基于脑电的航天噪声对操作人员情绪的影响

甘雨; 胡佳伟; 王康艺; 司马洋宇; 李江泳; 姚湘

doi:10.12404/j.issn.1671-1815.2600585

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (29) :12834-12845 DOI: 10.12404/j.issn.1671-1815.2600585

航空、航天

基于脑电的航天噪声对操作人员情绪的影响

甘雨 ¹ ,
胡佳伟 ¹ ,
王康艺 ¹ ,
司马洋宇 ¹ ,
李江泳 ¹^,^* ,
姚湘 ²

作者信息 +

Effect of Spaceflight Noise on Operators’ Emotions Based on EEG

GAN Yu ¹ ,
HU Jia-wei ¹ ,
WANG Kang-yi ¹ ,
SIMA Yang-yu ¹ ,
LI Jiang-yong ¹^,^* ,
YAO Xiang ²

Author information +

文章历史 +

摘要

为保障深空探索任务中在轨操作人员的心理健康和作业安全,厘清空间站噪声与微重力复合应激环境对操作人员情绪的影响机制至关重要。通过进行微重力噪声环境模拟静息实验,利用情绪状态量表评估主观情绪,结合脑电信号客观数据提取效价-唤醒度及多尺度熵指标,采用偏最小二乘回归建立了从生理特征到主观情绪体验的预测模型。结果表明,随着噪声强度增加,主观负性情绪显著增强,额叶脑电不对称性向右侧偏移,额叶神经活动的中长尺度复杂性显著降低,并且模拟微重力加剧了噪声的负面效应,致使被试对噪声的耐受阈值前移至55~65 dB;在短时航天噪声环境下,被试者心理与生理反应变化密切相关,其中情绪效价的变化是预测个体情绪紊乱程度的关键指标。研究结果为优化空间站声环境设计、开发情绪识别系统及实现在轨人员心理状态实时监测提供了重要依据。

Abstract

To ensure the mental health and operational safety of on-orbit operators during deep space exploration missions, the underlying mechanisms of the effects of the space station noise and microgravity composite stress environment on operators' emotions are required to be clarified. A resting-state experiment simulating a composite environment of microgravity and noise was conducted. Subjective mood was evaluated using the profile of mood states. Valence-arousal and multiscale entropy indices were extracted from objective electroencephalogram (EEG) data. A partial least squares regression model was established to predict subjective emotional experiences from physiological features. The results indicate that subjective negative emotions are significantly intensified as sound pressure levels increase. Frontal EEG asymmetry is shifted toward the right hemisphere. The medium-to-long-scale complexity of frontal neural activity is significantly decreased. Furthermore, the negative effects of noise are exacerbated by simulated microgravity. Consequently, the noise tolerance threshold of the subjects is shifted earlier to the range of 55 dB to 65 dB. Psychophysiological responses are closely related under the short-term spaceflight noise environment. Changes in emotional valence are identified as a key indicator for predicting the level of individual mood disturbance. An important scientific basis is provided for optimizing acoustic environment design in space stations, developing emotion recognition systems, and realizing real-time monitoring of the psychological states of on-orbit personnel.

Graphical abstract

关键词

微重力 / 噪声 / 在轨操作人员 / 情绪影响机制 / 脑电信号

Key words

microgravity / noise / on-orbit personnel / mechanism of emotional influence / EEG

引用本文

引用格式 ▾

甘雨, 胡佳伟, 王康艺, 司马洋宇, 李江泳, 姚湘. 基于脑电的航天噪声对操作人员情绪的影响[J]. 科学技术与工程, 2026, 26(29): 12834-12845 DOI:10.12404/j.issn.1671-1815.2600585

GAN Yu, HU Jia-wei, WANG Kang-yi, SIMA Yang-yu, LI Jiang-yong, YAO Xiang. Effect of Spaceflight Noise on Operators’ Emotions Based on EEG[J]. Science Technology and Engineering, 2026, 26(29): 12834-12845 DOI:10.12404/j.issn.1671-1815.2600585

登录浏览全文

4963

注册一个新账户忘记密码

随着美国国家航空航天局主导的载人登月项目阿尔忒弥斯计划^[1]和中国载人登月工程的推进,人类的航天活动正从近地轨道向深空延伸。然而,纵观载人航天发展史,高风险始终伴随着人类探索的脚步。在由在轨操作人员乘组、航天器以及空间环境构成的“人-机-环”系统中,在轨操作人员是任务的核心主体,其作用能否充分发挥直接决定任务的成败。在执行任务期间,在轨操作人员需长期暴露于微重力、持续噪声等极端环境中,这种复合应激会引发作业人员脑力疲劳、情绪下降等^[2]。根据刺激-机体-反应理论,这类极端环境刺激会通过调控情绪及生理状态,间接影响在轨操作人员的作业绩效。美国国家航空航天局的航天飞机任务数据和综合医学模型数据库均显示焦虑和抑郁症状在轨操作人员群体中发生率较高^[3]。因此,深入探究复合应激源对在轨操作人员情绪的影响机制,对于保障在轨操作人员在轨作业安全具有重要的科学价值与现实意义。

在诸多环境应激源中,噪声与微重力的影响尤为突出。微重力是空间站环境的核心物理特征,会对人体产生多方面不利影响,包括肌肉骨骼系统^[4]、心血管系统^[5]和中枢神经系统^[6],尤其会对情绪与认知功能产生显著的负面影响^[7]。既往的地面模拟研究,如头低位卧床(head-down bed rest, HDBR)和抛物线飞行等,已证实了其对心理健康的潜在危害。Liu等^[8]的HDBR实验研究表明,微重力对被试者的正性情绪有显著的负面影响。Schneider等^[9]的研究表明,微重力会导致被试者脑电β波功率降低,该变化被认为反映了个体对微重力状态的情绪应激反应。另一方面,空间站内由风机、泵、振动设备等产生的持续噪声,也是不可忽视的应激源。在轨操作人员在任务执行期间需长期暴露于此环境,可能诱发听力损伤、睡眠障碍、语音通信干扰、任务执行效率下降及警报信号辨识度降低等多重健康与作业风险^[10]。尽管其他领域的证据显示,噪声会通过诱发压力、产生烦恼等途径影响心理健康^[11]。管宏宇等^[12]认为噪声声压级越高,人体烦躁感越强。Zhang等^[13]的研究也指出交通噪声会导致雪崩临界指数升高,这表明大脑舒适度下降。但目前针对空间站特有噪声环境对在轨操作人员情绪影响的实证研究仍相对匮乏。更为关键的是,实际空间环境中的应激源往往协同存在,现有研究表明,复合环境对神经系统的损伤效应往往显著高于单一条件^[14]。因此,亟须开展HDBR与噪声的复合应激地面模拟实验,以厘清在微重力与噪声的复合作用下,在轨操作人员的情绪变化机制。

