来自德国奥尔登堡大学心理学部的Catharina Zich等人在Neurobiology of Aging杂志上发表了一项基于EEG和fNIRS同步采集的研究，旨在探究年龄和神经反馈这两种因素对运动想象信号的影响。结果发现：在运动想象时，年轻人的ERD变化和HbR变化相对于老年人表现出更明显的单侧化；神经反馈可以增强运动想象期间的EEG和fNIRS信号。
摘要
众所周知，中风会造成较为严重的运动损伤。运动想象（MI）被认为是治疗中风的一种有效手段，尤其是将其与神经反馈（NF）相结合，效果会更喜人。但是先前的研究大多以年轻被试作为研究对象，鲜有研究关注两种方法在老年人身上结合使用的效果。近日，德国奥尔登堡大学的神经心理学实验室研究团队在Neurobiology of Aging上发表了一篇对于年轻群体和老年群体的对照研究，该研究旨在探讨年龄是否会对MI过程中同时进行基于EEG的NF的神经关联、运动执行功能过程中的神经关联产生影响。本研究使用多模态成像的研究方法，同时采用EEG的事件相关去同步化指标(ERD%)和fNIRS的脱氧血红蛋白(HbR)浓度变化与含氧血红蛋白(HbO)浓度变化指标，比较年轻组（平均年龄24.4 years)和老年组(平均年龄62.6 岁)的在这三个观测值上的差异。结果发现在MI阶段，年轻组的ERD% 和HbR变化值比老年组表现出更明显的单侧化。但是年龄的单侧化作用对运动执行功能影响不显著。结果还发现，不论是在年轻组还是老年组，实验任务中信号在有基于EEG的NF比没有NF的条件下出现更显著的增强。
运动想象（MI）指的是对特定运动的心理表征而没有可观察到的外显运动行为，它被视为中风患者运动康复的一种有效的物理辅助治疗手段。MI依赖于动作理论的神经刺激，该理论认为对同一种运动的想象和执行会激活相同的神经网络。神经网络的激活程度随着MI类型的不同而具有差异。而不同的MI反馈类型中具有一个共同的缺点— 其掩盖了和任务相关的反馈与性能监控过程。但是，对于脑皮层适应性重组来说，将对性能的反馈和高强度的明确性任务相结合至关重要。解决该问题的一个有效方式就是使用基于个体的脑活动的神经反馈方法。先前的研究表明在MI期间进行神经反馈有助于由中风引起的运动障碍复原。
MI-NF 方法主要是在年轻被试群体身上发展和优化，但是中风群体更多出现在老年人身上。而相关的认知机制、神经机制研究发现在年轻人样本上出现的效果无法迁移到老年人身上。核磁研究结果发现在MI条件下，和年轻组相比老年组的额顶区域和小脑出现过度激活。EEG研究也出现了相似的结果。总的来说，这种由于年龄差异所造成脑区过度激活被认为是对认知缺陷的补偿或者是认知功能的去分化。基于此，本研究比较了39名年轻被试和36名老年健康被试在MI中的神经关联。研究中主要观测的是年龄对MI过程中的明显EEG信号的效应以及事件相关的去同步化(ERD)。ERD指的是感觉运动皮层中μ波到β波的脑震荡的减少。在MI活动中，研究者发现老年被试比年轻被试具有更低半球对称性，其可以归因于更强的同侧ERD%，因此我们认为ERD是相对于基线水平活动的一个指标。
跨模态的脑影像研究能为我们提供新的视角。过去基于EEG和fMRI的神经反馈研究发现在MI中有一部分被试只能通过单侧的血氧活动来反映其神经活动而无法通过单侧的ERD%来反映。这种分离表明，无论何时感觉运动活动的单侧化具有相关性，对于一部分被试来说基于血氧动力学的NF要优于基于ERD％的NF。FNIRS是一种用于测量皮层中氧合（HbO）血红蛋白和脱氧血红蛋白（HbR）浓度变化的无创成像技术，可以作为功能磁共振成像的不二替代技术。FNIRS比fMRI造价低并且方便移动，并且受到头动的影响相对较小。