基于腦網絡的古典音樂和搖滾音樂對工作記憶的影響研究

李 穎 張東穎 蘇 晴 李繼鵬 閆 偉，

1(河北工業大學省部共建電工裝備可靠性與智能化國家重點實驗室，天津 300130)2(河北工業大學河北省電磁場與電器可靠性重點實驗室，天津 300130)

引言

音樂是人類社會文化的產物，是人們傳遞信息、表達情感的媒介，關于音樂對個體行為影響的研究由來已久。早在上個世紀60年代，保加利亞學者Lozanov創造了“暗示學習法”，他認為舒緩優美的古典音樂有助于緩解情緒上的緊張，使得注意力更為集中，學習效率更高；也有學者認為，音樂刺激會產生額外的信息干擾注意力，從而影響人的記憶效率等[1-2]。工作記憶是一種短時記憶系統，指的是在認知記憶過程中進行短時信息保存和操作的能力，在人類復雜認知活動中(如學習、推理)發揮了非常重要的作用[3]。目前，關于音樂對人類學習和認知的研究已經被整個心理學界關注。研究者多通過行為學參數(如反應時間、正確率等)進行統計分析，這種研究方法簡便直觀，但不具備實時性。腦電圖(electroencephalogram，EEG)是從頭皮上記錄到的大腦內神經元活動產生的自發性的電位變化，可以反映大腦的生理、病理狀態，亦可反映大腦的認知功能。腦電信號因其具有較高的時間分辨率，可有效反映大腦的工作狀態，被應用于音樂認知研究中。有研究者發現，不同的音樂狀態下腦電信號有所不同，大腦活動程度也不同[4]；還有研究者指出，聽音樂時，大腦額葉區的腦電信號α頻段的功率有所增加，喚醒活動得到增強，而γ和θ頻段沒有顯著變化[5]。所以，利用腦電信號研究音樂對認知的影響具有重要的意義。

基于EEG的腦網絡分析可以通過記錄在不同腦區的信號，研究它們的相關性和因果關系，并通過對網絡屬性的分析，探索 EEG功能腦網絡的拓撲結構，從而了解大腦不同腦區之間的協同工作模式。構建基于EEG信號的腦功能網絡，通常把各個EEG通道對應的電極所包含的區域作為節點，然后量化EEG不同通道信號間的關系，從而構建出功能性腦網絡[6]。目前，量化不同通道信號之間關系的方法有很多，如互相關、互信息、同步似然、相位同步等[7]。其中，互相關方法主要通過計算同一時刻兩導聯信號之間存在的線性相關程度，度量節點之間的相關性。在信號處理中，互相關可以用來度量同一時間下兩個波形的相似程度，從而判斷出信號之間的緊密關系，反映兩個函數的互相匹配程度。本研究利用互相關方法建立各通道腦電信號之間的相互關系，構建腦功能網絡，并對腦功能網絡屬性進行分析，以探究不同音樂刺激對工作記憶的影響。

1 材料和方法

1.1 材料

1.1.1實驗對象

20名在校學生，年齡20～30歲，均為右利手，健康狀況良好，具有正?；蛘叱C正后正常的視力及聽力水平，具有正常的聽覺功能，英文CET4成績均在460～480分之間。所有受試均簽署知情同意書。

1.1.2實驗材料

在本研究中，實驗材料分為記憶材料和音樂刺激材料兩種。記憶材料為雅思詞典中低頻英文單詞，所有單詞均為專業詞匯，對于受試者都是陌生的，因此可以消除個體差異的影響。

在音樂類型分類中，一般分為流行音樂、古典音樂、搖滾音樂等幾種。古典音樂通常節奏比較舒緩，華麗而流暢，給人以歡樂、寧靜的感受；搖滾音樂節奏強烈、分明，富有激情的節奏，能夠使人振奮，更加精神，是年輕人喜歡的音樂類型。因此，為了探究不同類型音樂對記憶的影響，選取了風格差異較大的古典音樂和搖滾音樂作為音樂刺激材料。