HDBR被广泛用于模拟微重力对人生理、心理的影响,为在更短时间内诱导出相关生理心理反应,一些研究采用了-12°HDBR休息4 h来模拟微重力环境下发生的体液头向转移^[15-16]。Jiang等^[16]的研究表明,3 h的-12°HDBR足以显著降低任务绩效和积极情绪。Benvenuti等^[17]的研究表明,仅需经过3 h的-6°HDBR,被试的大脑皮层情绪反应的能力便会受到抑制。根据国际空间站某次任务的噪声暴露监测报告^[10],在轨操作人员实际工作与睡眠时段的等效噪声水平分别为71.6 dB和47.6 dB。为了覆盖从睡眠休息到高强度工作的完整声学环境,本文研究将噪声声压级设置为45、55、65和75 dB共4个水平。因此,采用-12°HDBR模拟微重力效应,开展了不同声压级噪声下的环境模拟静息实验,并采用主观评估与生理测量相结合的方法来全面、客观捕捉个体在这一极端环境下的心理生理响应。在主观层面,情绪的测量通常使用情绪量表(profile of mood states,POMS)直观反映情绪的波动^[18];在客观层面,引入脑电图(electroencephalogram,EEG)技术深入解析皮层活动^[19]。为了精准解析情绪变化的神经机制,本文研究不仅基于经典的效价-唤醒模型提取线性功率谱指标,更引入了精细复合多尺度熵(refined composite multiscale entropy,RCMSE)这一非线性动力学指标。大脑作为一个复杂的非线性动力系统,传统的线性分析可能不足以完全捕捉其在应激下的动态适应过程。RCMSE能够有效量化短时间序列的不同时间尺度下的神经复杂度变化^[20]。此外,针对单一指标难以揭示心理-生理内在耦合机制的问题,进一步引入偏最小二乘回归(partial least squares regression,PLSR)分析。PLSR能够有效克服小样本与多重共线性挑战,有助于建立从客观神经生理特征到主观情绪体验的定量映射关系^[13]。

综上所述,采用-12° HDBR模拟微重力效应,开展不同声压级噪声下的环境模拟静息实验,探究以下问题:不同声压级噪声、微重力及其交互作用对在轨操作人员主观情绪的影响;复合应激环境对大脑额叶线性(效价-唤醒)及非线性(多尺度熵)神经动力学特征的影响;探究在此环境下心理与生理反应之间的内在关联性。通过融合主观情绪评价与生理指标,进一步揭示微重力与噪声共同作用下情绪变化的神经生理机制,为在轨人员情绪状态的客观识别、舱内声环境优化及航天员心理健康保障提供理论依据。

1 微重力噪声环境模拟静息实验

1.1 实验参与者

共招募30名国防生参与实验。国防生在体能素质与纪律性方面相比普通大学生更接近在轨操作人员群体。所有被试均为男性,右利手,听力正常,视力或矫正视力正常,无神经系统或精神疾病史,平均年龄为 (21.4 ± 1.3)岁。为了严格控制额外变量,实验前一天告知被试禁止饮酒,不得服用任何药物,并保证至少8 h的睡眠;实验前3 h内禁止进行剧烈运动。实验方案已获得湘潭大学伦理委员会的批准,伦理号为2024XTU09。所有被试在实验前均已阅读并签署了书面知情同意书。

1.2 实验条件和设计

实验在湘潭大学人因工程实验室中进行。该实验室具备良好的隔音效果,环境舒适度的预测平均热感觉指数(predicted mean vote,PMV)控制在±0.3,PM_2.5日均浓度 ≤(35±5) μg/m³,以排除环境因素干扰。实验采用的噪声素材取自空间站真实噪声(频谱如图1所示),并利用 Adobe Audition 软件将噪声声压级设置为45、55、65和75 dB共4个水平。因此,采用 2(重力状态)× 4(噪声级别)混合实验设计。其中,重力状态为被试间变量,分为正常重力组和-12°HDBR组,每组各15名被试,共30人;噪声级别为被试内变量,每名被试均需完成4种噪声条件下的测试。

1.3 实验流程

静息态实验包括准备阶段、基线采集期和噪声暴露期3个阶段(如图2、图3所示)。

(1)准备阶段:所有被试首先进行常规的环境适应与设备佩戴,并保持坐姿静息30 min以消除环境干扰。对于HDBR组,被试还需在正式实验前保持-12°头低位卧床姿态持续4 h。

(2)基线采集期:随后,记录被试者在相应体位下的5 min无声(环境背景音)睁眼静息数据。该阶段采集的生理信号将作为无噪声对照基线,用于后续的数据标准化与比较。

(3)噪声暴露期:被试者通过耳机接受不同声压级的模拟空间站噪声刺激,单次刺激持续时长为5 min。在探究长期环境噪声(如综合声景^[21]、交通噪声^[13]与施工噪声^[22])对被试心理影响的脑电研究中,受限于长时间测试极易引入疲劳伪影的客观条件,3~5 min的短期刺激被广泛采用,该时长足以诱发并捕捉到稳定的心理生理动态变化。刺激结束后,被试者立即填写POMS。为有效规避序列效应,采用拉丁方设计对噪声呈现顺序进行了严格的被试间平衡,分配矩阵如表1所示。在相邻试次间设置了5 min的间歇期,包括前2 min的问卷填写与后3 min的纯静息放松。Li等^[23]的研究表明实验间隔设置90 s即可消除噪声的影响,因此3 min的间隔足以防止不同实验条件间的相互干扰。全过程中,要求受试者视线聚焦于前方定点,以最小化眼动与肌电伪影对EEG信号的污染。

