(shù)進行統(tǒng)計分析，并將其與游戲表現(xiàn)得分進行皮爾遜相關(guān)分析。

為了進一步驗證高水平beta 模式頻數(shù)隨游戲水平遞增，使用k-means 聚類分析對高/低水平beta模式進行了無監(jiān)督分類(聚類數(shù)為2)，然后計算頻數(shù)值；同時還利用線性判別器對高/低水平beta 模式進行了分類分析并計算頻數(shù)值。此外，為了與傳統(tǒng)節(jié)律強度分析的結(jié)果相對比，采用單因素方差分析方法對水平1～水平5 組的beta3 節(jié)律強度進行統(tǒng)計分析。P<0.05 時被認為具有顯著性差異。

2 結(jié)果

針對被試人口統(tǒng)計學(xué)數(shù)據(jù)，單因素方差分析顯示各水平組的被試在年齡上無顯著差異(P＝0.29，F(xiàn)＝1.26)，而在游戲時間(P<0.05，F(xiàn)＝2.89)和游戲表現(xiàn)(P<0.05，F(xiàn)＝3.32)上具有顯著的組間差異。Turkey-Kramer 事后檢驗結(jié)果顯示水平2 組游戲時間顯著低于水平5 組，水平1 組游戲表現(xiàn)評分顯著低于水平3～5 組(P<0.05)。

單因素方差分析與Turkey-Kramer 事后檢驗的結(jié)果如圖2(a)所示，高水平beta3 模式頻數(shù)的組間差異顯著(P<0.05，F(xiàn)＝17.40)，且水平5 組的高水平beta3 模式頻數(shù)顯著大于水平1～水平4 組，水平4 組的高水平beta3 模式頻數(shù)顯著大于水平1 與水平2 組(P<0.05)。整體上，高水平beta3 模式的頻數(shù)隨著游戲水平的增加而增加。此外，圖2(b)表明游戲表現(xiàn)評分與高水平beta3 模式頻數(shù)之間存在相關(guān)性(P<0.05，r＝0.22)。被預(yù)測為高水平beta3 模式和低水平beta3 節(jié)律模式的空間分布如圖2(c)所示?？梢娤啾扔诘退絙eta3 模式，高水平beta3 模式的特點主要體現(xiàn)在右側(cè)額頂葉具有較高的beta3節(jié)律功率譜。此外，高水平beta1 模式頻數(shù)具有顯著的組間差異(P<0.05，F(xiàn)＝8.61)，事后檢驗結(jié)果顯示水平1 組的高水平beta1 模式頻數(shù)顯著低于水平3～水平5 組，水平2 組顯著低于水平5 組；高水平beta2 模式頻數(shù)也具有顯著的組間差異(P<0.05，F(xiàn)＝9.44)，事后檢驗結(jié)果顯示水平5 組的高水平beta2 模式頻數(shù)均顯著大于水平1～水平4 組(P<0.05)。

圖2 高水平beta3 模式頻數(shù)分析結(jié)果。(a)不同游戲水平中高水平beta3 模式頻數(shù)的單因素方差分析結(jié)果(?指差異顯著，P<0.05；，×指均值，箱圖上/下限分別代表上/下四分位點)；(b)高水平beta3 模式頻數(shù)與游戲表現(xiàn)的相關(guān)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

基于聚類法的高水平beta3 模式頻數(shù)分析結(jié)果如圖3(a)所示，高水平beta3 模式頻數(shù)的組間差異顯著(P<0.05，F(xiàn)＝6.57)，且水平5 組的高水平beta3 模式頻數(shù)顯著大于水平1 和水平2 組，水平3 組的高水平beta3 模式頻數(shù)顯著大于水平2 組(P<0.05)?；诰€性判別法的高水平beta3 模式頻數(shù)分析結(jié)果如圖3(b)所示，高水平beta3 模式頻數(shù)的組間差異顯著(P<0.05，F(xiàn)＝14.84)，且水平5 組的高水平beta3 模式頻數(shù)顯著大于水平1～4 組，水平4 組的高水平beta3 模式頻數(shù)顯著大于水平1～2 組(P<0.05)。此外，傳統(tǒng)的節(jié)律強度分析結(jié)果如圖4所示，水平5 組beta3 相對功率譜顯著低于水平1～水平3 組，水平4 組的beta3 相對功率譜顯著低于水平2 和水平3 組(P<0.05)。

