检测高功能卒中患者认知缺陷的双任务斯特鲁普范式

临床评估量表对高功能卒中患者的认知功能障碍不够敏感。双任务范式在认知功能障碍的评估和认知训练中具有优势和潜力。这里的研究提出了一种双任务斯特鲁普范式来识别高功能中风患者的认知功能障碍。

一般临床认知评估量表对高功能卒中患者的认知障碍不够敏感。双任务评估对识别高功能脑卒中患者的认知缺陷具有优势，并已逐步应用于临床评估和认知训练。此外，与传统的临床认知评估量表相比，斯特鲁普范式对注意力评估具有更高的敏感性和特异性。因此，本研究提出了基于斯特鲁普范式的双任务评估，以识别高功能中风患者的认知缺陷。本研究展示了基于Stroop范式的单任务和双任务评估，并通过案例实验和同步功能近红外光谱评估证实了其可行性。斯特鲁普反应时间和正确率作为评价受试者认知水平的主要指标。本研究方案旨在为高功能卒中患者一般临床评估失败的天花板效应提供新思路。

中风是人类残疾的主要原因¹ ，可导致不同程度的运动、认知、情绪和其他功能缺陷²。一些预后较好且仅有轻微功能缺陷的脑卒中患者在日常活动中表现出更大的功能自主性，但其残疾的功能状态可能不足以支持他们重返工作岗位或以前的活动。这些患者被称为高功能中风患者^3，4。由于功能缺陷轻微，很难通过功能量表的一般评估来识别其功能障碍，特别是在认知功能方面，例如蒙特利尔认知评估（MoCA）⁵ 和临床痴呆评级（CDR）⁶，这些功能量表对识别高功能卒中患者的轻度功能缺陷具有上限效应和较差的敏感性。因此，有必要开发客观简单的方法来识别高功能脑卒中患者的认知功能障碍。

近年来，双任务范式在考核和培训中的优势逐渐^{被重视7，8}。例如，患者可能在简单的认知单一任务（例如，计算）上表现正常，但是^{当添加额外的}任务9，¹⁰（例如^，边走边计数）时表现出不同程度的认知下降。Manaf等人发现，中风患者在执行认知运动双重任务时经常使用补偿策略，例如通过牺牲认知任务表现来维持稳定性¹¹。因此，双任务评估在识别高功能卒中患者的认知缺陷方面可能具有优势。一方面，双任务评估的内容比单一任务更接近日常生活，例如边走边观察周围环境或说话和打电话。在以前的研究中，步行+命名任务和步行+穿越障碍物任务旨在模拟真实环境中的行走¹²。

另一方面，双重任务中的执行能力与注意力分配（属于高级认知功能范畴）密切相关¹³。注意力分配是同时处理多个任务并将注意力分配给两个或多个任务的能力¹⁴.这种认知技能对提高日常活动的效率具有重要意义。因此，双任务评估的结果可用于反映个体的注意力分配。通常，人们可以在日常生活中同时处理两个或多个简单的任务，并且不会被打扰。然而，当大脑功能受损时，面对简单的双重任务时，可能会有更多的双任务干扰;也就是说，在执行双重任务时，注意力分散的减少可能会导致一个或两个任务的性能受损¹⁵。结论是，双任务执行更有可能检测高功能卒中患者的晚期认知功能障碍。

斯特鲁普范式是研究斯特鲁普效应（也称为冲突效应）¹⁶的经典实验范式，已广泛应用于认知功能测试中的注意力评估，特别是在注意力抑制领域¹⁷。经典斯特鲁普效应是指由于显性反应的干扰，个体难以对非显性刺激做出快速准确的反应。这导致非显性刺激的响应时间更长，响应精度更低。显性和非显性反应之间的反应时间或准确率的差异是斯特鲁普效应¹⁸。因此，斯特鲁普需要高度关注¹⁹.较小的斯特鲁普效应表示较高的注意抑制，而较大的斯特鲁普效应表示注意抑制的下降¹⁸。