2 实验数据处理

2.1 主观数据处理

采用POMS对被试者的主观情绪体验进行多维评估。该量表包含6个核心维度,分别为:紧张(tension,T)、愤怒(anger,A)、疲劳(fatigue,F)、抑郁(depression,D)、困惑(confusion,C)及活力(vigor,V)。各维度采用5级李克特计分法(1=完全没有,5=极度),受试者需根据当下真实感受对各维度进行等级评定。通过计算情绪紊乱总分(total mood disturbance,TMD)量化被试者的整体情绪状态,计算公式为

(1)TMD =$\frac{\mathit{C}+\mathit{F}+\mathit{A}+\mathit{T}+\mathit{D}-\mathit{V}}{6}$

式(1)中:C为困惑项得分;F为疲劳项得分;A为愤怒项得分;T为紧张项得分;D为抑郁项得分;V为活力项得分;TMD为情绪紊乱总分。

2.2 生理数据处理

2.2.1 脑电数据预处理

采用64导BioSemi Active3脑电系统采集脑电信号。电极帽布局遵循国际10-05标准导联系统(如图4所示),该导联配置确保了对额叶、颞叶、顶叶及枕叶等全脑关键区域的覆盖,提供了高精度的空间分辨率。在数据采集过程中,使用导电膏填充电极槽以确保信号质量,记录期间,各通道的直流偏移电压均保持在±25 mV范围内,以保证信号处于线性记录区。原始数据在线采样率为1 024 Hz,并未进行在线滤波,以保留完整的原始信号特征。为去除数据中的伪影污染,所有预处理流程均在MATLAB的EEGLAB开源工具箱中执行。首先对连续EEG数据进行滤波处理,包括0.5 Hz高通与45 Hz低通滤波,并辅以48~52 Hz带阻(陷波)滤波以彻底消除工频干扰。随后,将数据采样率从1 024 Hz降采样至256 Hz,提升后续计算效率。然后重参考为全脑平均参考。然后运行独立成分分析算法将多通道信号分解为独立成分并利用ICLabel插件识别并剔除典型的眼电和肌电伪影成分。最后将连续EEG数据分割为4 s的时间窗(重叠率50%)并剔除波幅超过±100 μV的坏段^[24]。

2.2.2 效价-唤醒模型

采用Russell等^[25]提出的效价-唤醒二维模型作为情绪量化的理论框架。该模型将复杂的情绪状态分成两个正交维度:从不愉快到愉悦的效价维度和从平静到兴奋状态的唤醒度维度。为了从神经生理层面表征上述维度,提取了脑电信号的功率谱密度作为核心特征,重点关注与情绪加工密切相关的α波(8~13 Hz)与β波(13~30 Hz)频段。由于原始EEG功率值的量级差异巨大且通常呈显著偏态分布,对提取的α和β频段绝对功率进行了对数变换。基于上述处理后的特征,借鉴Hwang等^[26]建立的计算框架并结合现有数据和设备,对原始算法进行了适应性修正与优化。效价维度的量化基于额叶脑电不对称性理论,左额叶活动通常与趋近动机或积极情绪相关,而右额叶活动则主要反映退缩动机或消极情绪^[27]。由于数据进行了对数化处理,原研究中的比率计算在此转化为差值运算。因此,将效价Valence定义为左右半球α/β能量比的对数差值,如式(2)所示。而唤醒度Arousal反映了中枢神经系统的警戒与兴奋水平,根据既往研究,β波活动的增强通常与警觉相关^[28],而α波的增强则与放松状态相关^[13]。因此将唤醒度定义为额叶区域β波与α波的对数功率之差,如式(3)所示。具体公式如下。

(2)Valence=(P_α_,_Right-P_β_,_Right)-(P_α_,_Left-P_β_,_Left)

(3)Arousal=P_β_,_Frontal-P_α_,_Frontal

式中:P为特定频段的对数功率值;左额叶电极包含Fp1、AF3、AF7、F1、F3、F5、F7、FC1、FC3、FC5等;右额叶电极包含Fp2、AF4、AF8、F2、F4、F6、F8、FC2、FC4、FC6等;效价Valence指标数值越大,表明左侧额叶激活相对增强,对应更积极的情绪状态;P_β,Frontal与P_α,Frontal分别为全额叶区域内的β波与α波平均对数功率;唤醒度Arousal指标数值越高,意味着高频β成分占比越重,个体处于更高的生理唤醒状态。

2.2.3 精细复合多尺度熵

大脑是一个高度复杂的非线性动力系统,其神经电活动包含跨越多个时间尺度的动力学特征。传统的线性分析往往难以完整捕捉神经系统在不同时间分辨率下的复杂性变化。多尺度熵(multiscale entropy,MSE)在大尺度下因数据长度缩短容易产生未定义熵或估计偏差,为准确量化复合应激环境下被试者情绪变化对应的神经复杂度特征,采用了Wu等^[20]提出的RCMSE算法。相较于MSE,RCMSE通过整合不同尺度的粗粒化序列信息,显著提升了对短时间序列信号分析的稳定性与精确度,更适用于实验中分段脑电数据的特征提取。既往研究表明MSE算法可以用于不同情绪状态的区分与检测^[29],脑网络MSE的降低与沮丧、焦虑等心理状态密切相关^[30]。关于数据长度的选择,Wu等^[20]的模拟研究表明,RCMSE算法在处理长度为1 000个数据点的时间序列时,即便在尺度20下仍能保持零未定义熵率及良好的估计稳定性。采用4 s分段(1 024个数据点),已满足并超过该算法有效性的验证基准,足以保证结果的可靠性。鉴于额叶是情绪处理的核心区域,且既往研究证实负面刺激主要显著激活该脑区^[13],特选取额叶作为感兴趣区进行特征计算。多尺度熵分析中的尺度因子反映了神经系统信息处理的时间分辨率。参考 Gu 等^[31]的基于神经动力学机制的区间划分方法,将尺度1~20划分为3个区间以解析不同层面的神经动力学特征:精细尺度(1~6)、中等尺度(7~14)和粗糙尺度(15~20)。该精细尺度主要反映高频神经振荡及其局部信息处理能力^[32];而随着尺度因子的增加,粗糙尺度更多地捕获低频时间复杂度,反映了跨脑区的长程相互作用及分布式神经网络的整合机制^[33]。这种基于长短程网络连接的复杂度划分方法,同样适用于评估本研究中额叶整合长程信息以应对外部环境复合应激的自适应调节过程。该算法具体的计算流程如下。