圖3 基于聚類法與線性判別法的高水平beta3 模式頻數(shù)分析結(jié)果。(a)聚類法得到的不同游戲水平中高水平beta3 模式頻數(shù)值箱線圖；(b)線性判別法得到的不同游戲水平中高水平beta3 模式頻數(shù)值箱線圖(◇為均值，紅線為中值；?指事后檢驗差異顯著，P<0.05；箱圖上下限分別代表上四分位點和下四分位點)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)

圖4 不同游戲水平beta3 節(jié)律強度的單因素方差分析結(jié)果(均值和標準誤；?指兩組之間存在顯著性差異，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 討論

本研究提出了一種基于機器學(xué)習(xí)的腦電節(jié)律頻數(shù)分析方法，用以評估不同動作類電子游戲水平與大腦功能之間的關(guān)系。該分析方法的核心假設(shè)是:高游戲水平被試在游戲過程中與游戲認知能力需求相關(guān)的高水平beta 模式出現(xiàn)頻數(shù)較高，而低游戲水平被試中高水平beta 模式出現(xiàn)的頻數(shù)較低。因此，首先利用機器學(xué)習(xí)算法估計出游戲過程中每例被試中高水平beta 模式(也就是高游戲水平被試所特有的beta 模式)的頻數(shù)，進而有效量化動作類電子游戲?qū)Σ煌螒蛩奖辉嚧竽X功能的影響。一般而言，無監(jiān)督學(xué)習(xí)算法(如聚類分析)的效果低于有監(jiān)督學(xué)習(xí)算法。因此，為了進一步驗證的假設(shè)，還采用無監(jiān)督k-means聚類方法對高/低水平beta 模式進行了聚類分析(聚類數(shù)為2)，反映數(shù)據(jù)段的特征在無標簽約束下的真實趨勢，考察頻數(shù)分析思想的有效性。如圖3(a)所示，游戲水平越高的被試，其高水平beta 模式頻數(shù)趨于增高，支持了高水平beta 模式頻數(shù)分析的假設(shè)。為了對比不同分類器的結(jié)果，還采用了線性判別器(linear discriminant analysis，LDA)對高/低水平beta 模式進行分類。如圖3(b)所示，高水平beta3 模式頻數(shù)仍隨著游戲水平的增高而增高。此外，圖4表明傳統(tǒng)節(jié)律強度分析僅能一定程度地反映游戲水平對beta3 節(jié)律強度的影響。綜上所示，認為本研究提出的beta 節(jié)律頻數(shù)分析方法具有較好的可信度和穩(wěn)定性。

如圖2(a)所示，不同游戲水平被試的高水平beta3 模式頻數(shù)具有顯著的差異，且隨著游戲水平的增高而增高。此外，高水平beta3 模式的空間分布主要集中在右側(cè)額頂區(qū)域。之前的研究已發(fā)現(xiàn)動作類電子游戲能夠增強與注意相關(guān)的腦功能和認知能力。例如，Green 等[2]和Bavelier 等[3]通過行為實驗發(fā)現(xiàn)，動作類電子游戲能夠增強被試的視覺注意力、感覺整合和工作記憶的認知能力。而Gong 等[14-15]通過靜息狀態(tài)功能磁共振成像和結(jié)構(gòu)磁共振成像發(fā)現(xiàn)動作類電子游戲能夠增加被試大腦的連通性和灰質(zhì)體積，以及增強與視覺注意和工作記憶有關(guān)的突顯網(wǎng)絡(luò)和中央執(zhí)行網(wǎng)絡(luò)。與此同時，研究人員認為beta 頻段可能與注意和工作記憶等認知能力密切相關(guān)[5，16]。另一方面，有研究表明額葉可能與視覺注意力和工作記憶密切相關(guān)[17]，頂葉可能與定向視覺注意機制相關(guān)[18]。額頂區(qū)域的beta 頻段可能與視聽功能整合有關(guān)[19]，尤其是與選擇性注意和注意狀態(tài)維持有關(guān)[5]。例如，Sebastian等[20]發(fā)現(xiàn)被試在持續(xù)的視覺刺激下，額葉的beta 頻段強度會增加，因此beta 活動的增強可能反映了記憶的增強和注意的調(diào)節(jié)。因此，推測可以通過beta節(jié)律的特定指標反映動作類電子游戲?qū)Υ竽X功能的影響。

