背景音樂日益影響著人們的生活，研究背景音樂對工作記憶的影響成為腦科學的熱點。本文設計了基于 n-back 范式的改進的腦電實驗，隨機招募 15 名未接受過音樂專業訓練的在校大學生作為被試，同步采集被試的行為學數據和頭皮腦電數據，以探究不同類型背景音樂對于空間認知工作記憶的影響。采用精確的低分辨率層析成像方法（eLORETA）方法進行腦電溯源，針對溯源后的信號，利用互相關方法構建皮層腦功能網絡，并對不同音樂類型下腦網絡的特征屬性進行分析對比。結果顯示，不同音樂類型下刺激后峰值期的差異主要分布在枕葉與顳葉（P < 0.05）。對皮層腦網絡進行分析的結果顯示，背景音樂存在情況下的腦連接性明顯高于無音樂狀態；搖滾音樂狀態下大腦右側枕葉和顳葉區域的連接性相比于古典音樂狀態顯著增加；無音樂狀態下的節點度、介數中心度、聚類系數均低于有背景音樂；古典音樂狀態下的節點度、聚類系數低于搖滾音樂狀態。結果表明，音樂刺激提高了大腦的活躍程度，且搖滾音樂比古典音樂的影響更明顯。行為學數據統計結果顯示，無音樂狀態下的反應正確率為 86.09% ± 0.090%，古典音樂為 80.96% ± 0.960%，搖滾音樂為 79.36% ± 0.360%。研究結果表明，背景音樂會對大腦的工作記憶造成影響，占用大腦認知資源，降低大腦的空間定位認知能力。
引用本文： 王帥帥, 李穎, 李繼鵬, 王靈月, 尹寧, 楊碩. 基于皮層腦網絡的背景音樂對空間認知工作記憶影響的實驗研究. 生物醫學工程學雜志, 2020, 37(4): 587-595. doi: 10.7507/1001-5515.201907065 復制
引言
音樂對大腦認知功能的影響體現在很多方面。有研究表明，音樂和視覺的藝術訓練可調節人類大腦產生可塑性變化，進而抑制認知能力的下降[1]。音樂會對大腦的工作記憶（working memory，WM）等認知功能產生影響[2-3]，還可輔助治療某些疾病，具有藥物不可替代的效果[4]。
工作記憶猶如人類的緩存器，是加工處理并短暫存儲信息的認知系統。許多高級認知功能如判斷推理和理解頓悟都是以工作記憶為基礎的。研究工作記憶在醫學工程學和心理學方面有重要意義，對診斷精神分裂癥和阿爾茨海默病等有促進作用。早在 1993 年就有科學家發現莫扎特 K448 能改善人的空間推理和記憶[5]。有研究者通過事件相關電位（event-related potential，ERP）研究發現，長期音樂訓練后大腦會給聽覺系統分配更多神經資源[6]。馬諧等[7]研究了背景音樂對中-英文閱讀理解的影響效應，發現無論中文還是英文的閱讀理解，背景音樂存在的情況下閱讀效率均低于無音樂的情況。Nag 等[8]通過分析印度斯坦古典音樂對人情感的影響，發現古典音樂會喚醒人腦的特定區域。音樂可以在一定程度上促進大腦中腦啡肽的分泌，這種物質能夠支撐人類記憶和思考功能[9]，但其在大腦中的具體作用機制尚不清楚，有必要做進一步研究。工作記憶是一切認知的基礎，因此，研究音樂對工作記憶的影響具有重要意義。
頭皮腦電（electroencephalography，EEG）是由大腦中神經元活性被激活而引起的持續的節律性電活動。腦電信號的時間分辨率高，能記錄毫秒級的電位變化，但受到皮層、顱骨、腦膜和頭皮的影響，空間分辨率較低[10]。腦電溯源定位，即腦電逆問題，是根據在頭皮表面測量到的電位信號，反演腦內神經活動源的位置、方向和強度信息，其研究有助于了解大腦活動機制。人類高級認知功能在相應半球發揮不同主導作用[11-12]，通過溯源定位，可以探索兩半球之間的聯系。通過腦電源定位結果構建皮層功能網絡，可望在空間維度下分析大腦的認知活動。
目前頭皮腦電源定位的方法有很多。Hamalainen 等提出最小范求逆算法，Greenballt 提出使用協方差矩陣用于源空間內構建加權函數，Pascual 等通過最小化加權源的拉普拉斯算子來得到平滑的空間分布解，提出了低分辨率層析成像方法（low-resolution brain tomography algorithm，LORETA）。隨后又發展出了標準的低分辨率層析成像方法、加權精確最小范數解、稀疏貝葉斯方法和精確的低分辨率層析成像方法（exact low-resolution brain tomography algorithm，eLORETA）等[13-15]。其中，eLORETA 能夠消除不重要的激活位置，具有定位更精確、使源分布更清晰的優點。有學者使用 eLORETA 進行一些認知方面的相關研究，也有學者使用 eLORETA 研究 Huntington 舞蹈病的一些大腦病變[16-19]。
本文采集不同類型背景音樂下被試進行 n-back 短時空間認知工作記憶任務的頭皮腦電信號，使用 eLORETA 進行溯源，得到大腦皮層源信號分布。基于該源信號，利用互相關方法建立各通道之間的關系，構建皮層腦網絡，來分析大腦對于音樂的反應，從而討論不同類型的音樂對人的空間認知工作記憶的影響。
1 材料和方法
1.1 材料
1.1.1 實驗設備
實驗設備為美國 NeuroScan 公司生產的腦電實驗記錄儀，利用 curry 8 軟件采集腦電數據，實驗任務由 E-Prime 3.0 軟件在戴爾電腦上完成，實驗系統見圖 1。此設備具有多個放大器協調同步功能，保證了通道之間的同步性，保持通道的無偏差相位。本實驗通過了河北工業大學生物醫學倫理委員會的審查，文號為 HEBUThMEC2019015。
圖1
腦電采集設備
Figure1.