步骤1 粗粒化处理。

对于长度为N的原始时间序列x={x₁,x₂,…,x_N},给定尺度因子τ,RCMSE算法生成τ个不同的粗粒化时间序列${\mathit{y}}_{\mathit{k}}^{\left(\mathit{\tau }\right)}$。其中,第k个(1≤k≤τ)粗粒化序列${\mathit{y}}_{\mathit{k}}^{\left(\mathit{\tau }\right)}$={${\mathit{y}}_{\mathit{k},1}^{\left(\mathit{\tau }\right)}$,${\mathit{y}}_{\mathit{k},2}^{\left(\mathit{\tau }\right)}$,…,${\mathit{y}}_{\mathit{k},\mathit{p}}^{\left(\mathit{\tau }\right)}$}的元素定义为

(4)${\mathit{y}}_{\mathit{k},\mathit{j}}^{\left(\mathit{\tau }\right)}$=$\frac{1}{\mathit{\tau }}\stackrel{\mathit{j}\mathit{\tau }+\mathit{k}-1}{\sum _{\mathit{i}=(\mathit{j}-1)\mathit{\tau }+\mathit{k}}}$x_i, 1≤j≤$\frac{\mathit{N}-\mathit{k}+1}{\mathit{\tau }}$

步骤2 计算匹配向量数。

参考Chen等^[34]的研究和本研究数据长度,设定嵌入维度m=2和相似度容限r=0.15×SD(SD为原始序列标准差)。对于每一个粗粒化序列${\mathit{y}}_{\mathit{k}}^{\left(\mathit{\tau }\right)}$,重构出m维向量序列。然后,统计该序列中满足切比雪夫距离小于r的向量匹配对总数、对数${\mathit{n}}_{\mathit{k}}^{\mathit{m}}$,以及m+1维模板向量匹配对的总数${\mathit{n}}_{\mathit{k},\mathit{\tau }}^{\mathit{m}+1}$。

步骤3 RCMSE熵值计算。

RCMSE 定义为τ个粗粒化序列中,m+1维匹配对平均数与m维匹配对平均数之比的负自然对数。其计算公式为

(5)RCMSE(x,τ,m,r)=-ln$\frac{{\stackrel{-}{\mathit{n}}}_{\mathit{k},\mathit{\tau }}^{\mathit{m}+1}}{{\stackrel{-}{\mathit{n}}}_{\mathit{k},\mathit{\tau }}^{\mathit{m}}}$=-ln$\frac{\stackrel{\mathit{\tau }}{\sum _{\mathit{k}=1}}{\mathit{n}}_{\mathit{k}}^{\mathit{m}+1}}{\stackrel{\mathit{\tau }}{\sum _{\mathit{k}=1}}{\mathit{n}}_{\mathit{k}}^{\mathit{m}}}$

式(5)中:${\stackrel{-}{\mathit{n}}}_{\mathit{k},\mathit{\tau }}^{\mathit{m}}$和${\stackrel{-}{\mathit{n}}}_{\mathit{k},\mathit{\tau }}^{\mathit{m}+1}$分别为τ个粗粒化序列在m维和m+1维下的平均匹配对数。

2.3 统计分析

为更好地比较不同声压级空间站噪声对心理生理反应的影响,将无噪声环境设为基线条件,并根据各指标的数据分布特征采用了差异化的处理策略。对于主观情绪评分及RCMSE,采用相对于基线的变化率用于后续统计分析,如式(6)所示;对于效价与唤醒度指标,鉴于已经对原始脑电数据进行了对数变换处理,直接相减即代表了对数标度下的相对变化量。因此,采用差值法的变化值用于后续统计分析,如式(7)所示。然后,采用线性混合模型(linear mixed model,LMM)分析重力状态和噪声级别及其交互作用对各心理生理指标的影响,事后比较采用Bonferroni校正。LMM能充分考虑数据的多层级结构,并通过限制性最大似然法纳入所有被试者的可用数据(包括缺失值),从而产生偏差较小的估计值,避免因剔除数据导致的样本量损失或检验力降低^[35]。最后,采用Spearman检验分析和PLSR来探究客观生理数据与主观情绪之间的内在关联。考虑到本研究采用混合实验设计,所有变量先进行被试内中心化处理(每名被试各条件值减去该被试在4个条件下的均值)。考虑同一被试在多重实验条件下重复测量,交叉验证与重抽样均以被试为分组单位(分组K折交叉验证,5折),避免同一被试观测同时进入训练集与测试集。PLSR成分数通过按被试分组交叉验证在全数据上确定为单一全局成分数,并在固定的全局成分数下,计算基于被试分组交叉验证的均方根误差(root mean square error of cross validation,RMSECV)与预测Q²。各特征的预测贡献度通过变量投影重要性(variable importance in projection, VIP)指标进行评估,并采用被试级bootstrap(B=1 200,以被试为重采样单位)估计回归系数与VIP的95%置信区间及稳定性指标P(VIP>1)。LMM统计分析在SPSS27.0进行,Spearman检验分析和PLSR建模则基于Python3.13环境下的SciPy与scikit-learn库实现。显著性水平设定为P<0.05,箱线图中的箱体表示中间50%数据的分布,箱体中的水平线代表中位数,圆点代表平均值。箱体左侧的散点展示了所有参与者的原始数据点,箱体右侧的半小提琴曲线则显示了数据的概率密度分布形态。