与传统的临床评估量表²⁰相比，斯特鲁普范式可能更适合评估高功能卒中患者的认知功能障碍，并且对注意力评估具有更高的敏感性和特异性。因此，本研究设计了一种基于斯特鲁普范式的双任务评估，以识别高功能卒中患者的认知缺陷。该方案还包括对脑卒中患者的认知功能、下肢运动功能和平衡功能的临床评估，以确保患者能够完成双重任务评估。将功能近红外光谱（fNIRS）作为脑功能的客观评估工具，检测双重任务下高功能脑卒中患者脑功能的激活情况。从神经影像学的角度验证了基于Stroop范式的双任务评估方案的有效性和可行性，为临床实践提供了新的方面。

该项目已获得广州医科大学附属第五医院医学伦理学会（编号:KY01-2020-08-06）批准，并已在中国临床试验注册中心注册（编号:ChiCTR2000036514）。在本研究中使用他们的数据获得了患者的知情同意。

1. 招聘

1. 招募影像学检查确诊病情稳定的脑卒中患者，符合中华医学会神经内科分会脑血管病诊断标准（2005）。选择布伦斯特罗姆IV²¹期的卒中患者。
2. 确保患者能够独立完成基本的日常活动。确保患者没有明显的认知障碍，并满足以下要求:MoCA在正常范围内;无单方忽视（阿尔伯特检验，遗漏次数≤2）²²;没有其他神经系统疾病，如语言缺陷;并可配合相关说明完成本研究。
3. 确保受试者自愿参加测试并签署知情同意书。

2. 临床评价

1. 记录受试者的信息，包括姓名、性别、出生日期、教育程度、体重指数、病史和用药史。
2. 进行认知功能评估。
   1. 通过提出11个问题对中风患者进行MoCA²³ ，这些问题涉及受试者的注意力和注意力，执行功能，记忆力，语言，视觉结构技能，抽象思维，计算和定向。
   2. MoCA的总分为30分，与教育水平有关。如果该科目的教育少于 12 年，请在 MoCA 的总分中加一分。将 26 分及以上的分数视为正常²³ 分。
   3. 对中风患者进行CDR²⁴ 。在与脑卒中患者及其家属的结构化访谈中收集信息，评估受试者在六个方面的能力:记忆力、定向力、判断力和解决问题的能力、工作和社交互动、家庭生活和个人爱好以及独立生活。
   4. 可能的最高分数是 3。按如下方式评估获得的分数:总分 = 0 表示没有痴呆;总分 = 0.5 表示疑似痴呆;总分 = 1 提示轻度认知障碍;总分 = 2 提示中度认知障碍;总分 = 3 表明严重认知障碍²⁴。
   5. 进行阿尔伯特试验以检测卒中患者是否存在单侧空间忽视 （USN）。要求受试者划掉一张纸上随机放置的所有线条。
   6. 向受试者展示一系列 40 条黑线，每条长约 2 厘米，随机排列在一张 11 英寸 x 8.6 英寸的白色六行纸上。根据测试表两侧未交叉的行数评估 USN 的存在与否。如果任何一条线没有交叉，并且这些未交叉的线中有70%以上与运动缺陷在同一侧，这表明单方面的空间忽视。
3. 进行运动功能评估。
   1. 对卒中患者进行 Fugl-Meyer 评估 （FMA），以评估卒中后偏瘫患者的运动功能、感觉、平衡、关节活动范围和关节疼痛。运动领域包括评估肩膀、肘部、前臂、手腕、手、臀部、膝盖和脚踝的运动、协调和反射动作的项目。
   2. 运动功能评分范围从0分（偏瘫）到100分（运动表现正常），分为上肢66分和下肢34分。评估评分如下:0-49 分表示严重运动障碍;50-84 分表示明显的运动障碍;85-95 分表示中度运动障碍;96-99分表示轻度运动障碍。
4. 执行平衡功能评估。
   1. 对脑卒中患者进行Berg平衡量表（BBS）²⁷ ，从易到难共14项，包括坐姿平衡、站立平衡、身体转移、转身、单腿站立。
   2. 评估分数如下:量表上的最高分是 56;总分 <40 分表明有跌倒的风险;得分0-20分表示平衡功能差，需要轮椅;得21-40分说明题主有一定的平衡功能，需要辅助行走;得分41-56分表明平衡功能良好，受试者可以独立行走²⁸。
5. 执行跌倒风险评估。
   1. 对中风患者进行定时测试（TUGT）²⁹ 。让受试者从椅子上站起来，走3米，转动身体，然后返回并以舒适的速度坐在椅子上，以确保安全。同时，要求评估员计时从发出离开令到坐在椅子上的整个过程。
   2. 评估获得的结果如下:如果受试者完成TUGT的总时间为≥14秒，则表明受试者有跌^倒29的风险。