莫扎特的作品具有純凈、新鮮、明亮、自由的特點，有研究表明它在人類認知和學習、記憶等方面起到了積極作用[8]，因此本實驗所選的古典音樂材料為莫扎特《月光奏鳴曲》(60拍/min)。芬蘭樂隊Nightwish的《Last ride of the day》(140拍/min)是一首典型的搖滾歌曲，廣為流傳，并且符合年輕人的喜好，與平時學習過程中所聽的音樂類型相似，因此被選為搖滾音樂材料。為了避免歌詞對實驗產生的干擾，兩者均為無歌詞音樂。

1.1.3實驗設備

本實驗使用的采集設備為美國NeuroScan公司生產的腦電實驗記錄儀，采用64導電極帽、SynAmps放大器，采集軟件為Scan系統，采樣頻率為1 kHz。

1.1.4實驗設計

Sternberg記憶范式是利用記憶項來檢測人類記憶水平，廣泛應用于工作記憶的研究中。傳統Sternberg工作記憶實驗要求被試記憶的任務信息單個逐一出現，同時，被試需要保持記憶最初提出的所有記憶項，并將這些記憶項與一個探針項進行比對[9]。本實驗采用改進型的Sternberg工作記憶實驗，將被試每次需要記憶的若干個任務信息一次顯示給被試，并在一定的時間后全部消失，以獲得更加理想的腦電實驗數據。

實驗前向被試介紹實驗流程，要求被試分別在3種不同類型音樂刺激下進行記憶單詞的實驗，同時記錄腦電數據，3種音樂刺激的出現順序為無音樂、古典音樂以及搖滾音樂。每種音樂刺激為一組實驗，每組實驗進行3次，共9次實驗。同組實驗中背景音樂相同，且每次實驗結束5 s后進入下一次實驗。實驗開始時，首先在不同音樂刺激下給被試呈現8個目標詞，共呈現40 s的編碼時間。刺激項結束后，被試進入時長為10 s的記憶保持階段，保持期結束后，屏幕中心出現探針項，探針項單詞逐個顯示在屏幕上，被試在看到探針項后需要盡快判斷此探針項是否出現在本輪刺激項中，并進行按鍵反應，反應時間共120 s。若出現過，以右手食指按左鍵；若沒出現過，用右手食指按右鍵。每組實驗的流程如圖1所示。每組3次實驗結束之后，為了消除前面出現的音樂對后面出現的音樂產生干擾，被試有5 min的休息時間。

圖1 工作記憶任務實驗流程Fig.1 Working memory task experiment flow diagram

1.2 方法

1.2.1腦電數據的預處理

首先對采集到的腦電實驗數據進行預處理，去除各種噪聲和偽跡。在本研究中，預處理包括以下幾個步驟：

1)眼電校正。通過同步采集的眼電信號，觀察眼電的正負，對受到眼電影響的其他信號進行以眼電為正負基準的校正。

2)去除壞電極。去除壞電極后，本研究采集到的有效通道數為49導。

3)數字濾波。本研究對采集的腦電數據進行了1 Hz的低通濾波和40 Hz的高通濾波。

4)設置參考電極。常用的參考方法包括雙耳參考、鼻尖參考、平均參考以及基于REST的無窮遠參考等。雙耳參考電極法因為乳突或耳垂的腦電比較小，用其連接所得的平均電位參考時，腦的兩半球電位關系不會嚴重失真，故應用比較廣泛，但這種方法不能測量乳突附近的電位變化；鼻尖參考電極法可以研究源位于乳突附近的腦電活動，但由于易出汗而產生基線不穩的偽跡；平均參考電極法可以消除原始記錄中的參考電極電位變化所形成的誤差；基于REST的無窮遠參考，無論是在靜息態腦電的譜分析還是在腦電缺省網絡的構建上，相對于其他參考方法都具有一定的優越性[10-12]。但是，目前參考電極的選擇并沒有確定的標準，一般可以根據研究的不同，選擇不同的參考電極方法。因此本實驗中，采用雙耳參考作為參考電極進行數據采集，并對原始數據的參考電極進行轉換，轉為平均參考電極。