(6)R_ΔIndex=$\frac{\mathrm{I}\mathrm{n}\mathrm{d}\mathrm{e}{\mathrm{x}}_{\mathrm{S}\mathrm{t}\mathrm{i}\mathrm{m}\mathrm{u}\mathrm{l}\mathrm{u}\mathrm{s}}-\mathrm{I}\mathrm{n}\mathrm{d}\mathrm{e}{\mathrm{x}}_{\mathrm{B}\mathrm{a}\mathrm{s}\mathrm{e}\mathrm{l}\mathrm{i}\mathrm{n}\mathrm{e}}}{\mathrm{I}\mathrm{n}\mathrm{d}\mathrm{e}{\mathrm{x}}_{\mathrm{B}\mathrm{a}\mathrm{s}\mathrm{e}\mathrm{l}\mathrm{i}\mathrm{n}\mathrm{e}}}$

(7)ΔIndex=Index_Stimulus-Index_Baseline

式中:Index_Stimulus为5 min噪声暴露期间生理指标的值;Index_Baseline为无噪声环境基线期值;ΔIndex包括各种情绪的差值:困惑ΔC、疲劳ΔF、愤怒ΔA、紧张ΔT、抑郁ΔD、活力ΔV。

3 实验结果

3.1 主观数据

如图5和表2所示,情绪紊乱总分相对变化率R_ΔTMD具有显著的主效应,F(3,84) =115.818,P<0.001,${\mathit{\eta }}_{\mathrm{p}}^{2}$=0.805,表明噪声显著诱发了负面情绪。重力条件的主效应也达到了显著水平,F(1,28)=24.283,P<0.001,${\mathit{\eta }}_{\mathrm{p}}^{2}$=0.464。噪声与重力的交互效应显著,F(3,84)= 4.559,P=0.005,${\mathit{\eta }}_{\mathrm{p}}^{2}$=0.140。简单效应分析表明,在正常重力条件下,55 dB条件较 45 dB 条件未出现统计学上的显著恶化 (P=0.053,Cohen's d=0.69),噪声达到 65 dB (P <0.001,Cohen's d=1.64) 和 75 dB (P <0.001,Cohen's d=2.56) 时,ΔTMD才较 45 dB 条件显著上升。而在 HDBR 条件下,噪声强度在55 dB时即已引起ΔTMD 的统计学显著升高 (P< 0.001,Cohen's d=1.18)。

3.2 效价-唤醒模型

图6展示了在复合应激下效价差值ΔValence的变化情况。如表3所示,噪声水平对ΔValence的变化具有显著的主效应,F(3,84)=30.648,P<0.001,${\mathit{\eta }}_{\mathrm{p}}^{2}$=0.523,表明噪声显著诱发了负面情绪。同时,重力条件的主效应显著,F(1,28)=5.176,P=0.031,${\mathit{\eta }}_{\mathrm{p}}^{2}$=0.156表明HDBR导致了更负面的情绪反应。噪声与重力的交互效应达到了显著水平,F(3,84)=3.604,P= 0.017,${\mathit{\eta }}_{\mathrm{p}}^{2}$=0.114在正常重力条件下,噪声强度达到 75 dB 时,ΔValence才较 45 dB 条件显著下降P<0.001,d=0.447;而在 HDBR 条件下,噪声强度在 65 dB (P<0.001,d=0.483)和75 dB (P<0.001,d=0.953)时,效价显著降低。

图7展示了在复合应激下唤醒度差值ΔArousal的变化情况。如表4所示,统计分析未发现显著效应。噪声等级的主效应[F(3,84)=1.920,P= 0.133,${\mathit{\eta }}_{\mathrm{p}}^{2}$=0.064]、重力条件的主效应[F(1,28)= 0.792,P= 0.382,${\mathit{\eta }}_{\mathrm{p}}^{2}$=0.028]以及二者的交互效应[F(3,84)=2.322,P=0.081,${\mathit{\eta }}_{\mathrm{p}}^{2}$=0.077]均未对ΔArousal产生显著影响。

3.3 精细复合多尺度熵

如表5和图8所示,对于额叶精细尺度熵相对变化率R_{ΔMSE_F},统计结果并未显示出显著主效应。噪声级别[F(3,84)=0.445,P=0.722,${\mathit{\eta }}_{\mathrm{p}}^{2}$=0.016]、重力状态[F(1,28)= 0.229,P=0.636,${\mathit{\eta }}_{\mathrm{p}}^{2}$=0.008]以及二者的交互作用[F(3,84)=1.244,P= 0.299,${\mathit{\eta }}_{\mathrm{p}}^{2}$=0.043]均未对精细尺度的熵值产生显著影响。

如图9和表6所示,对于额叶中等尺度熵差值R_{ΔMSE_M},噪声的主效应显著,F(3,84)= 13.653,P< 0.001,${\mathit{\eta }}_{\mathrm{p}}^{2}$=0.328。随着噪声声压级的增加,R_{ΔMSE_M}呈现出明显的下降趋势,这可能表明大脑额叶区域处理外界信息时的适应性调节能力受到了显著抑制。重力条件的主效应达到了显著水平,F(1,28)=7.452,P= 0.011,${\mathit{\eta }}_{\mathrm{p}}^{2}$=0.210。噪声与重力的交互效应也达到了显著水平,F(3,84)= 2.746,P=0.048,${\mathit{\eta }}_{\mathrm{p}}^{2}$=0.089。进一步分析表明,在正常重力条件下,即使噪声强度达到 75 dB,R_{ΔMSE_M}较 45 dB也未表现出显著下降(P=0.242,Cohen's d=0.218),在HDBR条件下,噪声强度在65 dB (P =0.006,Cohen's d=0.357) 和75 dB (P< 0.001,Cohen's d=0.645)时均已引起熵值的统计学显著降低。

如表7和图10,对于额叶粗糙尺度熵相对变化率R_{ΔMSE_C},分析结果呈现出与R_{ΔMSE_M}相似的趋势。噪声暴露的主效应显著,F(3,84)= 18.248,P< 0.001,${\mathit{\eta }}_{\mathrm{p}}^{2}$=0.395。重力条件的主效应达到了显著水平F(1,28)= 4.848,P= 0.036,${\mathit{\eta }}_{\mathrm{p}}^{2}$=0.148。噪声与重力的交互效应也达到了显著水平,F(3,84)= 2.875,P=0.041,${\mathit{\eta }}_{\mathrm{p}}^{2}$=0.093。进一步分析表明,在正常重力条件下,额叶粗糙尺度熵相对变化率R_{ΔMSE_C}表现出较好的稳定性,仅在75 dB条件下较45 dB条件出现显著下降(P = 0.034,Cohen's d=0.303)。相比之下,在 HDBR条件下,噪声强度的负面阈值前移,当噪声达到 65 dB (P< 0.001,Cohen's d=0.436) 和75 dB (P< 0.001,Cohen's d=0.727)时,粗糙尺度熵均已显著降低。

