较低的静息态EEG平均特征向量中心性(mean eigenvector centrality)与较高的数学焦虑(math anxiety)相关

《Frontiers in Human Neuroscience》：Lower resting-state EEG mean eigenvector centrality is associated with higher math anxiety

　　

摘要：本研究旨在采用图论(graph-theoretical)方法探讨高中生数学焦虑(math anxiety, MA)的静息态神经相关性。60名十年级学生(35名女性；平均年龄＝16.15岁)参与研究。使用32通道无线干电极系统(Cognionics Quick?32系列)采集静息态脑电图(resting?state EEG)数据。数学焦虑采用简版数学焦虑量表(Abbreviated Math Anxiety Scale, AMAS)评估。结果显示，闭眼静息态α波段(alpha band)、睁眼静息态θ波段(theta band)以及闭眼静息态β波段(beta band)中，平均特征向量中心性(mean eigenvector centrality)与数学焦虑总分呈显著负相关，相关系数r＝?0.28至?0.34。中心性指标与性别之间未观察到显著关联。综上，上述发现与既往将功能性网络整合(functional network integration)降低与焦虑水平升高相联系的研究结果一致。

论文解读：较低的静息态EEG平均特征向量中心性与较高的数学焦虑相关

本研究发表于《Frontiers in Human Neuroscience》。数学焦虑(math anxiety, MA)指个体在面对数学问题或数字信息时产生的紧张、恐惧和回避情绪，已被大量研究证实与数学成绩负相关，并与工作记忆受损、情绪调节及无关信息抑制困难有关。已有神经影像证据表明前额叶皮层、海马及杏仁核等区域参与MA，但缺乏大规模脑网络层面的整合模型。既往少数EEG研究多在任务预期状态下记录脑活动，无法反映特质性的基线网络属性。图论(graph theory)方法可量化大规模脑功能网络(functional brain network)的拓扑属性（如模块化、中心性、全局效率）。唯一前人研究(Klados et al., 2017)在高MA者预期解题时记录到更高效的功能组织，被认为系情境依赖的补偿机制。因此，本研究首次探讨真实基线静息态(resting state, RS)下脑网络图论指标与MA的关联，以揭示MA是否伴随稳定的大尺度网络拓扑改变而非仅情境依赖重组，并检验频率波段(θ、α、低β、高β)、睁眼/闭眼条件及性别差异的影响。研究人员招募高中生被试采集RS?EEG并结合AMAS量表，计算基于高斯?Copula互信息(Gaussian?copula Mutual Information, GCMI)的功能连接矩阵并求取多种图论指标，发现平均特征向量中心性(mean eigenvector centrality)在各波段和条件中唯一稳定地与MA负相关，即静息态大尺度网络整合越低，MA越高，且此关联不具性别特异性。该结果支持MA与固有网络整合缺陷有关，为MA的神经机制提供了网络神经科学视角的证据。

主要关键技术方法： 研究人员从92名右利手、无神经精神疾病的十年级高中生中按入组标准筛选，最终纳入60人(男25，女35；年龄16–17岁)。采用32通道干电极EEG(Cognionics Quick?32)按10?20系统采集静息态EEG，含交替5段睁眼(eyes?open, EO)与闭眼(eyes?closed, EC)各2分钟。数学焦虑用俄文版简版数学焦虑量表(AMAS；学习焦虑LMA子量表与测评焦虑MEA子量表)课堂施测。EEG预处理经MNE?Python与AutoReject完成：去除坏道并插值、平均参考(common average reference, CAR)、1–40 Hz带通滤波、分段(1 s epochs)、线性去趋势、峰?峰值＞125 μV粗拒、RANSAC传感器修复、AutoReject自动清洁。功能连接采用frites包以GCMI估算各频段(θ: 4–8 Hz；α: 8–13 Hz；低β: 13–20 Hz；高β: 20–30 Hz)全通道对间非线性耦合，按分位数阈值(保留最强50％[q＝0.5]与20％[q＝0.8])构建稀疏无向加权图。图指标由igraph Python库计算，含特征路径长度(characteristic path length)、聚类系数(clustering coefficient)、特征向量中心性(eigenvector centrality，取全节点均值即mean eigenvector centrality)、介数中心性(betweenness centrality)、参与系数(participation coefficient，Leiden算法检测模块)、模块化(modularity，Leiden算法)及富俱乐部系数(rich?club coefficient)。统计用Python进行：Mann?Whitney U检验查性别差异；AMAS总分与各图指标做Spearman秩相关并1000次Bootstrap抽样的95％CI；稳健线性回归(RLM)以AMAS为因变量、单图指标为自变量、性别为协变量及交互项检验性别调节效应，显著性标准为95％ Bootstrap CI不包含0。