5)腦電分段。根據刺激類型對腦電信號進行分類，以剌激出現或做出反應的時間點為準對齊進行分段。根據被試做出的選擇(鼠標左鍵代表刺激1，右鍵代表刺激2)進行分段，并將分段時間點設置為-1.2～2 s。

6)去除偽跡。去除來自各種頭動、吞咽、線性漂移等帶來的偽跡。

1.2.2關聯特性分析方法

進行關聯特性分析是構建腦功能網絡的首要步驟，本研究采用互相關方法計算各通道間腦電信號的關聯特性。

20世紀英國統計學家皮爾遜提出了一種計算直線相關的方法，這種方法被稱為皮爾遜相關，通過設定兩個變量x、y，兩變量間的皮爾遜相關系數為

(1)

1.2.3矩陣轉化的閾值選取

在得到互相關系數矩陣之后，需要確定合適的閾值，將互相關系數矩陣轉化為二值矩陣。對互相關系數矩陣ri,j采用閾值分類的方法，即取一個定值T。若ri,j的值小于所選閾值T，則令ri,j=0，即表示對應節點之間沒有連接；若大于或等于T，則令ri,j=1，即表示對應節點之間存在連接邊[14]。

通過閾值選取所得到的二值矩陣Ei,j的表達式為

(2)

閾值T的選取要滿足以下兩條原則：一是確保網絡的完整性，二是確保網絡的小世界性。在本研究中，選取適合的閾值T=0.47。

1.2.4腦功能網絡構建方法

基于圖論分析的復雜腦網絡方法是目前最為普遍的研究方法。復雜網絡由節點和邊的集合構成，各節點間的連接關系可以用鄰接矩陣來表示，矩陣中任意元素aij表示節點集合中任意兩元素i和j間的關系[15]。

在本研究中，去除壞電極之后，采集的有效通道數為49導，將預處理后的數據進行疊加平均，以49個導聯為節點、二值化的皮爾遜相關系數矩陣值為邊，構建腦功能網絡。

1.2.5腦功能網絡參數的求取

為了更好地描述復雜網絡的拓撲結構，需要利用腦功能網絡特征參數對腦網絡進行分析，從而更好地認識任務狀態下大腦內節點間的連接情況。本研究的腦功能網絡特征參數包括節點度、介數中心度、聚類系數、緊密度、最短路徑長度、全局效率等[16-20]。

1)節點度。度值的大小表征節點在網絡中鄰居節點的多少。節點i的度Ki指的是與該節點相連的節點數目，可由鄰接矩陣第i行(或列)元素求和得出，有

(3)

式中，V是整個節點的集合。

2)介數中心度。與路徑長度有關，表示的是復雜網絡的最短路徑中經過節點v的數量。介數中心度可以反映一個節點的中央化程度，網絡中某一節點的介數中心度Bv表示網絡中所有通過節點v的最短路徑的數量，對Bv進行歸一化處理后可以表示如下：

(4)

3)聚類系數。它是表征網絡集團化程度的參數，也是度量網絡屬性的重要指標，表示網絡中某一個節點的鄰居間互為鄰居節點的可能性。節點i的聚類系數Ci等于它的鄰居節點邊的數量ei與可能存在的所有連邊個數ki(ki-1)/2的比值，即

(5)

網絡中所有節點聚類系數的平均值即為該網絡的聚類系數，即

(6)

式中,0≤C≤1，聚類系數反映了網絡中節點的集聚程度。

4)緊密度。它度量網絡中一個節點連接到其他節點的緊密程度。若在網絡中度量節點x的緊密度，求它與其他節點的距離記為dxy，網絡中的節點總數為n，則點x的緊密度Ccx定義為這個節點與網絡中其他節點的距離和的倒數，有

(7)

5)平均路徑長度。在腦功能網絡中，平均路徑長度指任意兩個節點最短路徑長度的平均值，是描述復雜網絡內部信息傳輸的關鍵參數。不考慮節點到其自身的距離對平均路徑長度的影響，無權腦功能網絡中任意節點間的平均路徑長度可定義為

(8)

6)全局效率。它是用來表征信息在腦網絡中傳遞快慢的指標，被用來評價信息如何在復雜網絡中實現快速傳遞。最短路徑越短，全局效率越高，即認為網絡節點間信息傳輸的速度就更快，網絡的全局傳輸能力就越強。全局效率Eglobal可以具體表示為

