为什么会晕车？

关注“心仪脑”查看更多脑科学知识的分

关键词：晕车，神经机制，脑电，脑科学

当身体在车辆的被动运动中，特别是在陆地车辆中暴露于特定种类的运动时，晕车很常见（Reason和Brand，1975；Lacount等人，2009；Green，2016）。对这种运动的生理反应会逐渐诱发不断加剧的症状，从轻微的胃痛或头痛到头晕、恶心，最后到呕吐（Green，2016；Dennison，2017）。因此，晕车被认为是一种神经活力危机，有可能导致重大的疾病，这取决于个人的易感性（Duclay，2008；Murdin等人，2011）。

汽车是最常见的陆地交通工具，会诱发一种特殊形式的晕动症，被称为晕车症（Murdin等人，2011），其中乘客最有可能出现症状（Diels和Bos，2015）。随着自动驾驶汽车的发展，驾驶员将成为自己车辆中的乘客，这很可能增加晕车汽车乘员的数量。虽然晕车的原因尚未完全确定，但已经提出了几个与运动感知（加速度、频率、持续时间、轴）有关的假设。

非常低频的运动被发现会诱发晕车，特别是0.10到0.50（Hz）之间的振荡运动（Turner和Griffin，1999；Nakashima和Cheung，2006）。

此外，加速度越大，症状越快越严重（O'Hanlon和McCauley，1974；Bos和Bles，1998）。

因此，模糊的感觉信息通常被认为是晕动病的主要原因。一个主要的理论认为，当中枢神经系统收到关于运动的多感官信息，特别是来自视觉、前庭和本体感觉系统的相互冲突的信息时，就会发生晕动症（Reason和Brand，1975）（Schmäl，2013）。例如，当在汽车中行驶时，在有限的外部能见度下，视觉系统提示身体没有移动，而来自前庭和本体感觉系统的输入则报告运动（Murdin等人，2011；Bronstein等人，2013）。因此，这些感觉输入在大脑层面的多模态整合似乎在晕动病的发生中起了很大作用（Chen等，2010；Schmäl，2013）。已知枕叶区负责视觉输入整合，而顶叶区和中央区参与本体感觉和前庭输入整合。正是这些不同区域之间的结合和协调，使人们能够精确和有力地感知个人相对于他/她环境的运动（Schmäl, 2013）。

在各种研究中，使用脑电图测量来监测晕动病引起的大脑变化。然而，这些实验中的晕动症是由不同的手段诱导的，如平行摆动、鼓式旋转、视觉诱导的晕动症（VIMS）（3D视频、虚拟现实、静态驾驶模拟器）（Koohestani等，2019），导致结果不一致。在平行摆动和转鼓研究中，主要的运动晕厥诱导的EEG活动的改变是在额叶和中央区域观察到的，特别是在θ波段（Wu，1992；Wood等人，1994）。用VIMS进行的研究显示了额叶和颞叶区域的变化，特别是在θ和β波段（Naqvi等人，2015；Liu等人，2017）。一些专门针对晕车的研究使用了静态驾驶模拟器（Min等人，2004；Park等人，2008），并报告了额叶、中央和枕叶区域在几个频段（delta、theta、alpha和beta）的变化。然而，由于它不涉及物理运动，这种静态的模拟器设置可以被认为是VIMS设备。为了创造一个更真实和可控的驾驶环境，其他人使用了动态驾驶模拟器（虚拟现实+物理运动的组合）（Lin等人，2007，2013；Chen等人，2010；Chuang等人，2016）。他们都报告了枕叶、顶叶和体感区的变化，主要是δ、α和θ波段的变化（Chen等人，2010）。虽然使用动态驾驶模拟器提供了征求多模态感觉输入（前庭、本体感觉和视觉）的优势，然而，这样的实验范式可能无法将与晕车症状相关的大脑变化与虚拟现实（VR）所诱发的变化区分开。

