摘 要：为了解不同水平竞走运动员的脑电α波特点，探讨其项目内稳态的EEG信号特征，利用高级运动训练监控仪采集5名健将级竞走运动员不同训练阶段56个样本的EEG α波数据，采用主成分分析和序参量理论提取竞走运动员SpSH所隐含的竞技水平信息进行统计分析。结果发现：状态优秀运动员SpSH品质明显高于状态一般运动员。说明竞走运动员EEG α波的序参量（优势频率10 Hz）可以表征其SpSH品质。
关 键 词：运动生理学；项目内稳态；脑电α波；序参量水平；信息熵；主成分分析
中图分类号：G804.2 文献标志码：A 文章编号：1006-7116（2013）02-0119-05
内稳态是生理学和运动生理学的经典概念之一，但表征方法的缺乏妨碍了其广泛深入的应用。刘承宜等[1-4]将其发展为功能内稳态（function-specific homeostasis，FSH），提出了项目内稳态（sport-specific homeostasis，SpSH）概念，建立了运动训练的SpSH理论。FSH是维持功能充分稳定发挥的负反馈机制，具有简洁、经济和容易定量化研究等特征。FSH的品质包括功能的复杂性和功能发挥的稳定性，两种品质相辅相成[2]；SpSH维持运动成绩的充分稳定发挥[2]。运动成绩表征了功能的复杂性；不同时间不同地点的比赛成绩的变异系数（coefficient of variation，CV）则表征了功能发挥的稳定性[5]。运动成绩越好，比赛成绩的CV越低，SpSH的品质越高。我们发现SpSH可以用代谢组学[5]和功能磁共振成像（functional Magnetic Resonance Imaging，fMRI）[6]来表征。本研究探讨SpSH的脑电波（electroencephalogram，EEG）表征方法。
自组织是内稳态的特征之一。Hake[7]用描述一个系统的宏观有序程度的序参量和信息熵来表征大脑的自组织特征。李捷等[8]将序参量和信息熵用于竞技状态的研究，提出运动技能形成的机制是主体目标导向下的泛脑网络自组织过程。EEG的α波反映了认知水平[9]、学习能力[10]、情感状态[11]和竞技水平[12]。李捷[13]对不同项目运动员的研究结果表明，不同项群高级运动员EEG α波优势频率呈现了归一化的趋势。周传岱等[14]对261名歼击机飞行员EEG α波的分析结果亦显示其频率涨落竞争结构中存在一主涨落成分。李捷[13]结合多年研究经验，将运动员EEG α波10 Hz频段的相对功率值作为表征运动员实时运动技能的序参量，发现优秀运动员具备较高的序参量水平（order parameter level，OPL）。近年来，这种方法得到进一步应用与发展[15-16]。
运动员EEG α波频段数据可以用序参量和信息熵分析。在此基础上，本研究利用主成分分析（principal component analysis，PCA）的方法[5，17]，用CV表征SpSH的稳定性，同时结合逐步判别分析提取竞走运动员EEG的竞技状态信息，发现10 Hz确实为状态优秀运动员的优势频率，OPL确实可以表征SpSH，支持了序参量理论与SpSH理论的相容性。本研究还进一步根据表征SpSH的主成分（principal component，PC）发现了状态优秀运动员的优势脑区，为用EEG表征SpSH提供了理论基础。
1 实验对象与方法
1.1 实验对象及测试时间
本实验被测者为5名优秀竞走运动员，均达到运动健将或国际运动健将标准。运动员身体健康，无严重的神经系统疾病史和精神病药物服用史。2006年2月14日至2008年8月18日期间，在不同阶段（指比赛前训练期、重要比赛前1 d、比赛后训练期）对5名受试对象共进行了56次测试。
1.2 测试方法及步骤
EEG信号采集方法及实验操作步骤与文献[13，15-16]一致。
1.3 数据处理
将仪器自动采集的测试数据转换到个人电脑上，用Excel 2003进行管理，并使用SPSS 17.0 （Chicago，USA，2008）对实验数据进行统计分析，在Matlab 6.5 （MathWorks，USA，2002）平台上绘制相关图形。运动员的OPL与熵值的相关性统计采用Pearson相关分析，对比分析采用Student’s T检验，显著性水平为P<0.05，非常显著性水平为P<0.01。
