长期高强度的高尔夫训练会导致大脑结构协方差网络的重构

《PLOS One》:Long-term intensive golf training induces reconfiguration of brain structural covariance networks

【字体: 大 中 小 】 时间:2026年03月10日 来源:PLOS One 2.6

编辑推荐:

  摘要 长期的运动训练被认为能够重塑大脑的组织结构,然而高尔夫运动技巧如何影响大规模的大脑网络仍不清楚。我们使用T1加权MRI和个体化的结构协方差网络(SCN)方法,比较了20名高尔夫专家、20名高尔夫初学者以及20名非高尔夫参与者的脑部特征。专家组的整体聚类系数和局部效率高于初学

  摘要
长期的运动训练被认为能够重塑大脑的组织结构,然而高尔夫运动技巧如何影响大规模的大脑网络仍不清楚。我们使用T1加权MRI和个体化的结构协方差网络(SCN)方法,比较了20名高尔夫专家、20名高尔夫初学者以及20名非高尔夫参与者的脑部特征。专家组的整体聚类系数和局部效率高于初学者组,表明他们的模块化处理能力更强。在节点层面,专家组在支持视觉-感觉运动整合的区域(如右侧缘上回、Heschl回和左侧颞极)表现出更高的聚类性,同时在左侧距状皮层的整体效率较低,右侧小脑的路径长度也有所改变。重要的是,聚类系数解释了训练时长与挥杆精准度之间的关联。这些横断面研究结果表明,长期的高尔夫训练与大脑网络的重构有关,这种重构更倾向于局部专业化而非全局整合——这可能有助于支持精英级表现所需的高级感觉运动控制。本研究通过将个体化网络分析与运动技能的行为结果相结合,加深了对经验依赖性神经可塑性的理解。

1. 引言
运动技能的学习伴随着通过反复练习逐渐提高的运动速度和精准度,这是运动训练和表现的基础[1,2]。这一过程反映了大脑卓越的可塑性,即反复的运动经验会诱导出结构和功能的适应,从而形成专业技能[3]。从小开始接受长期高强度训练的运动员通常会发展出更出色的运动技能,如协调性、敏捷性和耐力,这些技能依赖于大脑结构的持久变化,尤其是在负责感觉运动整合和认知控制的区域[4]。早期关于运动技能相关的大脑可塑性的研究主要关注孤立的脑区,并经常报告灰质体积的变化。例如,伦敦出租车司机的海马体结构有所扩大,这反映了他们丰富的导航经验[5–7]。同样,篮球运动员和足球运动员在与初学者相比时,其运动皮层和小脑的灰质体积更大[8]。相反,芭蕾舞者的感觉运动皮层以及精英体操运动员的视觉皮层的灰质体积有所减少[9–11],这可能代表了运动处理的神经精炼和效率提升。总的来说,这些发现表明,长期训练根据任务要求和技能类型的不同,可以增加或减少灰质体积。尽管有这些宝贵的发现,但大多数以往的研究依赖于基于体素的分形测量(VBM)等单变量方法,这些方法只关注特定区域的形态变化,而忽视了大脑的复杂互联性。网络神经科学的进步强调,脑区作为整合系统而非孤立部分进行运作[14,15]。因此,理解长期高强度训练如何重塑结构协方差网络(SCN)可能提供一个更全面的视角,以解释专家级表现背后的神经机制[16,17]。为了填补这一空白,本研究采用基于网络的方法来探讨长期高尔夫训练如何影响大脑的结构协方差网络。通过构建个体化的SCN,本研究超越了传统的群体层次分析,能够在全局和模块化层面描述网络的重构过程。这种方法论创新使我们能够探索专家训练如何重塑大脑的结构架构,从而弥合局部形态变化与系统级适应之间的差距。通过这一框架,我们旨在为运动技能的神经机制提供新的见解,这对运动训练和康复都有重要的意义。