3.4 心理生理反应之间的相关性

基于上述结果,进一步探讨了心理与生理反应之间的相关性,如图11所示。Spearman相关分析结果表明,R_ΔTMD与生理指标的变化存在显著关联。具体而言,R_ΔTMD与ΔValence呈显著负相关(r= -0.396,P<0.001),表明额叶脑电不对称性向右侧偏移(即ΔValence降低)时,被试者的主观情绪紊乱程度显著加剧。在脑电非线性特征方面,R_ΔTMD与R_{ΔMSE_M}或R_{ΔMSE_C}均呈显著负相关。其中,R_{ΔMSE_M}(r= -0.316,P<0.001)及ΔMSE_C(r= -0.342,P<0.001)均随R_ΔTMD的增加而降低。这说明额叶神经信号复杂度的降低往往伴随着更强烈的情绪困扰。此外,ΔArousal、R_{ΔMSE_F}与R_ΔTMD之间未发现显著相关性(P> 0.05)。

为了进一步量化描述心理生理反应之间的内在联系,采用PLSR建立了生理指标对R_ΔTMD的预测模型。PLSR模型结果显示,按被试分组交叉验证选择的最优成分数为1。对包含全部特征的模型进行VIP与重采样稳定性评估发现,R_{ΔMSE_F}的VIP仅为0.006,且在bootstrap中 P(VIP>1)=0.002,其回归系数置信区间跨0(95%CI[-0.138, 0.155]),表明该特征对输出指标的独立贡献极弱且不稳定。因此,剔除R_{ΔMSE_F},仅保留贡献更明确的特征用于后续分析。敏感性分析显示,剔除R_{ΔMSE_F}后模型性能变化幅度较小:RMSECV由0.795降至0.790,Q²由 0.428 提升至 0.436。进一步的敏感性分析显示,尽管剔除ΔArousal后模型预测性能有小幅提升(Q²= 0.457),但关键特征R_{ΔMSE_C}和R_{ΔMSE_M}的 VIP值降至1以下(0.967和0.913),且 Bootstrap 稳定性显著下降(0.252和0.139)。综合考虑模型的简洁性、预测效能以及特征贡献的重采样稳定性,最终采用去除R_{ΔMSE_F}的特征集作为主模型输入。

如表8所示,在固定成分数k=1下,按被试分组折外预测获得RMSECV=0.790、Q²=0.436,表明所选神经生理指标可较好预测R_ΔTMD的被试内变化(预测Q²为 43.6%)。VIP 分析显示,ΔValence为最主要贡献指标[VIP=1.263,P(VIP>1)=0.995],其次为R_{ΔMSE_C}[VIP=1.130,P(VIP>1)=0.918]与R_{ΔMSE_M}[VIP=1.059,P(VIP>1)=0.667],而ΔArousal度的贡献相对较弱。标准化回归系数及其bootstrap置信区间如表8所示。最终建立的定量回归方程如下。

(8)${\mathit{R}}_{\mathrm{\Delta }\mathrm{T}\mathrm{M}\mathrm{D}}^{\mathrm{*}}$=0.020ΔArousal^*-0.309ΔValence^*-0.276${\mathit{R}}_{\mathrm{\Delta }\mathrm{M}\mathrm{S}{\mathrm{E}}_{\mathrm{C}}}^{\mathrm{*}}$-0.259${\mathit{R}}_{\mathrm{\Delta }\mathrm{M}\mathrm{S}{\mathrm{E}}_{\mathrm{M}}}^{\mathrm{*}}$

式(8)中:上角标^*表示对变量进行标准化处理后的归一化数据。

4 讨论与分析

通过构建地面模拟实验,系统探究了空间站噪声与模拟微重力复合应激对被试心理与生理反应的影响。结果表明,高强度噪声暴露显著恶化了被试者的情绪状态,并引发了大脑额叶神经动力学的显著改变,且微重力环境的存在进一步放大了噪声的负面效应,致使被试对噪声的耐受阈值显著前移。

结合EEG的线性(效价-唤醒)与非线性(RCMSE)指标,深入解析了大脑对极端环境的响应机制。在线性特征上,随着噪声强度的增加,情绪效价显著降低,表现为额叶脑电不对称性向右侧偏移。根据趋近-回避模型,左额叶激活通常与积极情绪相关,而右额叶激活则与退缩或防御性动机相关^[27]。这表明高强度噪声会诱发负面情绪,这与Zhang等^[13]的研究一致。本研究中,噪声暴露虽显著改变了被试者的情绪效价,却未引发唤醒度的显著变化。这一结果可能源于情绪效价是对环境压力源高度敏感的特异性指标,而唤醒度易受微小动作、瞬时认知负荷等因素干扰,故而缺乏检测区分度,这与Hwang等^[26]的观点一致。此外,在稳态噪声的持续暴露下,人体可能对单纯的生理唤醒产生了适应性,导致大脑的响应模式主要体现为心理层面的情感极性偏移,而非持续的高生理唤醒状态。在非线性动力学特征上,额叶RCMSE在中等和粗糙尺度上随噪声强度增加而显著降低。这一现象可能反映了复合应激破坏了大脑固有的分形组织与跨时间尺度的长程相关性^[36],导致神经动力学从灵活的复杂态退化为更规则、僵化的模式,从而限制了其对外界任务的适应能力。这一推论在基于脑电多尺度熵的视疲劳研究中也得到了旁证^[34]。值得注意的是,精细尺度熵主要与高频神经振荡相关,反映了局部神经元群的快速信息处理能力^[32]。该尺度未出现显著性变化,可能提示在当前的环境下,大脑局部的感觉处理未受到根本性损害。相反,中长尺度主要对应低频振荡,表征了跨脑区的长程功能连接与多感官信息整合^[33]。既往研究表明,额叶皮层对皮层下区域的负性情绪进行自上而下的抑制和调控,这高度依赖于额叶控制系统与边缘情绪生成系统之间的交互作用^[27,37]。而中长尺度熵值的显著降低表明,复合应激干扰了额叶与其他脑区之间的功能耦合,这种长程整合能力的衰退严重削弱了大脑对负性情绪的调节能力。