直接比较在ME（movementexecution）和MI期间的fNIRS信号已经表明在任务相关的特定区域ME会导致比MI更明显的HbO和HbR浓度变化。就此而言，对于ME比MI fNIRS数据的分类揭示了更高的单一试验分类的准确性，也就是说通过解码神经活动区分两种心理状态的能力。然而ME和MI单侧化的fNIRS相关研究比较少，目前只有Sitaram等人（2007）的研究表明由单侧手进行的MI引起单侧化的fNIRS激活模式。尽管如此，对于MI来说，基于fNIRS的NF的初次实现证明这种方法可以增强和任务相关的皮层激活，因此非常鼓舞人心。总之，基于EEG的NF要亚于基于NIRS的NF。但是至今没有研究同时使用EEG和fNIRS来探究其神经机制，并考虑年龄的影响。本研究同时使用EEG和fNIRS来探究MI和ME的神经机制，从而达到验证并扩展之前仅仅使用EEG的研究结果。在多模态的条件下使用NF可以阐明NF在单独使用和基于模态条件下使用会产生多大程度上的影响。总之，本研究旨在探究ME和MI过程中和年龄相关的神经机制，并且进一步证明先前的研究结果——运动康复中的将MI和NF相结合的有效性。为了同时研究ME和MI和电生理反应和血氧信号，同时收集EEG和fNIRS数据。根据HAROLD 模型,研究者认为在不同的模态下年轻组的被试半球对称性要强于老年被试。因此提出研究假设：考虑到fNIRS和fMRI信号的相似性，以及基于EEG的NF会激活感觉运动皮层，研究者认为不管年轻组被试还是老年组被试和没有NF 条件相比，在有基于EEG的NF条件下EEG和 fNIR信号都会出现增强。
2.方法
2.1被试
42名健康被试参加了此次研究，所有被试均无神经或者精神疾病，且是右利手。这些被试没有任何NF或者MI的经验。研究者使用简单的神经心理学测试评估老年被试的认知功能，包括循迹连线测试A和B部分以及语义和语音流利性测试。评估结果表明老年被试得分均在正常范围内。被试教育背景信息:所有的年轻组被试至少都是大学本科学历。在老年组被试11名被试至少有大学学历，6名老年被试至少是高中学历，1名被试只有一年的受教育经历。被试数据的剔除：2名被试数据因为在MI过程中移动了手指被排除，还有3名被试数据由于可能源于头动的经常性的脑电伪迹而被排除。因此最终样本有19名年轻被试(9 名女性, 平均年龄24.4 岁) 和18名老年被试(10 名女性, 平均年龄62.6岁)。
2.2 实验程序
实验一共有4个Block,每一个Block时长15分钟。在第一个Block中用左手或者右手以1HZ的速度进行手指缠绕，剩下的3个Block均为MI过程，要求被试想象同样的过程。首先，通过指导语以第一人称向被试进行解释使其理解肌肉运动知觉想象的含义，接下来指导被试想象自己在进行手指运动时的肌肉运动知觉。在MI的前三个Block中，不使用NF。在第一个‑MIBlock中搜集到的EEG数据被用来启动即将在第二个Block中使用的NF参数，而第二个Block中获得的数据充当第三个Block中NF参数的校准值。需要注意的是在后两个Block中进行实时的NF，并且对EEG记录的由MI诱发的脑活动进行在线分析。为了让被试熟悉实验任务，被试在第一个Block之前进行了4个ME的练习试次并且在第二个Block之前进行了4个MI试次的练习。在第三个Block之前，通过录像向被试展示NF过程，同时也会有实验主试进行讲解。