3. 斯特鲁普任务评估

1. 执行斯特鲁普单任务评估（仅限斯特鲁普任务; 图1）。
   1. 让患者坐在稳定的椅子上。
   2. 运行商业刺激演示软件并选择全等测试试验。为患者制作新的个人资料。选择 Stroop 任务的全等检验试验并重复三个试验。
      1. 进行以下实验范式。设计实验，患者休息时间为10秒，然后要求患者进行一次频率为6秒的认知测试，总共三次试验，每次试验有60秒的刺激+60秒的休息。
      2. 将实验的总持续时间设置为370秒（具体过程如图 1所示）。在休息阶段，要求患者放松。当实验处于刺激阶段时，要求患者进行注意力相关测试，在6秒内完成任务，并在60秒内完成10倍。
   3. 要求患者遵循下面描述的两项测试试验的说明。
      1. 选择全等检验试验。当显示在正方形左侧时，请尽快单击左侧的箭头按钮 （←）。 当显示在正方形右侧时，请尽快单击右侧的箭头按钮 （→）。
      2. 选择与全等检验试验共享相同步骤的不一致检验试验。当显示在正方形左侧时，尽快单击左侧的箭头按钮 （←），忽略字符的含义并专注于其位置。
      3. 尽快单击右侧的箭头按钮 （→ ），当 显示在正方形的右侧时，忽略字符的含义并专注于其位置。完成任务，保存数据，并将数据导出到自建数据库。
2. 执行斯特鲁普双任务评估（斯特鲁普任务 + 平衡控制）。
   1. 让患者坐在平衡球上，治疗师负责保护患者。让患者通过上述步骤完成斯特鲁普实验范式（步骤3.1.1.-3.1.5.）。
      1. 当实验处于休息阶段时，要求患者尽可能保持平衡并放松在平衡球上。当实验处于刺激状态时，要求患者在尽可能保持平衡球平衡的同时进行与注意力相关的测试。

4. 近红外光谱评估

1. 将 10 个光源和 12 个接收器放在 fNIRS 测试帽上，以对应于本研究的四个感兴趣区域 （ROI），包括左前额叶皮层 （LPFC）、右前额叶皮层 （RPFC）、左启动皮层 （LPMC） 和右启动子皮层 （RPMC）。
2. 科目的准备
   1. 告知受试者实验目的并观察患者。
   2. 确保Cz位点位于测试帽的顶部，从前额到整个帽中线上的枕叶的第四点。确保连接的中点位于鼻根与枕骨突起下缘之间，鼻根与枕骨突起的连接点或双耳上耳窝（钹）之间的连接点。
   3. 将盖子放在拍摄对象的头上并调整帽子的位置，使拍摄对象头部的Cz点与盖子上的Cz点重合。拧紧盖子两侧的领带，让受试者的耳朵穿透缝隙;帽子的前部自然附着在额头上，后部自然附着在枕骨上。
3. 收购和预收购
   1. 打开软件，选择实验对象，输入患者基本信息。将采样频率设置为 11 Hz。
   2. 单击预采集按钮开始预 采集 并校准测试信号。根据功能近红外光谱显示的每个点的信号强度，通过移动帽子或进一步露出头皮来调整微弱的信号点。当电容采集的每个点的信号强度趋于稳定时，停止预采集，点击自动增益按钮。单击 "开始" 按钮以收集信号。
      注意:确保采集和预采集中的信号质量如下。原始光强信号曲线应稳定，伴有1-2Hz的心跳信号波动，该值应满足设备设定的合理阈值。信号的强度可以用颜色表示，其中灰色显示信号强度低，黄色好，绿色极好，红色太强。
4. 执行与fNIRS同步的斯特鲁普单任务评估。然后，执行与fNIRS同步的斯特鲁普双任务评估。