EEG acquisition equipment
本實驗中，根據國際腦電圖學會制定的 10-20 電極導聯定位標準，用 64 導電極帽進行采集。實驗中采樣頻率為 1 000 Hz，電極與頭皮之間的阻抗保持在 5 k?以下。該電極帽提供了水平眼電和垂直眼電通道，垂直眼電電極位于左眼眉骨和眼瞼各一個，水平眼電電極位于左右眼角外側各一個。
1.1.2 實驗對象
本實驗招募 15 名身體健康的在校大學生作為被試，其中男生 8 名，女生 7 名，年齡在 20～30 歲，均未受過音樂專業訓練，均為右利手，且矯正視力在正常水平，實驗過程中無身體不適。實驗環境安靜無擾，實驗前需完成預實驗并告知全部實驗流程。由于實驗設計是在不同背景音樂下完成記憶任務，所以實驗前對被試進行音樂愛好類型的問卷調查。
1.1.3 刺激材料
實驗材料為隨機呈現的 5 × 5 方格，其中一個為目標格（藍色）。本文使用的音樂材料為貝多芬的《月光奏鳴曲第一樂章》和 Nightwish 樂隊的《Last Ride of the Day》，為避免歌詞對被試的影響，使用消去歌詞的純音樂，為保證音樂音量的恒定，使用軟件 MP3gain 把音樂的增益均設置為 75 dB，這樣可以避免被試產生不適，耳機使用型號為卡能 KM360。
1.1.4 空間 n-back 實驗流程
實驗分為三個測試過程，分別為在《月光奏鳴曲第一樂章》、《Last Ride of the Day》和無音樂背景下進行，任務類型為三個，分別為 1-back、2-back 和 3-back。實驗的進行順序為無音樂、《月光奏鳴曲第一樂章》、《Last Ride of the Day》，這樣可以減少被試因實驗不適產生誤差。1-back 實驗開始時，屏幕上出現 5 × 5 方格，其中一個為藍色目標格（任意位置，但需記住），同時音樂響起，被試進行記憶，持續 2 s。然后屏幕顯示黑屏，持續 2 s，被試進行記憶保持。隨后屏幕再次出現 5 × 5 方格，其中一個為藍色目標格（任意位置），此藍色目標與之前目標格對比，若位置相同，則點擊鼠標左鍵，位置不同則點擊鼠標右鍵，此過程循環顯示并判斷，每一個顯示都與之前一個顯示進行對比。實驗設計 42 個判別目標，在顯示 21 個刺激后，有短暫休息時間（時長依被試狀態而定），再顯示 21 個刺激項，以保證被試狀態良好，這樣可以減小被試因大腦疲勞產生的影響。1-back 完成之后，進行 2-back 和 3-back 實驗，過程類似，但判別目標與之前第二個或之前第三個進行對比，實驗流程如圖 2 所示。
圖2
實驗流程示意圖
Figure2.
Experimental flow chart
1.2 方法
1.2.1 行為學數據統計
使用 E-Prime3.0 軟件同步記錄被試的行為學數據，得到被試在三種音樂狀態下的反應正確率。根據格拉布斯（Grubbs）準則剔除出現異常情況的一名被試的數據，使用單因素方差檢驗不同類型音樂狀態下的差異[20]。
使用單因素方差分析方法對得到的腦網絡屬性進行分析，比較不同音樂類型下的屬性差異，根據方差齊性檢驗的結果，決定使用最小顯著性差異法（least significant difference，LSD）或 t 檢驗保守成對比較（Tamhane’s T2）對不同類型下屬性的差異進行兩兩比較。本文采用的檢驗水準為 0.05。
1.2.2 腦電信號預處理
由于腦電信號極其微弱，很容易受到外界干擾，因此要對采集的信號進行預處理。處理步驟包括：預覽信號，刪除肉眼可見的大幅度數據波動；轉換參考電極，由單電極參考轉換為平均參考；去眼電偽跡，觀察眼電信號的正負并以此為基準對其他信號進行較正；數字濾波，使用 1～40 Hz 帶通濾波器進行濾波；基線校正，選取刺激前 0 時刻數據作為基線計算平均值，去除自發腦電噪聲；腦電信號分段，設置刺激前 500 ms 到后 500 ms 時間段進行疊加平均。
1.2.3 EEG 源定位方法
eLORETA 是 2005 年提出的一種分布式模型源定位算法，由于其具有在存在測量和生物結構噪聲的情況下，依然能形成零誤差定位成像的優點，被研究者們廣泛采用。
大腦電流密度矢量場與頭皮電位之間的對應關系可表示為：
 |
式中，
為經過平均參考變換的 m × 1 維的頭皮電位分布，m 為頭皮電極數量。J 為 n × 1 維的腦電源信號，n 為皮層體素數量。K 為 m × n 維的正問題導聯場矩陣。由于 
，該方程為欠定方程，沒有唯一解。引入代價方程
 |
式中，
，為規范化系數。通過最小化代價方程（2），可以求得 J 的解為：
 |
式中，H 為正則化矩陣，定義為
11T/1T1，其中，I 為單位矩陣，1 為單位向量；W 為加權矩陣。當設置加權矩陣為單位矩陣，即 W = I 時，即為經典的非加權最小范數解
 |
eLORETA 算法是尋找合適的加權矩陣 W，使得當理想條件下在大腦中的任何地方用點源測試時，分布式線性逆解具有零定位誤差[21]。理想條件下具有零定位誤差的權重：
 |
式中，
，是加權矩陣 W 的對角線元素，并且 
表示導聯場矩陣 K 的第 i 列。用元素 
初始化對角線權重矩陣 W。計算
 |
保持 C 固定，對于 
計算新的權重
 |
使用新的權重，轉到式（6）直到收斂（即當權重矩陣的變化足夠小時停止）。
該理論證明了線性逆解的精確定位性質。由式（3），第 i 個體素的電流密度為：
 |
將式（5）代入式（8），可得：
 |
通過式（6）求出 C，當實際頭皮電位由目標處的點源產生時，就可以顯示平方電流密度
達到最大值。
1.2.4 腦網絡構建方法
腦電信號蘊含了豐富的生理信息，利用腦電信號構建功能腦網絡，進而分析相關屬性參數，是腦電信號分析的熱點之一。構建功能腦網絡需要定義節點和邊，然后利用關聯性構造連接，不同的節點及連接定義直接影響著大腦特性的解釋[22]。
① 節點的定義：Brodmann 分區和 AAL 模板分別將大腦分為 52 個和 90 個腦區，本文根據感興趣區域（region of interesting，ROI）在大腦皮層上一共自定義了 64 個節點。然后把每個節點最近鄰的體素進行疊加平均，作為節點的值。
② 邊的定義：對于邊的定義，連接類型不同，度量的特性也不同，本文選用互相關方法進行度量連接，可以描述信號 x（t）與 y（t）在不同時刻 t1、t2 的取值相關程度。0 代表不相關，1 代表相關。Schindler 等[23]利用互相關構建癲癇患者的 EEG 腦網絡，指出了患者功能腦網絡的拓撲特性隨著患者狀態而產生動力學的變化。本文在構建工作記憶 EEG 功能腦網絡時，通過計算 64 個節點兩兩之間的同步似然性建立節點之間的連接，得到 64 × 64 的關聯矩陣 R。皮爾遜相關算法是一種計算兩直線相關性的方法，假設有兩個離散隨機變量 x、y，則這兩個變量間的皮爾遜相關系數可通過以下公式計算：
