编辑推荐：
本项前瞻性研究整合了内隐联想测验（IAT）、脑电图（EEG）熵度量与机器学习算法，旨在超越传统反应时（RT）测量，探讨源自内隐态度加工的神经复杂性特征是否能够更好地预测高血压患者的运动行为。研究结果表明，与行为反应时指标（D分数）相比，特别是情感性IAT不兼容任务下的包络熵（Envelope entropy）能更有效地区分运动者与非运动者，其随机森林（RF）分类器准确率最高达71.9%。这提示运动行为与情感冲突处理的神经动力学复杂性紧密相关，为理解内隐态度与运动行为的神经动态模式提供了新的、更具敏感性的标记物。
引言
中高强度运动是高血压管理的重要非药物策略，但对许多患者而言，运动依从性仍然偏低。传统理性行为模型（如计划行为理论）所依赖的自我报告变量解释力有限，存在明显的“意向-行为”差距。双重加工理论指出，外显（深思熟虑、有意识）和内隐（自动、无意识）过程共同塑造了人类行为。内隐态度作为一种自动化的评价反应，被认为在运动行为中扮演着重要角色，其核心包含情感性（如愉快/不愉快）和工具性（如有用/无用）两个组成部分。内隐联想测验（IAT）是评估内隐态度的常用方法，传统上依赖反应时差异计算D分数，但该方法易受练习效应影响，且无法揭示潜在的动态神经加工过程。
事件相关电位（ERP）研究为此提供了时间维度的洞察，但它主要关注线性、相位锁定的活动。内隐态度作为一种快速、自动的评价过程，可能源于多种神经过程的动态交互与竞争。熵度量为此提供了补充视角，它通过量化非线性动力学和信号复杂性，来反映信息加工过程中神经活动的可预测性和变异性。更高的熵通常被解释为神经复杂性、灵活性和适应性更强的指标。将脑电图（EEG）熵与机器学习分类相结合，为检验内隐态度加工期间的神经动力学能否解码后续运动行为提供了一种数据驱动的方法。
基于此，本研究旨在探索，在高血压患者中，源自情感性和工具性IAT的EEG熵特征是否比传统的D分数能更好地预测运动行为。研究假设：1) 基于熵的神经复杂性特征对运动行为的分类准确率将高于传统反应时D分数；2) 源自情感性IAT的熵特征将比源自工具性IAT的熵特征表现出更强的区分力；3) 在不兼容条件下测得的熵将比兼容条件下的熵更能区分运动行为；4) 与运动相关的中央区熵特征将比其他脑区特征对运动分类的贡献更大。
材料与方法
研究于2025年6月至9月间，招募了57名高血压患者。参与者完成了情感性和工具性单类别内隐联想测验（IAT），同时记录其64导联的脑电图（EEG）数据。IAT包含兼容和不兼容任务模块。运动行为通过国际身体活动问卷（IPAQ）评估，依据过去7天内中高强度运动（不包括步行）的代谢当量（MET）分钟数是否大于0，将参与者分为运动组与非运动组。
脑电图数据经过预处理后，从每个试次中提取了七种熵特征：奇异谱熵、近似熵、样本熵、模糊熵、排列熵、包络熵和对数能量熵。这些特征在五个脑区（额叶、额中央区、中央区、中央顶叶区、顶叶区）和四种IAT条件（情感性兼容/不兼容、工具性兼容/不兼容）下进行计算。
数据分析首先使用基于D分数的随机森林分类器评估行为层面的区分价值。同时，使用从五个脑区提取的七种熵特征建立基于熵的分类模型，分别针对情感性IAT、工具性IAT及两者组合构建模型。随后，通过Wilcoxon秩和检验比较运动组与非运动组之间的熵值差异，并使用错误发现率（FDR）校正进行多重比较。根据比较结果，选定最具区分度的熵度量（包络熵）用于后续分类。使用随机森林（RF）、K近邻（KNN）、支持向量机（SVM）和线性判别分析（LDA）四种机器学习算法构建分类模型，并通过十折交叉验证评估模型性能，计算准确率、灵敏度、特异性、精确度和F1分数等指标。此外，还通过随机森林模型分析了特征的重要性排序。
结果
最终共有56名参与者的脑电图数据纳入分析，其中运动组33人，非运动组23人。基于IAT D分数的随机森林分类器预测运动行为的准确率，情感性IAT为63.1%，工具性IAT为52.5%，情感-工具组合模型为55.0%。当使用来自五个脑区的七种熵特征时，分类准确率在情感性IAT、工具性IAT和组合模型中分别为61.9%、51.3%和65.6%。而仅使用包络熵特征时，分类准确率在情感性IAT、工具性IAT和组合模型中分别达到70.0%、50.0%和71.9%。