此外，大腦高水平beta3 模式(右側(cè)額頂區(qū)域)的頻數(shù)與游戲表現(xiàn)評分正相關(guān)(見圖2(b)，P<0.05，r＝0.22)。結(jié)合圖4可推測，這可能反映了高水平被試在游戲狀態(tài)下與游戲認知能力需求(如注意力)相關(guān)的特定beta 節(jié)律分布模式出現(xiàn)的頻數(shù)更高，而不是單純的強度值更高。造成這種差異的原因，可能是被試在游戲過程中需要不斷地動態(tài)協(xié)調(diào)不同腦區(qū)來分配注意力資源，而高游戲水平被試會自動分配大腦的注意力資源，其特有的額頂區(qū)域協(xié)調(diào)模式更有利于注意力資源的動態(tài)分配，進而提高其過濾無關(guān)信息的效率[2]。在之前腦電研究中[21-24]，腦電指標與行為認知評分的相關(guān)性通常約為0.2～0.6。值得注意的是，在較大樣本的腦電研究中，其相關(guān)系數(shù)值偏低，例如Jungmi 等[23]發(fā)現(xiàn)，靜息態(tài)腦電指標與簡易智力狀態(tài)檢查(mini-mental state examination，MMSE)得分之間存在相關(guān)性，其中男性群體(n＝165)的腦電峰值頻率與MMSE 得分之間的r值為0.26；Wen 等[24]發(fā)現(xiàn)，嬰兒(n＝69)額葉腦電不對稱性與負性情緒之間存在負相關(guān)，其中r值為－0.255。因此，本研究的相關(guān)結(jié)果與這些腦電研究較為一致。

然而，本研究還存在一些不足與局限。首先，分類模型的泛化性可能受到各游戲水平樣本量的限制，并且訓(xùn)練集中少量分類標簽可能存在的不確定性。在今后的工作中，將增大訓(xùn)練樣本，同時采用更適合弱標簽學(xué)習(xí)的深度學(xué)習(xí)算法，以對模型進行進一步優(yōu)化與檢驗。其次，雖然數(shù)據(jù)采集是使用同一個采集系統(tǒng)在相同環(huán)境下連續(xù)采集，但是狀態(tài)間(游戲態(tài)與靜息態(tài))的beta 節(jié)律差值可能包含了部分與游戲認知能力不相關(guān)的信息，如兩種狀態(tài)下因睜閉眼而導(dǎo)致的視覺活動差異等。因此，頻數(shù)法的結(jié)果也可能受到這兩種狀態(tài)下噪聲的影響。此外，事后檢驗結(jié)果發(fā)現(xiàn)水平2 組的游戲時間低于水平5 組。我們認為，雖然游戲水平高的被試通常具有較長的游戲時間，但是仍需在后續(xù)研究中進一步探討游戲時間與游戲表現(xiàn)的內(nèi)在關(guān)系。最后，游戲狀態(tài)持續(xù)了1 h，采集到的腦電數(shù)據(jù)可能會因為被試疲勞發(fā)生變化，導(dǎo)致結(jié)果出現(xiàn)一定偏差。這些需要在后續(xù)研究不斷完善與驗證。

4 結(jié)論

為了更加細致地量化和評估動作類電子游戲?qū)δX功能的影響，本研究提出了一種新的基于機器學(xué)習(xí)算法的腦電節(jié)律頻數(shù)分析方法。相比傳統(tǒng)方法，該頻數(shù)分析方法具有較好的有效性與穩(wěn)定性，且不同游戲水平對注意相關(guān)腦功能的影響可以通過高水平beta 模式頻數(shù)進行刻畫。所提出的方法為進一步理解游戲?qū)Υ竽X的可塑性影響提供了新的角度，且具有較好的應(yīng)用前景。