2. 受试者与方法
2.1. 受试者
本研究共招募了60名参与者,并将其分为三组:高尔夫专家组(Pro)、高尔夫初学者组(New)和对照组。专家组由20名技术高超且经验丰富的高尔夫运动员组成,平均每18洞的击球数为72.05±4.3次。这些参与者每周至少训练六次,每次训练时间不少于两小时,并且累计训练经验不少于十年。初学者组包括20名高尔夫经验有限的参与者,平均每18洞的击球数为86.15±5.63次,他们的训练经验不足三年,每周大约训练三次,每次训练时间约为1.5小时。参与者技能的分类标准参考了以往的研究[18]。对照组由20名没有接受过正式高尔夫训练的人组成。三组在年龄、性别和教育背景方面相匹配,在年龄或体质指数(BMI)上没有观察到统计学上的显著差异(见表1)。所有参与者都是右手习惯,视力正常或经过矫正,没有神经或精神疾病史,并符合MRI扫描的安全要求。

2.2. 图像采集与预处理
所有参与者使用德国埃尔朗根的Siemens 3.0T MRI扫描仪(Trio Tim)进行扫描,配备八通道头部线圈,采集高分辨率的T1加权图像(T1WI)。参数设置如下:使用磁化准备快速梯度回波(MPRAGE)序列,TR/TE=2250/2.6 ms,切片厚度=1 mm,fip角度=9°,视野(FOV)=256×256 mm2,矩阵大小=256×256。本研究使用的高分辨率T1加权图像数据经过SPM12软件包中的CAT12工具箱预处理,以消除运动和其他伪影。CAT12在分析体积变化方面被认为比VBM8更准确。所有参与者的图像被分割为白质、灰质和脑脊液。随后,图像被标准化到蒙特利尔神经学研究所(MNI)标准空间,并使用Difeomorphic Anatomical Registration Trough Exponential Lie Algebra工具箱进行调节。最后,剩余的灰质图像使用半高宽为8 mm的高斯核对齐。

2.3. 网络构建
所有结构分析都基于自动化解剖标记(AAL)图谱,该图谱将大脑划分为116个感兴趣的区域(ROIs)。从每个ROI提取灰质体积(GMV)作为网络构建的基础。由于传统的群体层面结构协方差网络(SCN)会丢失个体网络信息,我们采用了基于区域效应大小差异(ESD)的最新方法来为专家-初学者研究获得个体SCN[19,20]。为了保留个体网络信息,我们使用基于区域效应大小差异(ESD)的方法为案例-对照研究获得个体SCN。构建每个队列中每个参与者的个体SCN的主要步骤如下(见图1):(1)调整每个感兴趣区域的灰质体积(GMV)以考虑协变量(如年龄、性别和总颅内体积),并提取相应的区域GMV残差。(2)通过计算每对脑区之间的皮尔逊相关系数,为整个对照组创建一个群体层面的SCN(SCNcontrol)。(3)计算对照组每个脑区域的平均值(Mcontrol)和标准差(SDcontrol)。(4)从单个受试者与对照组平均值之间的区域ESD中得出个体权重矩阵(W)。(5)然后通过将W与SCNcontrol逐元素相乘,计算出单个受试者的最终个体相关系数矩阵。使用这种方法,我们为高尔夫专家组和初学者组获得了116×116的连接矩阵。

2.4. 网络分析
应用了不同的稀疏度水平(K=0.14–0.50,步长=0.01)对个体结构协方差网络(SCNs)进行二值化处理,然后用于比较全局和节点网络属性。稀疏度范围的确定基于以往研究中的标准[21,22],确保:(1)每个网络中超过90%的节点保持相互连接;(2)超过95%的个体SCN图的小世界指数大于1,显示出明显的小世界特征。在每个稀疏度水平上,计算了四个全局网络指标:全局效率(Eg)、局部效率(Eloc)、平均路径长度(Lp)和聚类系数(Cp)。此外,还使用Brain Connectivity Toolbox为每个节点计算了两个区域(节点)拓扑度量——节点度和介数中心性[23]。详细的计算过程见表2。为了捕捉整个稀疏度范围内每个拓扑属性的整体表现,计算了每个指标的曲线下面积(AUC),并在统计分析中加以使用。