每一个Block由随机呈现的20个左手和20个右手的试次构成，刺激呈现由OpenViBE0.17.1控制呈现，神经反馈过程根据OpenViBE中的GrazMI工具包实现。为了使得NF提供更多的信息，有效并且具有吸引力，实验者对NF进行了一些修改。例如避免负面的NF，并且包括了由被试自己控制休息节奏。具体实验过程见下图1A。蓝色图形的位置决定了被试在注视点之后使用左手还是右手，每一个ME或者 MI任务时长5秒。在最后两个MI组块中，在进行MI时呈现神经反馈过程。NF包括2个维度，分别是反映ERD％偏侧化程度和对侧ERD％的程度。鉴于脑中风病人的非分裂半球不会因利手的对侧半球发生明显的侧向活动而产生过度激活，而NF在脑中风后适应性皮层重组上起到重要作用，因此我们认为这两个指标都很重要。对NF过程进行可视化，将其具体为左侧或右侧移动的球。球的水平位置与ERD％偏侧化程度有关，垂直位置表示对侧ERD％的程度（如图1B）。球的确切水平和垂直位置是由2个分类器的输出决定(详细做法请见下文的特征提取和分类过程)。指导被试控制球出现在屏幕的左上角还是右上角取决于空间的位置图形。要求被试尽量不要动而且要处于放松状态。为了进一步提高实施NF时的用户友好度，参与者可以启动10秒的休息时间。休息可以通过脚踏板在每个试次的间隔时间时开始。当被试选择休息时，屏幕上会出现像温度计一样的显示休息时间的进度条。进度条由10个矩形构成，每秒会有一个矩形从白色变成了灰色，如图1C。
图1（A）（B）（C）均表示二维神经反馈图
图A代表运动想象活动时的二维神经反馈设计。每一试次都以2.5秒的注视点开始，接下来呈现的是三种不同颜色深度的蓝色。图形的开始表示MI阶段的开始（持续时间5秒）。图像的位置指示被试使用左手还是右手。在两个NF的Block中，类似球的白色圆圈根据分类器的输出值沿水平（绿色箭头）和垂直（橙色箭头）轴移动。
图B表示的是示例性时程中ERD％与球的位置之间的关系。如绿色箭头所示，球的水平位置由MI对侧对同侧的分类决定。如橙色箭头所示，球的垂直位置由MI对侧基线相对于对侧的分类确定。在示例性时程中ERD％与球的位置之间的关系。
图C表示在自定进度休息时显示的界面。进度条以1秒的速度从白色逐渐变成灰色，以此表示休息时间。缩写：ERD，时间相关去同步化;MI，运动想象;NF，神经反馈。（为了解释这个图例中的颜色的引用，读者可以参考这篇文章的Web版本。）
休息之后，实验还会继续一个完整的试次间间隔。老年人使用的平均休息1.9次（SD= 4.55）和年轻成人3.37次（SD= 4.11）。本实验中的NF与过去的一些相比做了一些改变，NF边界在一个Block中保持不变，并被定义为上一个Block中分类器结果的上四分位数。与灵活的边界相反，这使得被试可以进行试次之间的比较。这样修改的目的是为了帮助被试将他们的任务表现与NF信号相关联，从而增加了实现对用于NF的MI的神经信号的控制的可能性。
在完成实验以后被试需要对他们在视觉类似物量表上的特征进行评分，以及对MI过程的生动性进行五点量表评分。老年组被试需要完成Trialmaking测验以及语义语音流畅性测验。
2.3数据获取
使用Ag/AfCI电极和BrainAmp放大器记录EEG和EMG数据。振幅分辨率为0.1mV,采样率是500HZ。脑电数据使用35导中央电极帽收集，该电极帽将中心额极部位作为水平参考面，鼻尖作为参考点。通过将电极放置在双手上记录肌肉腹部和拇指外展肌的指骨的近侧基部表面EMG信号。采集EEG数据的同时使用NIRScout816系统（德国柏林的NIRxMedizintechnik GmbH）采集fNIRS数据，采样率为7.81Hz。使用的光极探头由8个LED光源（2种波长：760nm和850 nm；每个光源：强度5mW /波长组合）和10个嵌入EEG电极帽的探测器组成。光极探头之间的距离大约3厘米，每个相邻的源- 检测器对形成通道，共计18个通道。感觉运动皮层左侧和右侧分别被3个源和3个传感器覆盖，（如图2所示）每个半球形成7个通道。参考10-20系统来确定C3和C4的位置从而分别放置1个电极在该位置上。另外，在视觉区域上放置2个源和4个检测器，目前的研究中暂时不分析视觉区域通道的血氧变化。