目前，人们普遍认为，在实验室条件下使用的运动动力学（滚筒旋转、VIMS、动态驾驶模拟器）与真实的汽车中的运动动力学有很大的不同。在这里，我们通过在真实的驾驶条件下进行实验，使用非常低频的侧向运动和同步的脑电图记录，来确定与晕车有关的特定大脑变化。根据以前的研究结果，我们假设大脑活动的变化将与晕车同时发生，特别是在允许视觉、前庭和本体感觉输入的多模式整合的大脑区域。

材料和方法

1参与者

9名健康的参与者（5名女性和4名男性，年龄（平均±SD）：38.8±7.5岁）。参与者年满18岁，且持有驾照至少2年。参与者根据他们对晕动症易感性问卷（MSSQ; Golding, 2006）的回答来选择。平均百分位数为89.8±9.9%，表明对运动和晕车有高度敏感性。他们的参与没有得到任何报酬。

2实验设置

出于可控性和安全的考虑，测试在一个长约400米、宽约50米的私人区域进行，没有其他交通存在。参与者以预定的坐姿坐在汽车的前排乘客座位上，并系好安全带。配备EEG设备测量大脑活动，并在被试面前放置一个滑块，让他们评价自己的晕车程度。脑电图设备、晕车评级滑块和来自车辆的控制器区域网络（CAN）数据被连接到车辆后座的一台笔记本电脑上，以实现同步。实验道路是一条椭圆形的轨道，由两条长约300米的直线段组成，两端有半径为10米的转弯区。沿着两条直线段，12个铁塔相隔20米（图1A）。

​

图1. (A)测试设置和每个时期的测试时间轴：两个基线期（停车和直路），回旋和恢复期；(B)分析脑电信号记录的六个时间间隔：基线停车（BasP），基线直路（BasS），回旋（包括RTstart、RT++、RTstop）和恢复（Recov）；测试过程

每个测试环节从两个基线期开始（一个是静态条件下，停放5分钟，称为基线停放）；一个是动态条件下（有U型弯的直路，5分钟，称为基线直路），在此期间参与者必须睁眼2分钟，闭眼1分钟，然后再次睁眼2分钟。在两条基线（停车和直路）期间，对信号质量进行了视觉评估（在线检查）。接下来是一个大约20分钟的回旋期，以诱发晕车症状（如果参与者觉得太难受而无法完成测试，则缩短时间，即在主观评分中，不适感的最高分（4分））。最后，在停车后，有一个睁眼的静态恢复期（5分钟）。在基线期（基线停车和基线直路）和停车恢复期，参与者被指示不要移动（头部、躯干）；在回旋期，他们被指示向前和向前看，尽可能少移动。每个测试环节持续约1小时（参与者设备、测试和汇报），分为用于数据分析的几个阶段。基线停车、基线直路、回旋和恢复（图1A）。在基线直路和回旋期间，驾驶员以大约35公里/小时的连续速度行驶，在需要调头的地方以大约15公里/小时的速度行驶，以尽量减少横向加速度。在回旋运动期间，驾驶员在铁塔的左右两侧执行 "之 "字形运动，以引起可重复的横向加速度水平。铁塔和车速之间的差距确保了接近0.2赫兹的横向运动，这被认为是一种诱发晕车的刺激（Bos和Bles，1998）。一次回旋的平均时间和整个回旋期的平均时间分别为30±3秒；19±1分钟。在生态条件下产生的侧向振荡频率和加速度的平均值±SEM分别为0.20±0.003 Hz和2.03±0.04 m.s2。

数据采集和处理

由于脑电信号处理的技术限制（最小记录长度为60秒），选择了六个不同阶段的记录进行进一步分析[（1）基线停车（BasP-第一个120秒），（2）基线直路（BasS-第一个120秒），（3）第一次往返（RTstart-60秒），（4）最高等级的往返（RT + + -60秒），（5）最后一次往返（RTstop-60秒），（6）恢复（Recov-中间120秒）（图1B）] 。因此，每个参与者提取的记录总量相当于9分钟。每次往返被认为是两个连续的回旋（来回，不包括掉头，因为后者不符合本研究中的汽车动力学）。参考测量值从基线停车期获得。为了将晕车评分与脑电图记录联系起来，从每个回旋处获得的评分被成对考虑，以计算出往返行程的平均评分（来回，两个连续分数的平均值）。根据Chen等人（2010）的建议，对每个参与者来说，RT++是用最高的MS水平来确定的，并与下一个回旋处的评分相平均。最后，随后的反应是通过恢复2分钟后的评分来评估的。