2 结果及分析
2.1 运动员EEG α波序参量水平与频率涨落熵特征
本研究结合前人多年来的研究[13，15-16]，选取世界优秀运动员EEG α波的优势频率10 Hz作为反映其竞技状态的序参量，其所对应的相对功率值即为OPL。
结果显示，从整体情况看来，5名健将级、国际健将级运动员的优势频率为10 Hz（仅运动员H的优势频率为11 Hz）。10 Hz在频率涨落竞争过程中出现功率最大值的几率最高，是频率涨落的优势成分，11 Hz排在第2位，是准优势成分，它通过竞争可以发展成优势成分，也可能因其它成分竞争而变成为辅助涨落成分。优势频率代表了自组织系统中最有价值的信息，序参量和支配原理更说明系统中占优势地位的序参量支配所有子系统的行为[14]。以运动员L为例，其EEG α波的频率竞争，表现出了顺应于运动员竞技状态的实时特点，反映了OPL的动态特性。
物理学用熵的概念来描述系统的无序程度。Shanon[18]将熵的概念引入到信息论中，Hake[7]进一步将其引入到协同学中。EEG α波信号经快速傅里叶变换后得到信号的功率谱，功率谱的信息熵就称为功率谱熵。本研究采用相对信息熵值。对运动员OPL与熵值的相关性进行分析（N=55，其中1次测试数据缺失），得出其线性相关系数R=-0.898（P<0.01），其拟合线性方程为：Y=114.050 3-89.494 4 X。由此可知，运动员OPL和熵值之间表现出很明显的相关规律，即熵值越高，大脑有序度越低，OPL越低。
2.2 运动员序参量水平的主成分分析
每位被试者每个导联有6个功率百分比值（8～13 Hz），12个导联共有72个变量。5名运动员不同时间段测试的56份数据作为56个状态（样本），构成56×72矩阵。PCA获得的前9个PC反映了原始变量91.861%的信息，它们分别主要由18、18、10、12、9、3、1、1和1个变量决定。本研究针对这9个PC展开分析。
SpSH的典型特征之一是稳定。反映运动员SpSH的PC应该具有一定的稳定性，可以用同一对象不同时间测试的EEG α波数据的PC得分的CV来表征。
式中，s为标准差， 为平均数。CV反映的是数据的离散程度，分别将同一PC上不同实验对象分数的CV相加，求出每个PC得分的平均CV，运动员得分最稳定的是PC3，其它依次为第5、1、2、9、6、4、7、8。
对状态优秀运动员（OPL≥60%）和状态一般运动员（OPL<60%）各个PC得分的统计（见表1）显示，其PC2与PC3得分之间存在非常显著性差异（P<0.01），与PC4得分之间存在显著性差异（P<0.05）。以PC3得分为纵轴，PC2得分为横轴进行搭配，做PC得分图。图1显示将PC3与PC2搭配时，状态优秀运动员（OPL≥60%与OPL≥65%）和状态一般运动员之间（OPL<60%与OPL<65%）出现了明显的分界线，状态优秀运动员集中于第3象限，状态一般运动员散布于另外3个象限。且PC3与PC2提取出运动员全脑区除枕叶（O1、O2）、后颞叶（T5、T6）外其它脑区为OPL的主要信息（96.64%）。
通过上面的分析可知，PC3和PC2反映了运动员的竞技水平。同样我们可以用每个运动员在PC3和PC2得分的CV来反映运动员SpSH的稳定性差异。在图2中，状态优秀运动员在PC3（60%）得分的CV明显低于状态一般运动员，PC2（60%）、PC4（60%）得分的结果也类似。因此，状态优秀运动员竞技状态的稳定性明显比状态一般运动员好，或者说，状态优秀运动员的SpSH品质高于状态一般运动员。PC3（65%）、PC2（65%）与PC4（65%）的数据进一步证实了状态优秀运动员（OPL≥65%）竞技状态的稳定性也好于状态一般运动员。这一结果说明OPL确实可以表征SpSH。
以OPL≥60%和OPL<60%来区分状态优秀运动员与状态一般运动员，对上述9个PC数据做逐步判别分析，得到判别函数：Y=0.382 PC1+0.847 PC2+0.808×PC3+0.576 PC4。依据所得判别函数，由PC矩阵还原到原始矩阵，检验相应导联相应频段的功率值在区别运动员等级上的差别，得到判别函数判误率为10.7%、正确率为89.3%，正确率较高。