5. 数据处理和分析

1. 处理患者的一般信息和临床评估数据。
2. 使用 MATLAB 中的 NirSpark 软件包分析近红外数据。
   1. 执行数据预处理。
      1. 单击 "排除 "按钮以消除与实验无关的时间间隔。单击 "运动 "按钮可消除由呼吸、心跳、脉搏等生理活动以及眨眼、吞咽等非自主活动引起的运动伪影，并将光强信号转换为光密度信号。
      2. 单击"滤波器"按钮选择带通 滤波器 （0.01-0.2 Hz）以消除生理和仪器噪声。点击 Hemo 按钮，根据改进的比尔-朗伯定律计算氧合血红蛋白（HbO₂）和脱氧血红蛋白（HbR）的相对变化，并将光密度信号转换为血氧浓度信号。
         注意:HbO 2 对条件之间的变化比 HbR 更敏感，因此后续分析在本研究方案中仅使用 HbO₂ 数据。
   2. 通用线性模型 （GLM） 建筑
      1. 在血液类型中选择HbO₂ 作为分析数据。单击 "规格 "按钮以秒为单位，并选择标准 HRF 类型作为基础函数。然后，消除休息阶段建立GLM设计矩阵，并根据实验设计选择任务中的刺激阶段。
      2. 单击 "估计 "按钮，将已建立的设计矩阵与收集的数据拟合。单击 "查看 "按钮以查看计算出的β值。
         注意:GLM 是观察到的血流动力学信号（因变量）作为有趣的回归（任务变量）、冗余协变量（例如在短程通道中测量的表面噪声）和误差项的线性组合。
   3. 按如下方式计算β值。使用建立的线性相关模型计算ROI中的实验数据。获取所需通道的GLM参数，并导出每个实验条件下脑激活的β值（即线性模型中的权重系数）进行分析。
3. 运行商业刺激演示软件，导出Stroop任务中认知任务的性能数据，获得最终数据分析的准确性（ACC）和反应时间（RT）。

这项研究展示了一名高功能中风患者的结果，该患者是一名 71 岁的男性，2 年前患有缺血性中风并伴有左偏瘫。磁共振成像 （MRI） 显示从基底神经节到放射冠的双侧慢性梗死。他能够在社区中独立行走和生活，但对自己的认知恢复并不满意。然而，功能评估都在正常范围内:FMA = 100，BBS = 56/56，TUGT = 6，MoCA = 26/30，CDR = 0.5，阿尔伯特检验 = 0。此外，我们还招募了一名年轻女性健康受试者作为对照。受试者的信息如 表1所示。

基于Stroop范式的单/双任务评估结果表明，在进行单任务Stroop检验的高功能脑卒中患者中，全等试验的RT短于不协调试验的RT，ACC与不一致试验相当（RT全等= 547.62 ms，RT_全等= 565.07 ms; ACC 全等 = ACC_全等 = 100%）。在进行双任务全等测试试验时，高功能脑卒中患者的RT高于健康年轻受试者，他们的ACC也相对较低（RT_脑卒中= 587.03 ms，RT_健康= 363.07 ms;ACC_脑卒中=93.33%，ACC健康=100%），不协调试验差异大于全等试验（RT_行程=613.03 ms，RT_健康=384.67 ms;ACC_卒中 = 90%，ACC_健康 = 100%;表 2）。