 |
式中，
和 
分別表示通道 i 和 j 腦電序列，
和
分別表示通道 i 和 j 腦電序列的均值，由此可以得到腦電序列關聯矩陣。對于兩個離散隨機變量 x、y，相關系數 
，當 
接近 1 時，表示變量 x 與 y 高度線性相關[24]，當
時，表明變量 x 與 y 完全線性相關。
③ 閾值的選取：閾值的選擇較為重要，目前主要有兩種方法。一種方法是通過測試法選擇合適閾值，能保證網絡連通的最大可能值，而無孤立的點；另一種方法是采用代替數據法確定閾值，即先通過相位置亂法得到替代數據，保留了原始數據時域特征，進而估算原始數據的鎖定值，來確定閾值。本文采用第一種方法，通過測試選擇閾值為 0.9，以保證網絡的連通性能。
1.2.5 腦網絡屬性參數的求取
腦網絡通常可通過一些屬性參數進行量化，常用的屬性參數有節點度、介數中心度和聚類系數等。
① 節點度：節點度 
是指與某一節點 i 相連接的節點的數目，可以將鄰接矩陣第 i 行的元素進行求和得到：
 |
而網絡平均度是指網絡中所有節點度的平均值，計算公式為：
 |
② 介數中心度：介數中心度（betweenness centrality）表示在復雜網絡的最短路徑中經過節點 v 的數量，與路徑長度相關[25]，反映了節點的中央化程度。網絡節點的介數中心度 Bv 表示網絡中所有通過節點 v 的最短路徑的數量，計算公式為：
 |
式中，
是所有過節點 v 的最短路徑數量和，
是節點 i 與節點 j 之間最短路徑的數量集合，最短路徑 
。
③ 聚類系數：聚類系數是表示網絡集團化程度的一個參數，意味著網絡中某一節點的鄰居間又互為鄰居節點的可能性。一個節點 i 鄰居節點邊的數量與可能存在的所有連邊個數 
的比值就是這個節點的聚類系數 
，即
 |
平均聚類系數為所有節點聚類系數的平均值，即
 |
式中，
，當 C = 0 時，表示網絡中節點不與任何節點相連，當 C = 1 時，表示網絡是全耦合的，任意兩個節點都相互連接。
2 結果
2.1 行為學數據統計
使用統計軟件 SPSS20.0 對行為學數據處理，得到不同音樂狀態下被試的平均反應正確率，如圖 3 所示。
圖3
3-back 不同音樂狀態下的平均正確率
Figure3.
3-back average correct rate under different music states
從圖 3 可以看出，無音樂狀態下被試對空間位置的記憶正確率均值最高，古典音樂較低，而搖滾音樂最低。對正確率數據進行單因素方差檢驗，無音樂狀態下的正確率高于古典音樂狀態（P < 0.05）和搖滾音樂狀態（P < 0.05），而古典音樂狀態下的正確率高于搖滾音樂狀態（P < 0.05）。
2.2 電流源密度分析
使用 curry8 軟件中 eLORETA 對腦電數據進行了溯源，得到三種背景音樂下峰值期的電流密度統計值，如圖 4 所示。
圖4
不同音樂狀態下腦電信號源電流密度分布
Figure4.
Current density distribution of EEG signal sources in different music states
由圖 4 可以看出，在無音樂狀態下，峰值期的激活區域主要集中在枕葉和右腦顳葉，強度高于古典音樂和搖滾音樂；在搖滾音樂狀態下，激活區域亦主要在枕葉和右腦顳葉，強度高于古典音樂狀態。溯源結果表明大多數人使用右腦對空間信息進行分析和記憶，因此無音樂狀態下右腦的電流密度比較高。從溯源結果得知，搖滾音樂比古典音樂狀態激發右腦枕葉的活躍程度更強[26]。
2.3 腦網絡構建結果
采用腦網絡構建程序 BrainNet view 對溯源后的數據進行構建[27]，不同音樂背景下的皮層腦網絡構建結果如圖 5 所示。
圖5
不同音樂背景下的皮層腦網絡
Figure5.
Cortical brain network in different music backgrounds
由圖 5 可見，古典音樂背景和無音樂背景相比，大腦連接差異不明顯，古典音樂背景下節點之間的連接程度稍微稀疏一些，而搖滾音樂背景下右側大腦枕葉處的連接程度明顯高于古典音樂和無音樂狀態時。在搖滾音樂背景下，右腦網絡連接更多，說明搖滾音樂更激發出右腦的活動，而空間類的任務大都由右腦控制。搖滾音樂激活大腦的部分腦區網絡連接，使得枕葉和右腦顳葉的連接增多，減少了大腦在進行工作記憶時投入到任務當中的認知資源，導致對空間定位認知的下降。
2.4 腦網絡屬性的結果分析
2.4.1 節點度分析
對節點度進行計算，并分別統計了三種情況下節點度最高的前 6 個點，如表 1 所示。按照 Brodmann（BA）分區，在搖滾音樂狀態下，節點度最高的點主要分布在顳葉（BA37、BA21、BA39）以及枕葉（BA18）。古典音樂狀態下，節點度最高的點分布在顳葉（BA37、BA39、BA22）和枕葉（BA18）。無音樂狀態下，節點度最高的點分布在顳葉（BA37、BA39、BA21）和頂葉（BA40）。
表1
不同音樂狀態下腦網絡節點度最高的前 6 個節點位置
Table1.
The top 6 node locations with the highest node degree in brain networks under different musical conditions
對節點度應用單因素方差分析，可檢驗節點度組間的差異情況。無音樂狀態下節點度均值為 11.313；古典音樂狀態下節點度均值為 7.719；搖滾音樂狀態下節點度均值為 13.844。總體數據具有顯著差異（F = 14.044，P = 0.001），單因素方差分析 95% 置信區間為 9.961～11.956。
如表 2 所示，對不同音樂狀態下節點度進行兩兩比較可知，搖滾音樂狀態相較于古典音樂的差值約為 6.125，差異有統計學意義（F = 23.461，P = 0.001）；搖滾音樂狀態與無音樂的差值約為 2.531，差異無統計學意義（F = 3.872，P = 0.148）；古典音樂狀態相較于無音樂狀態的差值約為 3.594，差異有統計學意義（F = 16.280，P = 0.001）。
表2
節點度單因素方差檢驗兩兩比較
Table2.