此外,噪声和微重力存在显著的交互作用,在HDBR条件下,引发显著情绪恶化的噪声阈值前移至55~ 65 dB,这表明两种应激源之间存在协同效应。而这一协同效应的产生,可能与HDBR引发的一系列生理及中枢神经层面的改变密切相关。HDBR模拟的微重力环境可引发头痛与背痛等生理不适^[38],同时还会引起广泛的中枢神经系统适应,涉及感觉运动区及前庭通路的重组^[39]。而这种适应性重组过程需要消耗大量的神经资源,致使负责执行自上而下情绪调节功能的神经资源不足,进而可能削弱了对噪声诱发的负性情绪的抑制能力。最终导致了上述噪声阈值前移的现象。

主观情绪与客观生理指标之间存在紧密的耦合关系进一步印证了上述关于神经机制的推论。相关分析显示,ΔTMD与ΔValence及ΔMSE_M均呈显著负相关,这说明额叶神经活动的改变是情绪恶化的生理基础。额叶皮层是情绪调节和认知控制的枢纽。复合应激源作为一种环境压力,首先引起额叶神经动力学的改变,进而削弱了大脑对负性情绪的抑制能力,最终导致主观层面的情绪紊乱加剧。正如 Zhang等^[13]所指出的,环境噪声不仅通过听觉通路产生影响,更通过改变大脑皮层的激活模式,引发一系列心理生理连锁反应。

5 结论

以-12° HDBR 模拟微重力效应,开展了不同声压级噪声暴露下的地面模拟静息实验,并综合采用POMS主观数据与EEG客观数据,系统探究了复合应激环境下被试心理生理变化。具体结论如下。

(1)随着噪声声压级的升高(特别是超过 65 dB 时),被试者的ΔTMD显著增加。在生理层面,这表现为额叶脑电不对称性显著向右侧偏移,以及额叶脑电信号在中长尺度上的RCMSE显著降低。

(2)模拟微重力(短期HDBR)与短时噪声暴露存在协同负面效应,显著降低了被试对噪声的耐受阈值至 55 ~ 65 dB。该结果为优化空间站声环境设计,保障在轨操作人员心理健康提供了依据。

(3)构建的PLSR模型结果显示,客观的 EEG 指标可有效预测43.6%的主观情绪变化。其中,额叶脑电不对称性所表征的ΔValence(VIP=1.263)对 ΔTMD 的预测贡献最大。该结果为依托客观生理数据开发高精度情绪识别系统、实时监测在轨操作人员的心理状态提供了重要依据。

然而,本文研究仍存在一定局限性。采用的4 h-12°HDBR与5 min单次噪声刺激实验设计主要反映了被试在复合极端环境初期的急性应激反应。由于被试的情绪可能会在很长一段时间内波动,后续研究可选取更贴合在轨操作人员特征的研究对象来开展长期微重力及持续性背景噪声下的累积效应研究;同时纳入皮肤电反应、心率等生理指标,通过多模态数据的分析,更全面、精准地解析人体在极端复合环境下的心理生理响应机制。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	韩淋. NASA更新阿尔忒弥斯计划[J]. 空间科学学报, 2020, 40(6): 967.

[2]	Han Lin. NASA updates the Artemis program[J]. Chinese Journal of Space Science, 2020, 40(6): 967.

[3]	陈善广, 姜国华, 王春慧. 航天人因工程研究进展[J]. 载人航天, 2015, 21(2): 95-105.

[4]	Chen Shanguang, Jiang Guohua, Wang Chunhui. Advancement in space human factors engineering[J]. Manned Spaceflight, 2015, 21(2): 95-105.

[5]	Friedman E, Bui B. A psychiatric formulary for long-duration spaceflight[J]. Aerospace Medicine and Human Performance, 2017, 88(11): 1024-1033.

[6]	Fitts R H, Trappe S W, Costill D R, et al. Prolonged space flight-induced alterations in the structure and function of human skeletal muscle fibres[J]. Journal of Physiology, 2010, 588(18): 3567-3592.

[7]	Baran R, Marchal S, Garcia Campos S, et al. The cardiovascular system in space: focus on in vivo and in vitro studies[J]. Biomedicines, 2022, 10(1): 59.

[8]	Wuyts F L, Deblieck C, Vandevoorde C, et al. Brains in space: impact of microgravity and cosmic radiation on the CNS during space exploration[J]. Nature Reviews Neuroscience, 2025, 26(6): 354-371.

[9]	Clément G R, Boyle R D, George K A, et al. Challenges to the central nervous system during human spaceflight missions to Mars[J]. Journal of Neurophysiology, 2020, 123(5): 2037-2063.

[10]	Liu Q, Zhou R, Chen S, et al. Effects of head-down bed rest on the executive functions and emotional response[J]. PLoS One, 2012, 7(12): e52160.

[11]	Schneider S, Brümmer V, Carnahan H, et al. What happens to the brain in weightlessness? A first approach by EEG tomography[J]. NeuroImage, 2008, 42(4): 1316-1323.

[12]	Limardo J G, Allen C S, Danielson R W. Status: crewmember noise exposures on the International Space Station[C]// 45th International Conference on Environmental Systems. Bellevue: International Conference on Environmental Systems, 2015: 1-13.

[13]	Liu Y, Xia B, Cui C, et al. Community response to construction noise in three central cities of Zhejiang Province, China[J]. Environmental Pollution, 2017, 230: 1009-1017.

[14]	管宏宇, 胡松涛, 穆远鹏, 等. 低气压环境下噪声特性对人体烦躁感的影响[J]. 科学技术与工程, 2019, 19(14): 90-94.

[15]	Guan Hongyu, Hu Songtao, Mu Yuanpeng, et al. Effect of noise characteristics on human annoyance under hypobaric environment[J]. Science Technology and Engineering, 2019, 19(14): 90-94.