脑功能结果显示，脑卒中患者在执行双重任务过程中ROI的β值低于健康年轻受试者（RDLPFC:β_脑卒中=-0.006，β_健康=0.1366;LDPFC:β_中风 = −0.0196，β_健康 = 0.0976）。其余的大脑区域如图2和图3所示。

图 1:单/双任务斯特鲁普范式和 fNIRS 设计 。 （A） 全等测试试验。（二）不协调试验。（C）单/双任务斯特鲁普范式的时间线图。缩写:毫秒 = 毫秒;s = 秒; = 左; = 对。 请点击此处查看此图的大图。

图 2:双任务斯特鲁普效应的 ROI β值。 在双任务Stroop期间，脑卒中患者的ROI β值低于健康的年轻受试者。缩写:ROI = 感兴趣的区域;RDLPFC = 右背外侧前额叶皮层;LDPFC = 左背外侧前额叶皮层;RPMC = 右启动子皮层;LPMC = 左促进皮层;RSM1 = 右原代感觉运动皮层 1;RPMC = 右初级感觉运动皮层。 请点击此处查看此图的大图。

图3:双任务斯特鲁普效应下中风患者和健康年轻受试者大脑区域的血氧浓度 。 （A）双任务斯特鲁普效应下脑卒中患者脑区的血氧浓度。（B）双任务斯特鲁普效应下健康年轻受试者大脑区域的血氧浓度。β值由颜色条表示。脑功能结果显示，在双任务表现期间，脑卒中患者ROI的β值低于健康年轻受试者。缩写:R-DLPFC = 右背外侧前额叶皮层;L-DLPFC = 左背外侧前额叶皮层;R-PMC = 右启动子皮层;L-PMC = 左促进皮层;R-SMI = 右原代感觉运动皮层;R-PMC = 右原代感觉运动皮层。 请点击此处查看此图的大图。

表1:健康年轻受试者和中风患者的基线信息和特征。

表2:健康年轻受试者和中风患者在双重任务中的ACC和RT。 缩写:ACC = 准确性;RT = 反应时间;毫秒 = 毫秒。

在我们的研究中，高功能卒中患者的常规临床认知评估量表的结果没有显示任何显着的认知缺陷。然而，这些评估量表可能显示天花板效应，并且对识别高功能卒中患者的轻度认知缺陷不太敏感。因此，该协议在基于Stroop范式的双重任务评估中进一步选择了ACC和RT作为识别高功能中风患者认知缺陷的主要指标。结果表明，当高功能脑卒中患者进行双任务Stroop范式时，其RT明显长于健康年轻受试者，ACC也相对较低，不一致测试试验的差异大于全等试验。此外，该研究还利用fNIRS实时检测受试者在执行单/双任务过程中认知区域的大脑激活程度，以验证该方案的可行性。数据显示，高功能脑卒中患者的ROI β值低于健康受试者。

该研究方案设计了Stroop范式，结合常规临床量表的运动控制和运动功能评估量表模块，包括FMA，BBS和TUGT。其中，FMA用于评估受试者的下肢运动功能，BBS用于评估平衡功能，TUGT用于评估跌倒风险。评估结果均在运动功能正常范围内。常规临床量表的评估结果显示，纳入研究的脑卒中患者为高功能脑卒中患者。另一方面，它还确保被纳入的受试者能够完成实验中的运动任务。此外，常规临床量表的认知功能评估量表模块包括MoCA，CDR和Albert测试。其中，MoCA和CDR用于评估认知水平，Albert测试用于评估受试者是否遭受单侧空间忽视。考虑到临床认知功能评估量表是半定量的，具有上限效应，对轻度认知功能障碍患者的评估缺乏敏感性，导致高功能脑卒中患者临床量表的评估存在一定的局限性，需要找到一种更好的方法来解决这个问题。此外，研究方案使用斯特鲁普范式的ACC和RT作为客观指标，以提高评估结果的敏感性。