Multiple comparison of nodal degree
結果表明，在顯著性為 95% 的前提下，三種音樂狀態下皮層腦網絡的節點度有顯著的差別，節點度會受到音樂的影響。無音樂狀態時的節點度低于有背景音樂，搖滾音樂比古典音樂的節點度更高，這表明在背景音樂狀態下大腦中節點的重要程度更大，用于處理更多的任務，且搖滾音樂時大腦中需要處理的任務更繁重。
2.4.2 介數中心度分析
對介數中心度最高的前 6 個節點進行分析，如表 3 所示。按照 BA 分區，在搖滾音樂狀態下，介數中心度最高的點主要分布在顳葉（BA22）、額葉（BA6、BA45）以及頂葉（BA12）。古典音樂狀態下，介數中心度最高的點分布在顳葉（BA21）、頂葉（BA1）和額葉（BA46、BA6）。無音樂狀態下，介數中心度最高的點分布在顳葉（BA37、BA39、BA22、BA21）和頂葉（BA40）以及額葉（BA45）。
表3
不同音樂狀態下介數中心度最高的前 6 個點
Table3.
The top 6 points with the highest median centrality under different musical conditions
對介數中心度應用單因素方差檢驗，可檢驗介數中心度組間差異情況。結果顯示，無音樂狀態下介數中心度均值為 0.030，古典音樂狀態下為 0.057，搖滾音樂狀態下為 0.032，三組間介數中心度的差異均無統計學意義（F = 3.132，P = 0.053），單因素方差分析 95% 置信區間為 0.030～0.049。在顯著性為 95% 的前提下，三種音樂狀態下皮層腦網絡的介數中心度無顯著差別，但呈現一定的差異趨勢：無音樂時的介數中心度低于有背景音樂，搖滾音樂狀態下的介數中心度低于古典音樂。上述結果表明背景音樂會加強各腦區之間的聯系，用于處理更多的任務，且古典音樂使得腦區聯系更加緊密，這可能與人們對古典音樂的喜好相關。
2.4.3 聚類系數分析
對聚類系數最高的前 6 個節點進行分析，如表 4 所示。按照 BA 分區，在搖滾音樂狀態下，聚類系數最高的點主要分布在額葉（BA4、BA47、BA90）以及枕葉（BA18、BA19）。古典音樂狀態下，聚類系數最高的點分布在額葉（BA9、BA45、BA80）、頂葉（BA7）和枕葉（BA18）。無音樂狀態下，聚類系數最高的點分布在額葉（BA80）、枕葉（BA19、BA18）和頂葉（BA1、BA7）。
表4
不同音樂狀態下聚類系數最高的前 6 個點
Table4.
The top 6 points with the highest clustering coefficient under different musical conditions
對聚類系數應用單因素方差分析，得到聚類系數組間差異情況。結果顯示，無音樂狀態下聚類系數均值為 0.632，古典音樂狀態下為 0.638，搖滾音樂狀態下為 0.703，三組間聚類系數的差異不具有統計學意義（F = 2.700，P = 0.070），單因素方差分析 95% 置信區間為 0.630～0.685。在顯著性為 95% 的前提下，三種音樂狀態下皮層腦網絡的聚類系數無顯著差別，但呈現一定的差異趨勢：有背景音樂的聚類系數高于無音樂狀態，搖滾音樂狀態的聚類系數高于古典音樂。上述結果表明音樂使得大腦中定義的節點組成團的概率更大，增強了節點之間的聯系，為更多的大腦任務開辟了認知資源道路，大腦用于處理搖滾音樂與工作記憶的關系需要更多的認知資源。
3 討論
通過對被試的頭皮腦電信號溯源，結果顯示在無音樂狀態下源電流密度值更高，且三種狀態下源都集中在枕葉和右側顳葉區域。無音樂狀態下，右腦區域顯示更加活躍，而古典音樂和搖滾音樂激活的右腦區域電流密度值低且范圍大，對被試空間記憶產生一定影響，空間位置記憶的同時分配大腦資源用于處理音樂，降低了記憶效率。這與國內外許多研究者的結果較為一致，即大腦右半球在加工空間記憶和處理音樂、情感等方面更有優勢。
對皮層腦網絡的屬性進行分析，發現無音樂狀態下的節點度與古典音樂和搖滾音樂狀態均有顯著差異。無音樂狀態下節點度最高的點分布在顳葉（BA37、BA39、BA21）和頂葉（BA40），與有背景音樂狀態下的差異在頂葉和枕葉，背景音樂導致頂葉區的連接度降低，頂葉參與認知中的空間定位判斷，因此背景音樂減少了大腦定位資源。腦網絡的介數中心度在有無背景音樂的狀態下沒有顯著差異。無音樂狀態下介數中心度最高的點分布在顳葉（BA37、BA39、BA22、BA21）、頂葉（BA40）以及額葉（BA45），與有音樂狀態下分布區域相近，與古典音樂的差異體現在顳葉（BA37、BA39）區域。這兩個位置主要負責高級感覺與短時記憶，說明古典音樂對負責感覺和短時記憶的區域產生了抑制作用。比較無音樂狀態與背景音樂狀態下的聚類系數發現，它們并無顯著差異。無音樂狀態下與搖滾音樂狀態下的聚類系數最高點分布差異在額葉（BA80）和頂葉（BA1、BA7），額葉廣泛參與各種類型記憶的編碼與提取過程。搖滾音樂因其較快的節奏、激昂的旋律、強烈的刺激，使得人精神興奮，容易產生疲憊，從而影響記憶效果。
對 15 名被試進行行為學數據統計分析，無音樂狀態下對空間位置記憶的正確率最高，其次是在背景音樂為古典音樂狀態下，搖滾音樂狀態下的被試反應正確率最低，且兩兩對比差異顯著，表明背景音樂會對人的記憶造成干擾，產生消極的影響，而且搖滾音樂的影響更大。音樂是一種可以很大程度影響大腦思考和記憶的材料，并且音樂類型對記憶的影響程度不同。搖滾音樂影響最大，古典音樂影響次之。音樂處理過程占用人工作記憶資源，造成空間認知工作記憶程度降低。
4 結論
本文設計了空間認知工作記憶的 n-back 實驗，采集了 15 位被試的頭皮腦電信號，針對腦電信號空間分辨率較低的特點，利用 eLORETA 進行了腦電信號的溯源，進而利用溯源結果在大腦皮層上構建腦網絡，可減少虛假連接的影響，并結合行為學數據的分析，對不同音樂背景下空間認知工作記憶的腦功能皮層網絡進行了研究。
頭皮腦電信號溯源結果表明，無音樂狀態下和有背景音樂狀態下大腦的源電流分布有一定差異且無音樂時電流密度值更高，大腦用于處理音樂的過程與處理空間記憶的過程產生干擾，搶占認知資源，可能會降低空間記憶的效率。皮層腦網絡結果表明，搖滾音樂狀態時網絡連接程度更大，節點度顯著高于無音樂，節點的重要程度更大，大腦需要處理更多的任務，這可能會影響空間位置記憶。行為學數據也提示了一致的結果，即無音樂狀態下的記憶正確率最高，搖滾音樂狀態下正確率最低。可見，背景音樂對空間認知工作記憶產生了干擾作用，大腦在進行音樂處理過程時，占用了腦力認知資源，影響了大腦空間認知工作記憶效率，且搖滾音樂比古典音樂干擾程度更大。本文的研究為探索音樂對空間認知的影響提供了新的思路。