2.5. 中介分析
为了进一步探讨训练时长、大脑结构协方差网络属性与高尔夫表现之间的相互关系,我们进行了中介分析。借鉴Li等人的发现,我们假设神经可塑性——体现在大脑网络组织的变化中——在连接训练时长与具体行为表现之间起着中介作用。首先,我们进行了相关性分析,以确定哪些网络指标与训练时长和表现有显著关联。这些网络参数随后被选为后续中介模型中的潜在中介变量。具体来说,传统的中介分析包括估计自变量X对因变量Y的直接效应(路径c)和间接效应(路径c’)。在考虑中介变量M后,计算了X对Y的直接效应(路径c’)以及通过M的间接效应(即X→M和M→Y的路径)。中介效应通过非参数自助法(5000个样本)进行评估,以生成校正偏差的95%置信区间(CIs)。排除零的CI表明间接效应有显著偏离零(路径a×b,P<.05)。

2.6. 统计分析
为了检验群体间网络指标的差异,我们采用了基于排列的非参数方法。这种方法不假设数据具有特定的分布,因此提供了对统计显著性的稳健且无分布性的评估。具体来说,对于每个网络指标,计算了观察到的群体间平均差异,并与通过随机排列群体标签5000次生成的零分布进行比较。每个比较的p值定义为等于或大于观察到的差异的排列差异的比例。为了控制所有网络指标和脑区之间的多重比较,应用了假发现率(FDR)校正。此外,还计算了Cohen’s d效应量以及p值,以量化群体间差异的大小,并便于全面解释统计和实际意义。对于相关性分析,我们首先使用Shapiro–Wilk检验评估了所有变量的正态性。符合正态性假设的变量(p>0.05)使用皮尔逊相关系数进行分析;而不满足正态性假设的变量则使用斯皮尔曼等级相关系数进行分析。在本研究中,所有用于相关性分析的变量都符合正态分布;因此,始终使用皮尔逊相关系数。

3. 结果
3.1. 高尔夫专家的全局网络拓扑变化
对比高尔夫专家和初学者的全局网络拓扑结构发现了显著差异。具体来说,与新手相比,高尔夫专家的大脑结构协方差网络显示出更高的聚类系数(Cp)和更高的局部效率(Eloc)(图3,表3)。下载:PPT/PowerPoint幻灯片/PNG/更大图像/TIFF/原始图像。表3. 高尔夫专家和新手之间全局网络拓扑属性的比较。https://doi.org/10.1371/journal.pone.0344165.t003 下载:PPT/PowerPoint幻灯片/PNG/更大图像/TIFF/原始图像。图3. 高尔夫专家和新手之间全局网络拓扑属性的比较。“*”表示在p<0.05时具有显著差异,“**”表示在p<0.01时具有显著差异,这些结果均经过假发现率(FDR)校正。https://doi.org/10.1371/journal.pone.0344165.g003

3.2. 高尔夫专家区域网络拓扑的变化 在节点层面上,专家和新手之间存在明显差异(图4,表4)。高尔夫专家在右侧边缘上回(supramarginal gyrus)、赫施尔回(Heschl’s gyrus)和左侧中间颞极(left middle temporal pole)显示出更高的聚类系数。此外,左侧中间颞极的局部效率也更高。相反,专家在左侧舟状回皮层(left calcarine cortex)和中间颞极显示出较低的全局效率,并且与新手相比,右侧小脑第10区(cerebellum-10)的路径长度更短。下载:PPT/PowerPoint幻灯片/PNG/更大图像/TIFF/原始图像。表4. 高尔夫专家和新手之间节点网络拓扑属性的比较。https://doi.org/10.1371/journal.pone.0344165.t004 下载:PPT/PowerPoint幻灯片/PNG/更大图像/TIFF/原始图像。图4. 高尔夫专家和新手之间节点层级网络拓扑属性的组间差异。“*”表示在FDR校正后p<0.05时具有显著差异。(Cp:聚类系数;Lp:路径长度;Le:局部效率;Ne:节点效率)。https://doi.org/10.1371/journal.pone.0344165.g004