(9)

圖2 不同類型音樂刺激下互相關系數矩陣圖。(a) 無音樂；(b) 古典音樂； (c) 搖滾音樂Fig.2 Cross-correlation matrix under different types of music stimulation. (a) Without music; (b) With classical music; (c) With rock music

圖3 不同類型音樂刺激下二值化矩陣圖。(a) 無音樂；(b) 古典音樂； (c) 搖滾音樂Fig.3 The two valued matrix under different types of music stimulation. (a) Without music; (b) With classical music; (c) With rock music

1.2.6腦功能網絡的小世界屬性

Watts和Storgate提出，可以將隨機網絡模型作為基準來評測復雜網絡的小世界屬性[20]，有

(10)

(11)

Humphries等將式(10)、(11)所提到的小世界屬性的指標合并為一個綜合的衡量指標，即

(12)

式中，σ的大小表征網絡小世界屬性的強弱，值越大表明小世界屬性越強。

1.2.7行為學數據的分析方法

對工作記憶研究的行為學數據包括反應正確率和反應時長等。本研究的行為學數據來源于Stim2軟件在被試進行腦電實驗時同步導出的行為學數據文件，將不同被試在不同音樂刺激下的行為學數據進行篩選和平均，從而得到不同音樂刺激下的平均反應正確率和平均反應時長，并對不同狀態下被試的平均反應正確率和平均反應時長兩兩之間做了單因素方差檢驗。

2 結果

2.1 腦功能網絡構建

將20名被試的腦電數據進行預處理，然后計算互相關系數，并進行疊加平均，得到被試在不同類型音樂刺激下的平均相關系數矩陣，如圖2所示。

根據互相關系數矩陣，通過選取的閾值構建二值連接矩陣，圖3為不同類型音樂刺激下的二值矩陣，其中只包含0和1兩種元素。圖中黑色色塊表示該點的元素為0，無連接；白色色塊表示該點的元素為1，有連接。由圖3可以看出，古典音樂刺激與無音樂刺激相比，在額葉區域和枕葉區域的連接明顯增加；而搖滾音樂刺激與古典音樂刺激相比，額葉區域的連接顯著增加，即節點間的邊連接增多，連接度增強。

由此構建不同類型音樂刺激下的基于相關系數的腦功能網絡連接，如圖4所示。由圖4可見，搖滾音樂刺激下腦功能網絡中邊的數量明顯多于無音樂刺激以及古典音樂刺激時的邊的數量，主要表現在額葉區域、顳葉區域和枕葉區域。額葉區域的復雜性增加尤為明顯，這可能表明額葉與工作記憶任務密切相關，且音樂刺激對大腦的功能連接和拓撲結構有著顯著影響；而枕葉區域腦功能網絡節點的連接邊也有所增加，這也表明大腦的活躍度增加。

圖4 不同類型音樂刺激下腦功能連接拓撲圖。(a) 無音樂； (b) 古典音樂； (c) 搖滾音樂Fig.4 Brain function connection topology diagram under different types of music stimulation. (a) Without music; (b) With classical music; (c) With rock music

圖5 節點度腦電信息圖。(a) 無音樂；(b) 古典音樂；(c) 搖滾音樂Fig.5 Node degree EEG information diagram. (a) Without music; (b) With classical music; (c) With rock music

圖6 介數中心度腦電信息圖。(a) 無音樂；(b) 古典音樂； (c) 搖滾音樂Fig.6 Betweenness center degree of EEG information diagram. (a) Without music; (b) With classical music; (c) With rock music

2.2 腦功能網絡特性

2.2.1節點度分析

為了更加直觀地比較不同類型音樂刺激下腦功能網絡不同功能區節點度的差異，繪制了不同音樂類型刺激下的基于節點度的腦電信息圖，如圖5所示。在不同類型音樂刺激下，腦功能網絡節點度有明顯的差異性，整體上看無音樂刺激下的腦功能網絡節點度偏低，即無音樂刺激下的腦功能網絡節點連接整體上少于古典音樂和搖滾音樂刺激的情況。