利益沖突聲明：本文全體作者均聲明不存在利益沖突。
引言
音樂對大腦認知功能的影響體現在很多方面。有研究表明，音樂和視覺的藝術訓練可調節人類大腦產生可塑性變化，進而抑制認知能力的下降[1]。音樂會對大腦的工作記憶（working memory，WM）等認知功能產生影響[2-3]，還可輔助治療某些疾病，具有藥物不可替代的效果[4]。
工作記憶猶如人類的緩存器，是加工處理并短暫存儲信息的認知系統。許多高級認知功能如判斷推理和理解頓悟都是以工作記憶為基礎的。研究工作記憶在醫學工程學和心理學方面有重要意義，對診斷精神分裂癥和阿爾茨海默病等有促進作用。早在 1993 年就有科學家發現莫扎特 K448 能改善人的空間推理和記憶[5]。有研究者通過事件相關電位（event-related potential，ERP）研究發現，長期音樂訓練后大腦會給聽覺系統分配更多神經資源[6]。馬諧等[7]研究了背景音樂對中-英文閱讀理解的影響效應，發現無論中文還是英文的閱讀理解，背景音樂存在的情況下閱讀效率均低于無音樂的情況。Nag 等[8]通過分析印度斯坦古典音樂對人情感的影響，發現古典音樂會喚醒人腦的特定區域。音樂可以在一定程度上促進大腦中腦啡肽的分泌，這種物質能夠支撐人類記憶和思考功能[9]，但其在大腦中的具體作用機制尚不清楚，有必要做進一步研究。工作記憶是一切認知的基礎，因此，研究音樂對工作記憶的影響具有重要意義。
頭皮腦電（electroencephalography，EEG）是由大腦中神經元活性被激活而引起的持續的節律性電活動。腦電信號的時間分辨率高，能記錄毫秒級的電位變化，但受到皮層、顱骨、腦膜和頭皮的影響，空間分辨率較低[10]。腦電溯源定位，即腦電逆問題，是根據在頭皮表面測量到的電位信號，反演腦內神經活動源的位置、方向和強度信息，其研究有助于了解大腦活動機制。人類高級認知功能在相應半球發揮不同主導作用[11-12]，通過溯源定位，可以探索兩半球之間的聯系。通過腦電源定位結果構建皮層功能網絡，可望在空間維度下分析大腦的認知活動。
目前頭皮腦電源定位的方法有很多。Hamalainen 等提出最小范求逆算法，Greenballt 提出使用協方差矩陣用于源空間內構建加權函數，Pascual 等通過最小化加權源的拉普拉斯算子來得到平滑的空間分布解，提出了低分辨率層析成像方法（low-resolution brain tomography algorithm，LORETA）。隨后又發展出了標準的低分辨率層析成像方法、加權精確最小范數解、稀疏貝葉斯方法和精確的低分辨率層析成像方法（exact low-resolution brain tomography algorithm，eLORETA）等[13-15]。其中，eLORETA 能夠消除不重要的激活位置，具有定位更精確、使源分布更清晰的優點。有學者使用 eLORETA 進行一些認知方面的相關研究，也有學者使用 eLORETA 研究 Huntington 舞蹈病的一些大腦病變[16-19]。
本文采集不同類型背景音樂下被試進行 n-back 短時空間認知工作記憶任務的頭皮腦電信號，使用 eLORETA 進行溯源，得到大腦皮層源信號分布。基于該源信號，利用互相關方法建立各通道之間的關系，構建皮層腦網絡，來分析大腦對于音樂的反應，從而討論不同類型的音樂對人的空間認知工作記憶的影響。
1 材料和方法
1.1 材料
1.1.1 實驗設備
實驗設備為美國 NeuroScan 公司生產的腦電實驗記錄儀，利用 curry 8 軟件采集腦電數據，實驗任務由 E-Prime 3.0 軟件在戴爾電腦上完成，實驗系統見圖 1。此設備具有多個放大器協調同步功能，保證了通道之間的同步性，保持通道的無偏差相位。本實驗通過了河北工業大學生物醫學倫理委員會的審查，文號為 HEBUThMEC2019015。
圖1
腦電采集設備
Figure1.
EEG acquisition equipment
本實驗中，根據國際腦電圖學會制定的 10-20 電極導聯定位標準，用 64 導電極帽進行采集。實驗中采樣頻率為 1 000 Hz，電極與頭皮之間的阻抗保持在 5 k?以下。該電極帽提供了水平眼電和垂直眼電通道，垂直眼電電極位于左眼眉骨和眼瞼各一個，水平眼電電極位于左右眼角外側各一個。
1.1.2 實驗對象
本實驗招募 15 名身體健康的在校大學生作為被試，其中男生 8 名，女生 7 名，年齡在 20～30 歲，均未受過音樂專業訓練，均為右利手，且矯正視力在正常水平，實驗過程中無身體不適。實驗環境安靜無擾，實驗前需完成預實驗并告知全部實驗流程。由于實驗設計是在不同背景音樂下完成記憶任務，所以實驗前對被試進行音樂愛好類型的問卷調查。
1.1.3 刺激材料
實驗材料為隨機呈現的 5 × 5 方格，其中一個為目標格（藍色）。本文使用的音樂材料為貝多芬的《月光奏鳴曲第一樂章》和 Nightwish 樂隊的《Last Ride of the Day》，為避免歌詞對被試的影響，使用消去歌詞的純音樂，為保證音樂音量的恒定，使用軟件 MP3gain 把音樂的增益均設置為 75 dB，這樣可以避免被試產生不適，耳機使用型號為卡能 KM360。
1.1.4 空間 n-back 實驗流程
實驗分為三個測試過程，分別為在《月光奏鳴曲第一樂章》、《Last Ride of the Day》和無音樂背景下進行，任務類型為三個，分別為 1-back、2-back 和 3-back。實驗的進行順序為無音樂、《月光奏鳴曲第一樂章》、《Last Ride of the Day》，這樣可以減少被試因實驗不適產生誤差。1-back 實驗開始時，屏幕上出現 5 × 5 方格，其中一個為藍色目標格（任意位置，但需記住），同時音樂響起，被試進行記憶，持續 2 s。然后屏幕顯示黑屏，持續 2 s，被試進行記憶保持。隨后屏幕再次出現 5 × 5 方格，其中一個為藍色目標格（任意位置），此藍色目標與之前目標格對比，若位置相同，則點擊鼠標左鍵，位置不同則點擊鼠標右鍵，此過程循環顯示并判斷，每一個顯示都與之前一個顯示進行對比。實驗設計 42 個判別目標，在顯示 21 個刺激后，有短暫休息時間（時長依被試狀態而定），再顯示 21 個刺激項，以保證被試狀態良好，這樣可以減小被試因大腦疲勞產生的影響。1-back 完成之后，進行 2-back 和 3-back 實驗，過程類似，但判別目標與之前第二個或之前第三個進行對比，實驗流程如圖 2 所示。
圖2
實驗流程示意圖
Figure2.