[16]	Zhang N, Liu C, Zhang M, et al. Effects of traffic noise on the psychophysiological responses of college students: an EEG study[J]. Building and Environment, 2025, 267: 112171.

[17]	Wu X, Yin Y, Liu J, et al. Baoyuan Jieyu formula ameliorates depression-like behaviour in rats induced by simulated long-term spaceflight composite stress through regulating MAPK and BDNF pathways[J]. Life Sciences in Space Research, 2021, 31: 34-42.

[18]	Dayal D, Jesudasen S, Scott R, et al. Effects of short-term -12° head-down tilt on cognitive performance[J]. Acta Astronautica, 2020, 175: 582-590.

[19]	Jiang A, Gong Y, Yao X, et al. Short-term virtual reality simulation of the effects of space station colour and microgravity and lunar gravity on cognitive task performance and emotion[J]. Building and Environment, 2023, 227: 109789.

[20]	Benvenuti S M, Bianchin M, Angrilli A. Posture affects emotional responses: a head down bed rest and ERP study[J]. Brain and Cognition, 2013, 82(3): 313-318.

[21]	丁志坤, 黄涛, 杨起帆, 等. 敬畏情绪对建筑废弃物再生产品购买意愿影响机制[J]. 科学技术与工程, 2025, 25(11): 4809-4816.

[22]	Ding Zhikun, Huang Tao, Yang Qifan, et al. Impact mechanism of awe on the purchase intention of construction waste recycling products[J]. Science Technology and Engineering, 2025, 25(11): 4809-4816.

[23]	贺强, 胥涛. 基于眼动和脑电的复合材料胶接挖补工作负荷研究[J]. 科学技术与工程, 2024, 24(26): 11449-11456.

[24]	He Qiang, Xu Tao. Workload of composite bonding repair based on eye tracking and EEG[J]. Science Technology and Engineering, 2024, 24(26): 11449-11456.

[25]	Wu S D, Wu C W, Lin S G, et al. Analysis of complex time series using refined composite multiscale entropy[J]. Physics Letters A, 2014, 378(20): 1369-1374.

[26]	Zeng C, Lin W, Li N, et al. Electroencephalography (EEG)-based neural emotional response to the vegetation density and integrated sound environment in a green space[J]. Forests, 2021, 12(10): 1380.

[27]	Mir M, Nasirzadeh F, Bereznicki H, et al. Investigating the effects of different levels and types of construction noise on emotions using EEG data[J]. Building and Environment, 2022, 225: 109619.

[28]	Li Z, Kang J. Sensitivity analysis of changes in human physiological indicators observed in soundscapes[J]. Landscape and Urban Planning, 2019, 190: 103593.

[29]	徐开俊, 房雨星, 王卓凡, 等. 基于行为与 ERP 的飞行员注意网络功能[J]. 科学技术与工程, 2025, 25(24): 10506-10516.

[30]	Xu Kaijun, Fang Yuxing, Wang Zhuofan, et al. Pilot attention networks function based on behavior and ERPs[J]. Science Technology and Engineering, 2025, 25(24): 10506-10516.

[31]	Russell J A, Weiss A, Mendelsohn G A. Affect grid: a single-item scale of pleasure and arousal[J]. Journal of Personality and Social Psychology, 1989, 57(3): 493-502.

[32]	Hwang S, Jebelli H, Choi B, et al. Measuring workers’ emotional state during construction tasks using wearable EEG[J]. Journal of Construction Engineering and Management, 2018, 144(7): 04018050.

[33]	Coan J A, Allen J J B. Frontal EEG asymmetry as a moderator and mediator of emotion[J]. Biological Psychology, 2004, 67(1/2): 7-50.

[34]	Choi Y, Kim M, Chun C. Measurement of occupants' stress based on electroencephalograms (EEG) in twelve combined environments[J]. Building and Environment, 2015, 88: 65-72.

[35]	Kim J, André E. Emotion recognition based on physiological changes in music listening[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2008, 30(12): 2067-2083.

[36]	Low I, Kuo P, Liu Y, et al. Altered brain complexity in women with primary dysmenorrhea: a resting-state magneto-encephalography study using multiscale entropy analysis[J]. Entropy, 2017, 19(12): 680.

[37]	Gu C, Liu Z X, Woltering S. Electroencephalography complexity in resting and task states in adults with attention-deficit/hyperactivity disorder[J]. Brain Communications, 2022, 4(2): fcac054.

[38]	Vakorin V A, Lippé S, McIntosh A R. Variability of brain signals processed locally transforms into higher connectivity with brain development[J]. Journal of Neuroscience, 2011, 31(17): 6405-6413.

[39]	McDonough I M, Nashiro K. Network complexity as a measure of information processing across resting-state networks: evidence from the Human Connectome Project[J]. Frontiers in Human Neuroscience, 2014, 8: 409.

[40]	Chen C, Li J, Lu X. Multiscale entropy-based analysis and processing of EEG signal during watching 3DTV[J]. Measurement, 2018, 125: 432-437.

[41]	West B T, Welch K B, Galecki A T. Linear mixed models: a practical guide using statistical software[M]. 3rd ed. Boca Raton: Chapman and Hall/CRC, 2022.

[42]	Goldberger A L, Amaral L A N, Hausdorff J M, et al. Fractal dynamics in physiology: alterations with disease and aging[J]. Proceedings of the National Academy of Sciences of the United States of America, 2002, 99(S1): 2466-2472.

[43]	Ochsner K N, Gross J J. The cognitive control of emotion[J]. Trends in Cognitive Sciences, 2005, 9(5): 242-249.

[44]	Liu Q, Zhou R L, Zhao X, et al. Acclimation during space flight: effects on human emotion[J]. Military Medical Research, 2016, 3(1): 15.

[45]	Van Ombergen A, Demertzi A, Tomilovskaya E, et al. The effect of spaceflight and microgravity on the human brain[J]. Journal of Neurology, 2017, 264(S1): 18-22.

基金资助

国家自然科学基金(52375269)

湖南省自然科学基金(2024JJ6431)

PDF (8941KB)

访问

被引

详细

导航

Received	Published	Revised
2026-01-27	2026-10-18	2026-04-07
Online Date
2026-10-30

摘要