3.3. 中介分析结果 在显示显著组间差异的网络指标中,全局聚类系数(Cp)和左侧中间颞极的节点局部效率(NLe)与高尔夫击球表现显著负相关(图5A-B)。这表明更高的网络模块化和区域效率与更好的高尔夫表现相关(每轮击球次数更少)。此外,训练时间与Cp呈正相关(图5C),表明更长的练习时间与更大的结构网络分离相关。下载:PPT/PowerPoint幻灯片/PNG/更大图像/TIFF/原始图像。图5. 结构协方差网络拓扑、每18洞的击球次数和训练时间之间的关系。子图A-C显示了相关性分析的结果。子图D展示了一个标准的三变量中介模型的结果,表明Cp介导了训练时间和击球表现之间的关系。虚线代表间接效应,实线代表直接效应。https://doi.org/10.1371/journal.pone.0344165.g005 中介分析证实Cp显著介导了训练时间和击球表现之间的关系(图5D)。训练时间正向预测Cp(β=0.33,p<0.001),这反过来又负向预测击球次数(β=-0.31,p<0.001)。间接效应在统计上显著(β=-0.1,95%置信区间[-0.37, -0.09]),而在控制了Cp之后,训练时间对击球表现的直接效应不再显著(β=-0.22,p=0.15)。