Experimental flow chart
1.2 方法
1.2.1 行為學數據統計
使用 E-Prime3.0 軟件同步記錄被試的行為學數據，得到被試在三種音樂狀態下的反應正確率。根據格拉布斯（Grubbs）準則剔除出現異常情況的一名被試的數據，使用單因素方差檢驗不同類型音樂狀態下的差異[20]。
使用單因素方差分析方法對得到的腦網絡屬性進行分析，比較不同音樂類型下的屬性差異，根據方差齊性檢驗的結果，決定使用最小顯著性差異法（least significant difference，LSD）或 t 檢驗保守成對比較（Tamhane’s T2）對不同類型下屬性的差異進行兩兩比較。本文采用的檢驗水準為 0.05。
1.2.2 腦電信號預處理
由于腦電信號極其微弱，很容易受到外界干擾，因此要對采集的信號進行預處理。處理步驟包括：預覽信號，刪除肉眼可見的大幅度數據波動；轉換參考電極，由單電極參考轉換為平均參考；去眼電偽跡，觀察眼電信號的正負并以此為基準對其他信號進行較正；數字濾波，使用 1～40 Hz 帶通濾波器進行濾波；基線校正，選取刺激前 0 時刻數據作為基線計算平均值，去除自發腦電噪聲；腦電信號分段，設置刺激前 500 ms 到后 500 ms 時間段進行疊加平均。
1.2.3 EEG 源定位方法
eLORETA 是 2005 年提出的一種分布式模型源定位算法，由于其具有在存在測量和生物結構噪聲的情況下，依然能形成零誤差定位成像的優點，被研究者們廣泛采用。
大腦電流密度矢量場與頭皮電位之間的對應關系可表示為：
|
式中， 為經過平均參考變換的 m × 1 維的頭皮電位分布，m 為頭皮電極數量。J 為 n × 1 維的腦電源信號，n 為皮層體素數量。K 為 m × n 維的正問題導聯場矩陣。由于 ，該方程為欠定方程，沒有唯一解。引入代價方程
|
式中，，為規范化系數。通過最小化代價方程（2），可以求得 J 的解為：
|
式中，H 為正則化矩陣，定義為11T/1T1，其中，I 為單位矩陣，1 為單位向量；W 為加權矩陣。當設置加權矩陣為單位矩陣，即 W = I 時，即為經典的非加權最小范數解
|
eLORETA 算法是尋找合適的加權矩陣 W，使得當理想條件下在大腦中的任何地方用點源測試時，分布式線性逆解具有零定位誤差[21]。理想條件下具有零定位誤差的權重：
|
式中，，是加權矩陣 W 的對角線元素，并且 表示導聯場矩陣 K 的第 i 列。用元素 初始化對角線權重矩陣 W。計算
|
保持 C 固定，對于 計算新的權重
|
使用新的權重，轉到式（6）直到收斂（即當權重矩陣的變化足夠小時停止）。
該理論證明了線性逆解的精確定位性質。由式（3），第 i 個體素的電流密度為：
|
將式（5）代入式（8），可得：
|
通過式（6）求出 C，當實際頭皮電位由目標處的點源產生時，就可以顯示平方電流密度 達到最大值。
1.2.4 腦網絡構建方法
腦電信號蘊含了豐富的生理信息，利用腦電信號構建功能腦網絡，進而分析相關屬性參數，是腦電信號分析的熱點之一。構建功能腦網絡需要定義節點和邊，然后利用關聯性構造連接，不同的節點及連接定義直接影響著大腦特性的解釋[22]。
① 節點的定義：Brodmann 分區和 AAL 模板分別將大腦分為 52 個和 90 個腦區，本文根據感興趣區域（region of interesting，ROI）在大腦皮層上一共自定義了 64 個節點。然后把每個節點最近鄰的體素進行疊加平均，作為節點的值。
② 邊的定義：對于邊的定義，連接類型不同，度量的特性也不同，本文選用互相關方法進行度量連接，可以描述信號 x（t）與 y（t）在不同時刻 t1、t2 的取值相關程度。0 代表不相關，1 代表相關。Schindler 等[23]利用互相關構建癲癇患者的 EEG 腦網絡，指出了患者功能腦網絡的拓撲特性隨著患者狀態而產生動力學的變化。本文在構建工作記憶 EEG 功能腦網絡時，通過計算 64 個節點兩兩之間的同步似然性建立節點之間的連接，得到 64 × 64 的關聯矩陣 R。皮爾遜相關算法是一種計算兩直線相關性的方法，假設有兩個離散隨機變量 x、y，則這兩個變量間的皮爾遜相關系數可通過以下公式計算：
|
式中， 和 分別表示通道 i 和 j 腦電序列， 和 分別表示通道 i 和 j 腦電序列的均值，由此可以得到腦電序列關聯矩陣。對于兩個離散隨機變量 x、y，相關系數 ，當 接近 1 時，表示變量 x 與 y 高度線性相關[24]，當 時，表明變量 x 與 y 完全線性相關。
③ 閾值的選取：閾值的選擇較為重要，目前主要有兩種方法。一種方法是通過測試法選擇合適閾值，能保證網絡連通的最大可能值，而無孤立的點；另一種方法是采用代替數據法確定閾值，即先通過相位置亂法得到替代數據，保留了原始數據時域特征，進而估算原始數據的鎖定值，來確定閾值。本文采用第一種方法，通過測試選擇閾值為 0.9，以保證網絡的連通性能。
1.2.5 腦網絡屬性參數的求取
腦網絡通常可通過一些屬性參數進行量化，常用的屬性參數有節點度、介數中心度和聚類系數等。
① 節點度：節點度 是指與某一節點 i 相連接的節點的數目，可以將鄰接矩陣第 i 行的元素進行求和得到：
|
而網絡平均度是指網絡中所有節點度的平均值，計算公式為：
|
② 介數中心度：介數中心度（betweenness centrality）表示在復雜網絡的最短路徑中經過節點 v 的數量，與路徑長度相關[25]，反映了節點的中央化程度。網絡節點的介數中心度 Bv 表示網絡中所有通過節點 v 的最短路徑的數量，計算公式為：
|
式中， 是所有過節點 v 的最短路徑數量和， 是節點 i 與節點 j 之間最短路徑的數量集合，最短路徑 。
③ 聚類系數：聚類系數是表示網絡集團化程度的一個參數，意味著網絡中某一節點的鄰居間又互為鄰居節點的可能性。一個節點 i 鄰居節點邊的數量與可能存在的所有連邊個數 的比值就是這個節點的聚類系數 ，即
|
平均聚類系數為所有節點聚類系數的平均值，即
|
式中，，當 C = 0 時，表示網絡中節點不與任何節點相連，當 C = 1 時，表示網絡是全耦合的，任意兩個節點都相互連接。
2 結果
2.1 行為學數據統計
使用統計軟件 SPSS20.0 對行為學數據處理，得到不同音樂狀態下被試的平均反應正確率，如圖 3 所示。
圖3
3-back 不同音樂狀態下的平均正確率
Figure3.