由上述分析可知，竞走运动员SpSH品质主要在PC2、PC3、PC4中得以体现，即这3个PC提取了竞走运动员的主要竞技信息的状态信息。PC2、PC3、PC4所主要解释的变量数分别为18、10、12个，选取其共同度大于0.7的变量，即提取的3个PC对主要解释变量的方差做出了70%以上的贡献。
结果显示，状态优秀运动员（OPL≥60%）与状态一般运动员（OPL<60%）在额叶（F3、F4）、中央区（C3、C4）、顶叶（P3、P4）、前颞叶（F7、F8）的OPL具有非常显著性差异（P<0.01）；在8 Hz频段，状态优秀运动员（OPL≥60%）在各个脑区的功率值百分比均低于状态一般运动员（OPL<60%），且具有显著性或非常显著性差异（P<0.05或P<0.01）；在9 Hz频段，状态优秀运动员在各个脑区的功率值百分比大多低于状态一般运动员，且在右侧中央区（C4）、右侧顶叶（P4）、右侧前颞叶（F8）具有显著性差异（P<0.05）；在11 Hz频段，状态优秀运动员在各脑区的功率值百分比低于状态一般运动员，且除枕叶（O1、O2）、左侧后颞叶（T5）外，均具有非常显著性差异（P<0.01）。
3 讨论
1）通过PCA的方法，提取竞走运动员EEG α波中表征运动员竞技水平的PC2、PC3与PC4。结果显示，在10 Hz频段，状态优秀运动员在各个脑区的功率值百分比均高于状态一般运动员，且具有非常显著性差异（P<0.01），而在8、9和11 Hz频段，各个脑区的功率值百分比均低于普通运动员，从而进一步证实了10 Hz为状态优秀运动员EEG α波的优势频率。这一结果支持李捷[13]的研究发现，并证明OPL确实可以表征SpSH的品质。OPL描述了一个系统的宏观有序程度，具有非常特殊的生理意义。
研究报道，经常参加体育锻炼可以促进认知水平[9]、学习能力[10]及情感状态[11]。规律的体育锻炼会引起α波功率增高[19]。Dustman等[20]认为经常参加有氧运动者具有良好的认知功能且α波（8～10 Hz）的活动增强。Lardon等[21]发现高频率运动者θ波功率降低，α-1波（9.5～12.5 Hz）的功率明显增高。经常参加太极拳运动的中年妇女其α波功率的增高幅度也明显高于初学者[22]。由此可见，长期不同形式的体育锻炼均出现一致的EEG变化。
运动员EEG α波优势频率（10 Hz）的形成在其功率变化中起到极其重要的作用，其振幅（OPL）显著升高[23]。α波段频率的功率分布可以用信息熵来表征，OPL越高，信息熵越小，统计学表明OPL与信息熵之间存在高度负相关（P<0.01）。α波OPL越高，认知水平越高、学习能力越强、情感状态越佳。
2）本研究支持了序参量理论与SpSH理论的相容性，还根据表征SpSH的PC2和PC3发现了状态优秀运动员的优势脑区。由上所述，在额叶（F3、F4）、中央区（C3、C4）、顶叶（P3、P4）、前颞叶（F7、F8），状态优秀运动员（OPL≥60%）与状态一般运动员（OPL<60%）相比，其EEG α波的OPL具有非常显著性差异（P<0.01）。运动员经过长期的运动训练，会形成与运动技能相关的脑结构与脑功能活动模式。
本研究用PCA对运动员神经生理学的研究发现，用于描述大脑宏观有序程度的序参量可以表征运动员的SpSH品质。状态优秀运动员的OPL明显高于状态一般运动员，且其OPL的稳定性亦显著好于状态一般运动员，即其SpSH品质高。综上所述，用运动员EEG α波序参量（优势频率10 Hz）反映其实时训练适应状态及表征其SpSH品质是可行的。这一研究结果是否同样适用于其他运动项目，尚有待于进一步研究。
本研究不但验证了序参量理论与内稳态理论的相容性，还根据表征SpSH的PC2和PC3发现了状态优秀运动员的优势脑区，为用EEG表征SpSH提供了重要理论依据。
参考文献：
[1] Liu TCY，Liu Y Y，Wei EX，et al. Photobiomodulation on Stress[J]. Int J Photoenergy，2012：628-649.