研究结果

3 Results

研究人员报告仅mean eigenvector centrality与AMAS总分呈稳定负关联，其余图指标无一致关联故未详述。AMAS总分均值16.57(SD＝6.31)呈左偏，表明样本整体MA偏低；各条件与阈值下mean eigenvector centrality均值0.32–0.48(SD 0.03–0.06)近似正态。

性别比较(Mann?Whitney U)显示AMAS总分及所有条件下mean eigenvector centrality均无显著性别差异(p＞0.05)。

Spearman相关分析显示：α波段EC条件(q＝0.5: r＝?0.34, p＝0.009；q＝0.8: r＝?0.28, p＝0.03)；θ波段EO条件(q＝0.5: r＝?0.31, p＝0.02；q＝0.8: r＝?0.32, p＝0.01)；低β波段EC与EO条件在q＝0.5时显著(r＝?0.29与?0.28，p＝0.03)但在q＝0.8时不显著；α波段EO、θ波段EC及高β波段均无显著相关。相关呈小而中等效应(r＝?0.28至?0.34)。

稳健线性回归(含sex×centrality交互)得出centrality标准化β与Spearman方向、大小相近，性别主效应及交互项均不显著(p＞0.05)，表明关联不受性别调节。

讨论与结论总结（翻译核心结论）：

据研究人员所知，本研究首次用图论方法考察与数学焦虑相关的静息态全脑网络属性。发现静息态较低的平均特征向量中心性与较高自我报告数学焦虑相关，效应量为小至中等，且具有频段与状态特异性——出现于闭眼静息α波段、睁眼静息θ波段及闭眼与睁眼静息低β波段(q＝0.5阈值)。在考察的图论指标中，仅mean eigenvector centrality与MA呈一致关联，其反映节点与网络中其他高中心性节点的连接程度，取全脑均值时可视为整个功能连接组大尺度网络整合的粗略指标，较高值代表更具全局整合性。该结果提示静息态下大尺度脑网络整合较低与较高数学焦虑水平相关联。此模式不同于Klados等人(2017)在任务预期下发现高MA者网络效率升高的结果，可能由于后者捕捉的是情境依赖的补偿性重组，而本研究反映的是较稳定的特质性基线网络属性。该关联可用数学焦虑的"缺陷(资源不足)理论"与"削弱性焦虑(加工效率)模型"共同解释：无论源于认知控制资源缺陷还是情绪调节困难，二者均需分布式大尺度网络整合支撑，较低的特征向量中心性反映了支持认知—情感交互的共享神经基础设施整合效率不足，从而增加数学焦虑易感性。频段与状态特异性表明MA关联特定认知准备模式下(内省α－EC、外注θ－EO、警觉维持低β)而非全局状态无关属性。性别在主效应及与centrality的交互上均无影响，与全球图属性男女大体相似的观点一致，细微差异可能存在于更局部或任务诱发激活水平。局限性含横断面设计无法推断因果、效应量偏小且部分结果受阈值影响、样本量限制，需更大样本重复及纵向设计验证。总之，数学焦虑与静息态大尺度脑网络拓扑的频率—状态特异性改变(表现为特征向量中心性降低)相关，且该关联独立于性别，强调未来研究应考虑频段特异性脑网络拓扑在MA及相关情感—认知特质中的作用。