3-back average correct rate under different music states
從圖 3 可以看出，無音樂狀態下被試對空間位置的記憶正確率均值最高，古典音樂較低，而搖滾音樂最低。對正確率數據進行單因素方差檢驗，無音樂狀態下的正確率高于古典音樂狀態（P < 0.05）和搖滾音樂狀態（P < 0.05），而古典音樂狀態下的正確率高于搖滾音樂狀態（P < 0.05）。
2.2 電流源密度分析
使用 curry8 軟件中 eLORETA 對腦電數據進行了溯源，得到三種背景音樂下峰值期的電流密度統計值，如圖 4 所示。
圖4
不同音樂狀態下腦電信號源電流密度分布
Figure4.
Current density distribution of EEG signal sources in different music states
由圖 4 可以看出，在無音樂狀態下，峰值期的激活區域主要集中在枕葉和右腦顳葉，強度高于古典音樂和搖滾音樂；在搖滾音樂狀態下，激活區域亦主要在枕葉和右腦顳葉，強度高于古典音樂狀態。溯源結果表明大多數人使用右腦對空間信息進行分析和記憶，因此無音樂狀態下右腦的電流密度比較高。從溯源結果得知，搖滾音樂比古典音樂狀態激發右腦枕葉的活躍程度更強[26]。
2.3 腦網絡構建結果
采用腦網絡構建程序 BrainNet view 對溯源后的數據進行構建[27]，不同音樂背景下的皮層腦網絡構建結果如圖 5 所示。
圖5
不同音樂背景下的皮層腦網絡
Figure5.
Cortical brain network in different music backgrounds
由圖 5 可見，古典音樂背景和無音樂背景相比，大腦連接差異不明顯，古典音樂背景下節點之間的連接程度稍微稀疏一些，而搖滾音樂背景下右側大腦枕葉處的連接程度明顯高于古典音樂和無音樂狀態時。在搖滾音樂背景下，右腦網絡連接更多，說明搖滾音樂更激發出右腦的活動，而空間類的任務大都由右腦控制。搖滾音樂激活大腦的部分腦區網絡連接，使得枕葉和右腦顳葉的連接增多，減少了大腦在進行工作記憶時投入到任務當中的認知資源，導致對空間定位認知的下降。
2.4 腦網絡屬性的結果分析
2.4.1 節點度分析
對節點度進行計算，并分別統計了三種情況下節點度最高的前 6 個點，如表 1 所示。按照 Brodmann（BA）分區，在搖滾音樂狀態下，節點度最高的點主要分布在顳葉（BA37、BA21、BA39）以及枕葉（BA18）。古典音樂狀態下，節點度最高的點分布在顳葉（BA37、BA39、BA22）和枕葉（BA18）。無音樂狀態下，節點度最高的點分布在顳葉（BA37、BA39、BA21）和頂葉（BA40）。
表1
不同音樂狀態下腦網絡節點度最高的前 6 個節點位置
Table1.
The top 6 node locations with the highest node degree in brain networks under different musical conditions
對節點度應用單因素方差分析，可檢驗節點度組間的差異情況。無音樂狀態下節點度均值為 11.313；古典音樂狀態下節點度均值為 7.719；搖滾音樂狀態下節點度均值為 13.844。總體數據具有顯著差異（F = 14.044，P = 0.001），單因素方差分析 95% 置信區間為 9.961～11.956。
如表 2 所示，對不同音樂狀態下節點度進行兩兩比較可知，搖滾音樂狀態相較于古典音樂的差值約為 6.125，差異有統計學意義（F = 23.461，P = 0.001）；搖滾音樂狀態與無音樂的差值約為 2.531，差異無統計學意義（F = 3.872，P = 0.148）；古典音樂狀態相較于無音樂狀態的差值約為 3.594，差異有統計學意義（F = 16.280，P = 0.001）。
表2
節點度單因素方差檢驗兩兩比較
Table2.
Multiple comparison of nodal degree
結果表明，在顯著性為 95% 的前提下，三種音樂狀態下皮層腦網絡的節點度有顯著的差別，節點度會受到音樂的影響。無音樂狀態時的節點度低于有背景音樂，搖滾音樂比古典音樂的節點度更高，這表明在背景音樂狀態下大腦中節點的重要程度更大，用于處理更多的任務，且搖滾音樂時大腦中需要處理的任務更繁重。
2.4.2 介數中心度分析
對介數中心度最高的前 6 個節點進行分析，如表 3 所示。按照 BA 分區，在搖滾音樂狀態下，介數中心度最高的點主要分布在顳葉（BA22）、額葉（BA6、BA45）以及頂葉（BA12）。古典音樂狀態下，介數中心度最高的點分布在顳葉（BA21）、頂葉（BA1）和額葉（BA46、BA6）。無音樂狀態下，介數中心度最高的點分布在顳葉（BA37、BA39、BA22、BA21）和頂葉（BA40）以及額葉（BA45）。
表3
不同音樂狀態下介數中心度最高的前 6 個點
Table3.