根据代表性结果，当高功能脑卒中患者进行单任务Stroop范式时，全等试验的RT短于不协调试验的RT，并且两个试验之间的ACC具有可比性。在单任务范式中，高功能中风患者能够很好地完成斯特鲁普测试，没有表现出明显的认知缺陷。然而，当高功能脑卒中患者进行双任务Stroop范式时，RT明显高于健康年轻受试者，高功能脑卒中患者的ACC较低。此外，不一致测试试验的差异比全等检验试验更显著。在双任务范式中，高功能中风患者由于潜在的认知缺陷而同时执行两项任务的能力减弱。患者经常使用代偿策略（即通过牺牲认知任务表现来维持稳定性），这暴露了相对较差的任务表现方面的认知缺陷。在不一致测试试验中，认知任务的难度增加，这使得高功能脑卒中患者和健康年轻受试者之间的表现差异更加显着，更容易暴露高功能脑卒中患者的认知缺陷。因此，本研究提出了一种基于斯特鲁普范式的双任务评估方法来识别高功能脑卒中患者的认知缺陷。

此外，该研究还使用fNIRS技术来验证该协议的可行性。在一项案例研究中，fNIRS用于在单/双任务期间实时监测受试者在认知区域的大脑激活，并从认知区域选择六个ROI来计算β值³⁰。案例研究结果表明，脑卒中患者投资回报率的β值低于健康受试者。在执行双重任务的过程中，健康受试者利用大脑资源，通过激活更多的大脑区域，同时完成认知任务和运动任务;当高功能中风患者执行双重任务时，由于脑功能部分受损，足够的大脑区域不活跃。因此，没有产生足够的大脑资源来满足同时执行认知和运动任务的要求，这使得表现低于健康受试者。根据fNIRS监测结果，高功能脑卒中患者的大脑激活程度确实低于健康受试者，这证实了使用双任务斯特鲁普范式识别高功能脑卒中患者认知缺陷的可行性。

尽管本研究中纳入的受试者数量有限，但Zlatko Matjačić等人³¹ 的早期案例研究证明，使用机器人进行干扰平衡训练可能是一种可行的方法，这一发现说明了此处显示的案例研究的有效性。此外，本研究展示了实验设计的整个过程，并借助案例研究的结果证明了该协议的可行性。在试验之前，受试者应充分了解规则并充分执行斯特鲁普测试的过程。此外，受试者在正式实验前应进行一到两次预测试，以取得顺利进展并提高数据的准确性。此外，在双任务斯特鲁普范式期间，需要始终确保高功能脑卒中患者的安全，因此必须确保有专业人员负责受试者的安全。

此协议有一些限制。首先，本研究旨在展示一种双任务评估方法，该方法可以识别高功能中风患者的认知缺陷。代表性结果仅代表一个受试者的评估结果。其次，该协议仅将平衡认知任务作为双任务范式，未能展示多种双任务评估方案。未来的研究将需要补充这一点。

这项研究提出了双任务斯特鲁普范式，可用于识别高功能中风患者的认知缺陷。

作者没有什么可透露的。

本研究得到了国家自然科学基金（编号:81804004、81902281）、中国博士后科学基金（编号:2018M643207）、深圳市卫健委项目（编号:SZBC2018005）、深圳市科技项目（编号:JCYJ20160428174825490）、广州市卫生与计划生育指导计划（编号:20211A010079、20211A011106）、广州市和大学基金（编号:202102010100）、 广州医科大学基金（编号:PX-66221494），广东省高等学校重点实验室[批准号:2021KSYS009]和广东省教育厅[批准号:2021ZDZX2063]。