2.2.2介數中心度分析

介數中心度腦電信息圖如圖6所示。由圖可以看出，無音樂刺激下的左右顳葉、頂葉和中央區的核心節點的個數明顯少于有音樂刺激的情況，搖滾音樂刺激下介數中心度在左顳葉、頂葉和中央區的集中度最高。總體來說，有音樂刺激與無音樂刺激相比，以介數中心度來衡量的腦功能網絡核心節點的個數相對減少。

2.2.3聚類系數分析

不同類型音樂刺激下聚類系數的腦電信息圖如圖7所示?？梢钥闯觯瑹o音樂刺激下的節點聚類系數小于有音樂刺激下的節點聚類系數，即無音樂刺激下腦功能網絡整體的集團化較弱。無音樂刺激和古典音樂刺激下腦功能網絡的差異性主要在額區、頂區以及左右顳葉；無音樂刺激和搖滾音樂刺激下腦功能網絡在額區和頂區差異明顯；而搖滾音樂刺激下的節點聚類系數整體上高于古典音樂刺激下的節點聚類系數，即搖滾音樂刺激下腦功能網絡的集團化最強。

圖7 聚類系數腦電信息圖。(a) 無音樂；(b) 古典音樂；(c) 搖滾音樂Fig.7 Clustering coefficient of EEG information diagram. (a) Without music; (b) With classical music; (c) With rock music

圖8 緊密度腦電信息圖。(a) 無音樂；(b) 古典音樂； (c) 搖滾音樂Fig.8 Closeness of EEG information diagram. (a) Without music; (b) With classical music; (c) With rock music

2.2.4緊密度分析

不同類型音樂刺激下大腦頭皮表面各個節點的平均緊密中心度分布如圖8所示。可以看出，無音樂刺激下緊密中心度最大的點主要集中在中央區域和頂葉，而古典音樂刺激下緊密中心度主要集中于中央區、顳葉、額葉和頂葉，且與無音樂刺激相比明顯增長，搖滾音樂刺激下的緊密中心度與無音樂刺激相比增加更加明顯。

為了直觀地反映不同實驗狀態下各網絡參數的變化趨勢及差異，計算了3種不同類型音樂刺激下的節點度、介數中心度、緊密度和聚類系數，結果如表1所示?？梢钥闯?，無音樂刺激下腦功能網絡的節點度、介數中心度、緊密度、聚類系數均小于古典音樂刺激和搖滾音樂刺激下的節點度、介數中心度、緊密度、聚類系數。

2.3 小世界屬性分析

分析上述腦功能網絡的小世界屬性，結果如表2所示?？梢钥闯?，不同類型音樂刺激下的腦功能網絡均滿足σ>1，說明它們都具有小世界屬性，且有音樂狀刺激下腦功能網絡的“小世界”屬性比無音樂刺激的屬性有所增強；而相對于無音樂刺激，古典音樂和搖滾音樂刺激下的大腦聚類系數有明顯的升高，平均路徑長度變短，全局效率值有所增加，這表示在有背景音樂刺激下進行學習認知活動調用了更多的腦區相連，并展示出更高的傳遞效率，說明腦區之間的聯系更加緊密。

2.4 行為學數據分析

3種不同類型音樂刺激下的平均反應正確率和平均反應時長如表3所示?？梢钥闯觯辉嚨姆磻_率，無音樂刺激大于古典音樂刺激，大于搖滾音樂刺激；而反應時長的結果恰好相反，即無音樂刺激小于古典音樂刺激，小于搖滾音樂刺激。這說明，音樂對被試的記憶過程產生了干擾，而且搖滾音樂的干擾要大于古典音樂的干擾。