4. 讨论 本研究揭示,长期的高尔夫训练与重构的结构协方差网络架构有关,其特征是模块化和区域特定的神经可塑性增强。在全局层面,专家高尔夫运动员显示出更高的聚类系数(Cp)和局部效率(Eloc),表明向更加专业化、局部整合的处理单元转变。这种模式与理论模型一致,这些模型认为专长通过将领域相关的功能分离到专用子系统中来优化信息处理,同时最小化代价高昂的长距离通信[24,25]。值得注意的是,这些全局变化与对感觉运动整合和视觉空间控制至关重要的区域的节点层面的改变同时发生。例如,右侧边缘上回的聚类增加——这是身体图式更新和视觉运动协调的中心[26,27]——可能支持高尔夫挥杆过程中所需的精确姿势调整。同样,赫施尔回和左侧中间颞极的结构重组可能反映了增强的听觉-空间处理和环境线索的高级语义整合。颞极主要与高级视觉皮层区域功能相连[28],其与前庭核的独特连接表明其在调节眼球运动控制和感觉运动协调中的潜在作用[29]。这一发现与先前的研究结果一致,即高尔夫专家的左侧中间颞极灰质体积更大,这与击球表现呈正相关[18]。相反,左侧舟状回皮层的全局效率降低和右侧小脑第10区的路径长度改变表明了一种策略性权衡:专家大脑可能优先考虑局部计算精度而不是广泛的整合能力,这是技能自动化的标志[30]。左侧舟状回皮层——主要视觉区域——的全局效率降低起初可能看似反直觉,因为专长通常与神经资源的增强相关。然而,从神经效率的角度来看,这种减少可以解释为一种功能修剪过程,其中长期训练通过抑制与任务无关或冗余的连接来精细化视觉处理,同时保留和加强行为相关的路径[24,31]。在高尔夫背景下,运动员在挥杆和推杆阶段必须保持稳定的视觉固定并忽略周围干扰。因此,更加局部专业化、较少全局整合的视觉网络可能有助于集中注意力并减少感知噪声,最终支持击球执行的更高一致性。这一解释与其他专家群体的研究结果一致,如体操运动员和射击运动员,他们在视觉区域的皮层体积或活动减少的同时表现出更优秀的视觉运动表现[17,32]。因此,观察到的节点全局效率降低可能并不代表神经退化,而是神经计算资源向局部、特定任务的重新分配。这与在其他专长领域观察到的“神经效率”概念一致,即在持续、特定任务的训练下,功能相关区域的结构可塑性得到驱动[27,33–35]。中介分析进一步表明,聚类系数(Cp)显著介导了训练时间和高尔夫表现(即每轮平均击球次数)之间的关系。这表明结构网络的重新配置,特别是在局部层面,是行为改善的神经基础。重要的是,这种中介效应强调了Cp作为追踪专长发展的神经生物学标志物的潜在用途——这一观点可以为未来关于技能获取的纵向或干预性研究提供信息。我们的基于网络的方法提供了一个新的视角,超越了关注孤立脑区的传统研究。我们不仅考察了局部体积的变化,还强调了广泛练习如何重塑整个大脑网络的区域间结构协方差。这种系统层面的观点支持了这样的假设:专长不仅仅是孤立神经肥大的功能,而是分布式脑区之间优化、协调互动的新兴属性[36]。这种结构适应可能构成了专家运动员出色的运动控制、感觉整合和视觉空间处理能力的基石[35]。我们的发现与先前关于运动员大脑功能网络的研究一致,这些研究在足球运动员和耐力运动员等个体中报告了类似的模块化和效率模式[15,16]。将这些观察扩展到结构协方差网络,我们的结果强化了功能和结构架构在密集技能获取过程中经历平行重组的观点。尽管结构连接提供了功能动态的解剖学基础,但将结构与功能联系起来的确切机制仍不完全清楚[37–39]。未来结合结构、功能和扩散MRI的多模态神经成像研究对于解开这种复杂关系至关重要。专家大脑网络中观察到的模块化增强可能反映了向更加并行化处理的转变,其中不同的认知功能(如视觉空间注意、运动规划和感觉整合)由相对独立的神经模块支持[31,40]。这种组织策略可能促进更快、更高效的信息处理,减少子系统之间的干扰,并提高整体任务表现[41,42]。这种架构在高尔夫运动中尤其有利,因为高尔夫运动要求高水平的专注注意力、精确的运动控制和在不同的环境和心理条件下保持一致的表现。

5. 局限性 尽管本研究提供了新的见解,但仍需注意几个局限性。首先,其横断面设计排除了关于长期训练与大脑网络重组之间因果关系的推断;需要进行纵向研究来澄清因果关系及其时间动态。其次,我们依赖于结构性MRI,这限制了解释,因为结构协方差网络无法完全捕捉到专长的功能动态。结合结构、功能和扩散MRI将提供更全面的图像,展示训练如何重塑大脑。最后,未测量的因素,如生活方式、健康状况、压力或个性也可能导致组间差异。尽管各组在年龄、性别和教育水平上进行了匹配,但未来的研究应考虑这些潜在的混淆因素。

6. 结论 本研究表明,长期的高尔夫训练与重构的结构协方差网络相关,其特征是全局模块化和局部效率的增强。关键的感觉运动和认知区域显示出节点层面的变化,反映了与专长相关的神经可塑性。中介分析进一步揭示,局部网络属性(如聚类系数)桥接了训练时间和表现提升。这些发现表明,长时间的运动训练以支持更出色的技能执行和行为适应的方式重塑了大脑结构——不是通过孤立的区域变化,而是通过整个网络的重配置。

致谢 我们衷心感谢所有参与者为这项研究投入的时间和努力。我们还要感谢北京师范大学成像中心的工作人员在MRI数据采集过程中提供的技术支持。参考文献
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号