[2] 刘承宜，袁建琴，付德荣，等. 以赛带练的内稳态研究[J]. 体育学刊，2008，15（5）：81-84.
[3] 刘承宜，朱平. 低强度激光鼻腔内照射疗法[M]. 北京：人民军医出版社，2009：384-413.
[4] 刘承宜，任占兵. 生理经济学[J]. 华南师范大学学报：自然科学版，2011（2）：1-6.
[5] 李江华，刘承宜，徐晓阳，等. 2006年多哈亚运会短距离游泳男运动员代谢组学研究[J]. 体育科学，2008，28（2）：42-46.
[6] 梁东梅，刘承宜，邱丽华，等. 不同级别中国象棋运动员脑功能成像研究[J]. 体育科学，2010，30（8）：69-72.
[7] Hake H. Principles of brain functioning：a synergetic approach to brain activity，behavior and cognition[M]. Berlin：Spriger-Verlag，1996.
[8] 李捷，梁慈民，李鹏，等. 运动技能形成的神经生理机制新探[J]. 体育科学，1993，13（6）：84-87.
[9] Klimesch W. EEG alpha and theta oscillations reflect cognitive and memory performance： a review and analysis[J]. Brain Res Rev，1999，29（2-3）：169-195.
[10] Schabus M，Hödlmoser K，Gruber G，et al. Sleep spindle-related activity in the human EEG and its relation to general cognitive and learning abilities[J]. Eur J Neurosci，2006，23（7）：1738-1746.
[11] Petruzzello S J，Landers D M. State anxiety reduction and exercise： does hemispheric activation reflect such changes？[J]. Med Sci Sport Exer，1994，26（8）：1028-1035.
[12] Travis F，Blasdell K，Liptak R，et al. Invincible Athletics program：aerobic exercise and performance without strain[J]. Int J Neurosci，1996，85（3-4）：301-308.
[13] 李捷. 运动技能形成自组织理论的建构及其实证研究[D]. 北京：北京体育大学，1999.
[14] 周传岱，翟怡娟，刘月红，等. 261名歼击机飞行员脑波α频段涨落图特征的研究[J]. 航天医学与医学工程，1998，11（1）：11-14.
[15] 林丽雅，李捷，张莉. 高原训练对运动员赛前自组织状态影响的神经生物学分析[J]. 北京体育大学学报，2004，27（9）：1206-1208.
[16] 王晓军，李捷. 不同水平射击运动员脑电α波测试结果的比较[J]. 体育科研，2009，30（1）：89-91.
[17] Ringnér M. What is principal component analysis？[J]. Nat Biotechnol，2008，26（3）：303-304.
[18] Shannon C E. A mathematical theory of conmunication[J]. Bell Syst Tech J，1948，17：379-423，623-656.
[19] Hatfield B D，Vaccoro P，Brown E，et al. Electrocortical （EEG） relaxation response in high and low cognitively anxious persons as a result of cardiovascular exercise stress[C]//Proceedings of the 1984 Olympic Scientific Congress，Eugene，OR，1984.
[20] Dustman R E，Emmerson R Y，Shearer D E. Physical activity，age，and cognitive neuropsychological function[J]. J Aging Phys Activ，1994（2）：143-181.
[21] Lardon M T，Polich J. EEG changes from long-term physical exercise[J]. Biol Psychol，1996，44：19-30.
[22] Liu Y，Mimura K，Wang L，et al. Physiological benefits of 24-style Taijiquan exercise in middle-aged women[J]. J Physiol Anthropol Appl Human Sci，2003，22：219-225.
[23] Intriligator J，Polich J. On the relationship between background EEG and the P300 event-related potential[J]. Biol Psychol，1994，37（3）：207-218.