组间差异分析显示，在情感性IAT-不兼容任务中，包络熵在多个脑区（包括额叶、额中央区和中央区）均显示出稳健且显著的组间差异，运动组的包络熵值显著高于非运动组。而在工具性IAT或兼容任务中，未发现一致的显著差异。
基于此，研究使用所有五个脑区的包络熵特征作为输入变量进行后续分类分析。对于随机森林（RF）分类器，情感性IAT（兼容与不兼容任务结合）的分类准确率为70.0%，仅情感性IAT-不兼容任务的分类准确率为71.9%，结合情感性和工具性IAT特征的模型分类准确率也为71.9%。K近邻（KNN）分类器在仅情感性IAT-不兼容任务上取得了74.4%的最高分类准确率。
相应的接收者操作特征（ROC）曲线下面积（AUC）值也支持了这些模型的良好区分能力。
特征重要性分析进一步揭示，在区分运动行为时，贡献最大的熵特征主要来自情感性IAT-不兼容任务，且额叶和中央脑区的特征最为重要。
讨论
本研究发现，与行为反应时指标相比，神经复杂性特征，特别是包络熵，为识别从事运动行为的个体提供了更敏感的标志物。这一发现支持了我们的主要假设。
无论是在基于反应时还是基于熵的模型中，情感性内隐态度始终比工具性内隐态度表现出更强的区分力。这表明运动行为可能主要通过情感通路驱动，因为实际的运动体验伴随着即时的愉悦或痛苦感受，重复的情感联系与行为选择的关系更为直接。
基于D分数的分类准确率低于使用EEG熵特征所达到的准确率。反应时指标主要反映了内隐加工的结果终点，但几乎不提供潜在评价动力学的信息。而EEG熵捕捉了神经加工的整体复杂性，可能为研究连接内隐态度与运动行为的神经动态模式提供更具信息量的方法。
在比较的多种熵指标中，包络熵表现出最稳定、最显著的组间差异。包络熵通过希尔伯特变换从瞬时振幅包络中导出，并量化其分布的复杂性。在处理非线性、非平稳的EEG信号时，基于包络的表征可能更好地反映了嵌入在振幅动力学而非纯粹时间规律性中的神经信息。这一特性可能特别适用于情感性内隐评价和冲突加工过程，在此期间神经激活强度的变化可能反映了自动情感加工如何转化为行为。
分类分析进一步揭示，源自情感性IAT条件（尤其是不兼容任务）的包络熵，在多种分类器中对后续运动行为的预测准确率最高。运动者在情感不兼容任务中表现出显著更高的包络熵。更高的熵与更灵活、适应性强、可变的信息处理和情绪调节能力相关。从双重加工模型的角度看，这些发现表明，运动行为可能与个体在自动加工，特别是情感冲突调节方面的差异密切相关。运动者较高的包络熵可能表明，在处理负性情感联系时，其神经反应更为灵活，可能减弱了自动负性评价对行为的抑制性影响。
与解码即时运动意图的脑机接口研究相比，预测现实世界的运动行为是一项复杂得多的挑战。本研究的分类准确率与先前使用人口统计学和生活方式变量预测身体活动的最佳模型（约70%）相当。这表明，源自内隐加工的神经动力学特征包含了与运动行为相关的信息。
组间比较和特征重要性分析的结果共同表明，额叶和中央脑区对运动分类的贡献最大。额叶皮层在情绪调节、冲突监控和认知控制中发挥核心作用，而中央区则与运动准备和动作表征密切相关。在情感不兼容任务中，这些脑区增强的包络熵可能反映了运动者更有效地整合了情绪冲突处理和运动准备状态。
局限性
本研究存在一些局限性。首先，随访期相对较短，可能无法完全捕捉长期运动行为的稳定性，且运动行为通过自我报告评估，可能存在回忆和社会赞许性偏差。其次，样本量适中且仅包括高血压患者，这限制了结果的普适性，并增加了分类分析中过拟合的风险。此外，未将药物类型和时间、基线体能等其他临床特征作为协变量纳入分析。最后，当前的机器学习分析具有探索性，使用多种熵特征可能增加冗余和过拟合风险，后续对包络熵的关注是基于先前的统计比较，因此所报告的分类结果应视为初步发现。
结论
本研究提供了探索性证据，表明高血压患者内隐态度加工期间的EEG熵与后续运动行为相关。与反应时测量相比，神经熵（特别是包络熵）在区分运动者和非运动者方面表现出优越性。情感性内隐态度 consistently 优于工具性内隐态度，表明自动情感评价与运动行为的联系更为紧密。最强的分类性能出现在情感性IAT-不兼容任务下的包络熵，且额叶和中央区贡献最大，这表明与情感冲突处理和运动相关表征相关的神经动力学对于区分运动行为至关重要。总的来说，这些发现凸显了神经复杂性度量在捕捉运动行为背后的内隐态度方面的效用。