表2 不同類型音樂刺激下的腦功能網絡特征參數

表3 不同類型音樂刺激下的行為學數據統計結果

為了驗證數據的可靠性，本研究對所有被試的正確率和平均反應時長做了單因素方差檢驗。在正確率方面，結果顯示：無音樂刺激的反應正確率均值差與古典音樂刺激反應正確率均值差的差值約為0.054，并且P=0.049(<0.05)；無音樂刺激的反應正確率均值差與搖滾音樂刺激反應正確率均值差的差值約為0.104，并且P<0.05；古典音樂刺激的反應正確率均值差與搖滾音樂刺激反應正確率均值差的差值約為0.051，并且P=0.004(<0.05)。在平均反應時長方面，結果顯示：無音樂刺激的平均反應時長均值差與古典音樂刺激平均反應時長均值差的差值約為-33.584，并且P=0.001(<0.05)；無音樂刺激的平均反應時長均值差與搖滾音樂刺激平均反應時長均值差的差值約為-90.463，并且P<0.05；古典音樂刺激的平均反應時長均值差與搖滾音樂刺激平均反應時長均值差的差值約為-56.879，并且P=0.003(<0.05)。綜上可以說明，不同刺激下被試的反應正確率和反應時長之間具有差異性，且差異性顯著。

3 討論

研究者們對于音樂對認知影響的探索由來已久，不同的研究表明音樂對記憶的影響也有所不同：有的認為音樂對記憶有積極作用，有的則認為音樂對記憶有消極作用。有研究表明，在人類復雜認知任務中發揮著重要調控作用的腦的多需求系統參與了音樂創作活動，并在音樂素材的創新、工作記憶及注意控制等功能方面扮演了重要角色，而長期音樂創作訓練對腦的結構可塑性會產生影響[21]。

本研究發現，從腦功能連接拓撲圖來看，古典音樂和搖滾音樂刺激下大腦額葉和枕葉區域的連接相比無音樂刺激有顯著增加，且搖滾音樂刺激下大腦額葉和枕葉區域的連接顯著多于古典音樂的刺激。額葉和枕葉區域連接的增多可以說明在音樂刺激下進行記憶任務時，額葉和枕葉更多地參與了工作記憶的過程。被試在完成記憶的過程中需要專注于實驗任務，因此額葉和枕葉區域的激活也可以從注意力的角度解釋。音樂刺激中包含很多信息，所以有研究也表明，音樂旋律可以提高被試喚醒程度，從而提高被試在記憶過程中注意力的集中程度，而額葉和枕葉區域與注意力的控制和認知有關，這就表明不同音樂對大腦的喚醒程度不同，因此大腦額葉和枕葉區域連接的緊密程度也不同。由此可以推斷，音樂刺激分散了大腦對記憶任務的注意力，從而干擾了學習，降低了學習效率。

從腦功能網絡的特征參數來看，不同音樂刺激對腦功能網絡屬性存在不同程度的影響，搖滾音樂刺激的影響尤為顯著，并具有統計學差異。搖滾音樂和古典音樂刺激下構建的腦功能網絡相對于無音樂刺激，腦功能網絡節點度增大，介數中心度增大，聚類系數增大，緊密度增大，平均路徑長度變短，小世界屬性增強，全局效率提高，信息在大腦區域的傳遞效率較高。這也說明，音樂刺激使大腦的活躍度有所提高。

從行為學數據看，發現無音樂刺激下被試的正確率最高，其次是古典音樂，搖滾音樂刺激下被試的正確率最低。而在平均反應時長上，搖滾音樂刺激下平均反應時長明顯大于其余兩種情況，無音樂刺激下被試的反應時長最短。這說明，音樂對被試的工作記憶產生了干擾。

目前，對于音樂影響工作記憶系統的解釋有許多理論和觀點，而音樂本身就是一個復雜的體系，本研究僅對音樂類型對工作記憶的影響進行了分析，因此還需要更多樣的研究來探索音樂對工作記憶的影響[21]。

4 結論

本研究采用改進的Sternberg工作記憶實驗采集被試的腦電信號，對不同類型音樂刺激的腦電數據進行了分析，構建了3種狀態下的腦功能網絡并進行了特性分析，從腦功能網絡的角度探討了基于EEG的不同類型音樂對工作記憶的影響。結果表明，音樂刺激可以提高大腦的活躍度，增加腦網絡的緊密程度，但同時也會使大腦產生大量的額外記憶，對主要的記憶任務產生干擾。同時，本研究也為探究音樂對認知的影響提供了新的方向和思考。