1晕车评分

该测试包括对晕车严重程度和演变的定期主观评估，以分析晕车症状的首次出现。使用5点Likert量表，代表Griffin和Newman量表的前五级。参与者被指示使用滑块来表示他们的不适程度（Griffin和Newman，2004；Wada等人，2012）。基线停放期和恢复期只记录一个分数。对于回旋运动期，要求参与者根据他们在回旋运动结束时的U型转弯时的最差症状体验来记录他们的评分。这种方法的一个优点是对晕车症状的评价很及时，没有任何记忆效应。

2脑电数据采集

参与者被连续监测脑电图记录，电极按照国际10-20电极放置系统放置，有Fp1、Fp2、F4、Fz、F3、C4、Cz、C3、P4、Pz、P3、O1、Oz和O2（图2）。脑电图采样率为125 Hz。

​

图2

3脑电图数据分析

所有的预处理和处理用MATLAB的内置功能和Chronux工具箱（Bokil等人，2010）进行。

​图3

4统计分析

在样本水平上分析了两个因变量。(i) 晕车评分和(ii) 脑电图记录的频率功率。通过对5个时期（BasP、RTstart、RT++、RTstop和Recov）的分析，比较了每个因变量在停车基线、回旋期和恢复期之间的演变。晕车评分采用5级（BasP、RTstart、RT++、RTstop和Recov）重复测量方差分析。脑电图记录通过4（一对电极：枕叶、顶叶、中央、额叶）×5（测试期：BasP、RTstart、RT++、RTstop和Recov）的重复测量方差分析。作为所有收集到的数据的先验，还测试了球度条件（Mauchly's test）。通过Huynh-Feldt epsilon (ε)，对P值水平进行了校正，以应对可能出现的球状性偏差。当观察到显著差异时（P<0.05），使用Fischer-Snedecor最小显著差异检验进行事后分析，允许通过两两比较的方式来完善结果。对于每一个重要的效应，使用部分等值平方（ηp2）来估计效应大小。此外，根据不同的测试时期，在样本水平上对晕车评分和每个大脑区域的四组频率的功率密度进行了Spearman等级相关分析。所有的统计分析都是用Statistica软件® v.10（Statsoft公司，法国）进行的。数据以每次评估的平均值±SEM表示，显著性水平为*p < 0.05，**p < 0.01和***p < 0.001。

实验结果

所有的参与者在回旋期间（19±1分钟）最多经历了26次回旋（即13次往返），并报告至少有某种程度的晕车。参与者评分的分布如下：最高评分（0-1）11.1%；（1-2）44.4%；（2-3）22.2%；（>3）22.2%（图4）。只有一名参赛者在最后一个回旋处得了4分。参与者在12.4±2.9分钟后达到最大晕车评分（1.6±0.5）。

​

图4. 参赛者达到的最大评分分布：白色（0-1）；浅灰色（1-2）；深灰色（2-3）和黑色（>3）。

1晕车评分结果

观察到 "测试期 "对晕车评分的明显影响[F(4, 32) = 15.94; ε = 0.49; p < 0.001; ηp2 = 0.67]。如图5所示，尽管每个参与者在实验开始时都没有症状，但评分显示，反复的低频侧向运动迅速诱发了症状。事后分析显示，与基线相比，回旋运动期间的所有评分都有显著增加。评分从RT开始明显增加（+ 22% v. BasP; p < 0.05），在RT++达到最大值（+ 163% vs. Baseline; p < 0.01）。然后，在回旋运动结束时（RTstop）评分下降（-13% vs. RT++；p < 0.05）。最后，在恢复期停止回旋运动，使评分明显下降（-38% vs. RT++；p < 0.01），并恢复到基线水平。