The top 6 points with the highest median centrality under different musical conditions
對介數中心度應用單因素方差檢驗，可檢驗介數中心度組間差異情況。結果顯示，無音樂狀態下介數中心度均值為 0.030，古典音樂狀態下為 0.057，搖滾音樂狀態下為 0.032，三組間介數中心度的差異均無統計學意義（F = 3.132，P = 0.053），單因素方差分析 95% 置信區間為 0.030～0.049。在顯著性為 95% 的前提下，三種音樂狀態下皮層腦網絡的介數中心度無顯著差別，但呈現一定的差異趨勢：無音樂時的介數中心度低于有背景音樂，搖滾音樂狀態下的介數中心度低于古典音樂。上述結果表明背景音樂會加強各腦區之間的聯系，用于處理更多的任務，且古典音樂使得腦區聯系更加緊密，這可能與人們對古典音樂的喜好相關。
2.4.3 聚類系數分析
對聚類系數最高的前 6 個節點進行分析，如表 4 所示。按照 BA 分區，在搖滾音樂狀態下，聚類系數最高的點主要分布在額葉（BA4、BA47、BA90）以及枕葉（BA18、BA19）。古典音樂狀態下，聚類系數最高的點分布在額葉（BA9、BA45、BA80）、頂葉（BA7）和枕葉（BA18）。無音樂狀態下，聚類系數最高的點分布在額葉（BA80）、枕葉（BA19、BA18）和頂葉（BA1、BA7）。
表4
不同音樂狀態下聚類系數最高的前 6 個點
Table4.
The top 6 points with the highest clustering coefficient under different musical conditions
對聚類系數應用單因素方差分析，得到聚類系數組間差異情況。結果顯示，無音樂狀態下聚類系數均值為 0.632，古典音樂狀態下為 0.638，搖滾音樂狀態下為 0.703，三組間聚類系數的差異不具有統計學意義（F = 2.700，P = 0.070），單因素方差分析 95% 置信區間為 0.630～0.685。在顯著性為 95% 的前提下，三種音樂狀態下皮層腦網絡的聚類系數無顯著差別，但呈現一定的差異趨勢：有背景音樂的聚類系數高于無音樂狀態，搖滾音樂狀態的聚類系數高于古典音樂。上述結果表明音樂使得大腦中定義的節點組成團的概率更大，增強了節點之間的聯系，為更多的大腦任務開辟了認知資源道路，大腦用于處理搖滾音樂與工作記憶的關系需要更多的認知資源。
3 討論
通過對被試的頭皮腦電信號溯源，結果顯示在無音樂狀態下源電流密度值更高，且三種狀態下源都集中在枕葉和右側顳葉區域。無音樂狀態下，右腦區域顯示更加活躍，而古典音樂和搖滾音樂激活的右腦區域電流密度值低且范圍大，對被試空間記憶產生一定影響，空間位置記憶的同時分配大腦資源用于處理音樂，降低了記憶效率。這與國內外許多研究者的結果較為一致，即大腦右半球在加工空間記憶和處理音樂、情感等方面更有優勢。
對皮層腦網絡的屬性進行分析，發現無音樂狀態下的節點度與古典音樂和搖滾音樂狀態均有顯著差異。無音樂狀態下節點度最高的點分布在顳葉（BA37、BA39、BA21）和頂葉（BA40），與有背景音樂狀態下的差異在頂葉和枕葉，背景音樂導致頂葉區的連接度降低，頂葉參與認知中的空間定位判斷，因此背景音樂減少了大腦定位資源。腦網絡的介數中心度在有無背景音樂的狀態下沒有顯著差異。無音樂狀態下介數中心度最高的點分布在顳葉（BA37、BA39、BA22、BA21）、頂葉（BA40）以及額葉（BA45），與有音樂狀態下分布區域相近，與古典音樂的差異體現在顳葉（BA37、BA39）區域。這兩個位置主要負責高級感覺與短時記憶，說明古典音樂對負責感覺和短時記憶的區域產生了抑制作用。比較無音樂狀態與背景音樂狀態下的聚類系數發現，它們并無顯著差異。無音樂狀態下與搖滾音樂狀態下的聚類系數最高點分布差異在額葉（BA80）和頂葉（BA1、BA7），額葉廣泛參與各種類型記憶的編碼與提取過程。搖滾音樂因其較快的節奏、激昂的旋律、強烈的刺激，使得人精神興奮，容易產生疲憊，從而影響記憶效果。
對 15 名被試進行行為學數據統計分析，無音樂狀態下對空間位置記憶的正確率最高，其次是在背景音樂為古典音樂狀態下，搖滾音樂狀態下的被試反應正確率最低，且兩兩對比差異顯著，表明背景音樂會對人的記憶造成干擾，產生消極的影響，而且搖滾音樂的影響更大。音樂是一種可以很大程度影響大腦思考和記憶的材料，并且音樂類型對記憶的影響程度不同。搖滾音樂影響最大，古典音樂影響次之。音樂處理過程占用人工作記憶資源，造成空間認知工作記憶程度降低。
4 結論
本文設計了空間認知工作記憶的 n-back 實驗，采集了 15 位被試的頭皮腦電信號，針對腦電信號空間分辨率較低的特點，利用 eLORETA 進行了腦電信號的溯源，進而利用溯源結果在大腦皮層上構建腦網絡，可減少虛假連接的影響，并結合行為學數據的分析，對不同音樂背景下空間認知工作記憶的腦功能皮層網絡進行了研究。
頭皮腦電信號溯源結果表明，無音樂狀態下和有背景音樂狀態下大腦的源電流分布有一定差異且無音樂時電流密度值更高，大腦用于處理音樂的過程與處理空間記憶的過程產生干擾，搶占認知資源，可能會降低空間記憶的效率。皮層腦網絡結果表明，搖滾音樂狀態時網絡連接程度更大，節點度顯著高于無音樂，節點的重要程度更大，大腦需要處理更多的任務，這可能會影響空間位置記憶。行為學數據也提示了一致的結果，即無音樂狀態下的記憶正確率最高，搖滾音樂狀態下正確率最低。可見，背景音樂對空間認知工作記憶產生了干擾作用，大腦在進行音樂處理過程時，占用了腦力認知資源，影響了大腦空間認知工作記憶效率，且搖滾音樂比古典音樂干擾程度更大。本文的研究為探索音樂對空間認知的影響提供了新的思路。
利益沖突聲明：本文全體作者均聲明不存在利益沖突。