 

图5. 在每个测试期（BasP、RTstart、RT++、RTstop和Recov）观察到的晕车主观评分（平均值±SEM；n = 9；*p < 0.05和**p < 0.01，风险[α]= 0.05）。

2脑电数据结果

如图6所示，与基线相比，顶叶和枕叶区在回旋运动中α和θ波段的功率有所增加。在顶叶区，观察到 "测试期 "对α[F(4, 32) = 4.16; ε = 0.49; p < 0.05; ηp2 = 0.34]和θ功率[F(4, 32) = 6.42; ε = 0.74; p < 0.01; ηp2 = 0.45]的显著影响（图6A, B，分别）。与基线记录相比，回旋运动中测量的功率值明显增加。在α波段，RT++（+32% vs. BasP; p < 0.01）和RTstop（+26% vs. BasP; p < 0.01）的功率明显增加。在θ波段，RTstart（+14% vs. Baseline；p < 0.01）、RT++（+20% vs. BasP；p < 0.001）和RTstop（+12% vs. BasP；p < 0.05）的功率也显著增加。最后，对于这两个频段，恢复期允许所有的值回到基线水平，α（-23% vs. RT++; p < 0.05）和θ频段（-12% vs. RT++; p < 0.001和-8% vs. RTstop; p < 0.001）有明显下降。在枕部，观察到 "测试期 "对α[F(4, 32) = 2.68; ε = 0.27; p < 0.05; ηp2 = 0.25]和θ功率[F(4, 32) = 6.42; ε = 0.74; p < 0.01; ηp2 = 0.45]有显著影响（图6C,D，分别），在回旋期间两个频段的功率都在增加。在α波段，功率在RT++达到最大水平，明显高于基线（+17% vs. BasP；p < 0.05）。在θ波段，与基线相比，RTstart（+7% vs. Baseline；p < 0.05）、RT++（+15% vs. BasP；p < 0.001）和RTstop（+14% vs. BasP；p < 0.001）的功率也显著增加。Theta功率从RTstart开始持续增加，在RT++（p < 0.05）和RTstop（p < 0.05）达到最高水平。最后，在恢复期，所有的数值都回到了基线水平，α（-14% vs. RT++；p < 0.05）和θ带（-7% vs. RTstart；p < 0.05；-13% vs. RT++；p < 0.001和-13% vs. RTstop；p < 0.001）明显下降。在其他带宽（β，γ）和其他大脑区域（中央，额叶）方面没有观察到其他明显的差异。

​

图6. 每个测试期（BasP、RTstart、RT++、RTstop和Recov）顶叶区（A-C）和枕叶区（C、D）的α（A-C）和θ（B-D）的功率观察（平均值±SEM；n=9；*p＜0.05，**p＜0.01，以及***p＜0.001，风险[α]=0.05）。

3晕车评分与脑电图反应的关系

根据不同的测试时期，计算出各脑区四组频率的平均功率。通过使用线性回归，可以确定增加晕车评分对脑电图反应在样本水平上的平均影响。

对额叶和枕叶区，晕车评分的增加与伽马功率的增加明显相关。相比之下，无论在哪个频率范围内，中央区域都没有观察到明显的相关性。然而，对于顶叶区，α和β节律的平均功率与晕车评级呈线性增长。

实验结论

研究首次揭示了在实际驾驶条件下，晕车症状与脑电活动的变化同时出现，主要是在参与感觉整合的大脑区域。特别是发现顶叶和枕叶区域的θ和α功率随着晕车的严重程度增加而增加。这些发现与以前在实验室条件下利用平台运动进行的非驾驶研究一致，证实θ和α功率是晕车的敏感指标。

参考文献

 

Henry, E. H., Bougard, C., Bourdin, C., & Bringoux, L. (2022). Changes in Electroencephalography Activity of Sensory Areas Linked to Car Sickness in Real Driving Conditions. Frontiers in Human Neuroscience.

全文完结，整理不易，看不完记得收藏，最后希望点赞支持一下！

了解更多，请关注“心仪脑”公众号！