图2单独确定的空间EEG滤波均值和单独选择的fNIRS通道的分布
2.4EMG分析
确保同一个年龄组的年轻被试和老年被试之间的比较结果不受肌肉活动的影响，在进一步的肌电图，脑电图，和fNIRS分析中去除掉包含肌肉活动的试次。为此，对EMG数据进行10Hz（有限脉冲响应，滤波器阶数660）的高通滤波，并通过扩展的infomax独立成分分析去除明显的心电活动。4个EMG通道形成2个双极性通道，左手和右手分别产生1个双极性通道。研究者使用一种自动肌电图分析方法来识别MI组块中的明显移动。但是，相比于过去实验中的做法，间隔使用需要解释与电生理信号相比血流动力学的不同本质。简而言之，将人为改变的肌电图数据从图形呈现前的7秒开始至呈现后的17秒进行分割，所产生的间隔被分成6个连续的4秒时间间隔。具体如图3所示。
图3表示的是单个试次相对于典型的时间进程而使用基于EMG的拒绝区间的时间间隔(最长的试次间时间间隔是16s)。罗马数字代表的是EMG的时间间隔，刺激计时以红色显示，ERD％计算参数为绿色，fNRIS分析参数为蓝色。
第一个间隔相当于基线间隔而剩余的时间间隔被定义为与任务有关的时间间隔。计算每个任务相关的时间间隔中每只手相对均方根（RMS）值，算法是使用RMS任务相关间隔的值减去基线的RMS值。得到的相对RMS值与阈值a进行比较，a被定义为个体在所有与任务相关的时间间隔和所有3个MI部分的相对RMS值加减1个标准差条件下的平均值。其中至少有一个与任务相关间隔的相对RMS值超过或低于阈值的此次被排除在EMG，EEG和fNIRS数据分析之外。根据这些处理，实验者可以确定运动出现的确切时间。对于肌电数据的统计分析，提取被排除的试次数量以及所包含试次的基线和任务间隔RMS值。
2.5EEG分析
对脑电图数据进行在线分析以提供实时NF并为了后续的统计分析进行离线分析。在线分析由两部分组成。第一部分是在Block之间进行，特别是在第二个和第三个MI的Block之前，使用penViBE和EEGLAB导出NF的参数。第二部分由通过OpenViBE进行实时的NF交付组成。为了实现第一部分，使用EEGLAB对刚刚获得的MIBlock 的EEG数据进行8Hz高通滤波，随后以30Hz进行低通滤波。为了避免干扰任务初始化和期望效应，提取MI开始0.5s至4.5s相关的活动，去除含有伪像的片段（EEGLAB函数pop_jointprob.m，SD= 3）。对于带通滤波的数据，使用通用空间模式（CSP）实现来计算受试者特异性空间滤波器。CSP的结果是一个矩阵（空间滤波器通道），也就是说，存在和通道一样多的空间滤波器。矩阵中的第一个空间滤波器解释第一类的大部分方差以及最后一个空间滤波矩阵解释了第二类的大部分方差，第二个和倒数第二个过滤器解释第二个最多的方差等等。对于本研究中使用的NF方法，研究者选择两个空间滤波器，左手MI1个和右手MI 1个。具体来说，通过视觉评估3个空间过滤器对每级的最大的方差隔离贡献，并且选择具有最高神经生理学可信度的空间过滤器。神经生理学可信度被定义为感觉运动区域的半侧化激活模式。为了根据特定主题的空间信息提供NF，将所选择的两个空间滤波器系数传递给OpenViBE。在OpenViBE中对前面Block中获得的原始数据进行8-30HZ的滤波。
然后分别对左手和右手的数据进行空间滤波和基线分割（图形呈现前7-3秒）和MI间隔（图形呈现后0.5-4.5秒）。这些间隔被细分成56个连续的仓，每个仓包括一个平均宽度为1秒、每62.5毫秒变化一次的移动时间窗构成。装箱程序使用的是OpenVibe中的GrazMI工具的标准方法，这种方法在MI NF中被广泛使用。1秒时间窗的带通滤波数据的对数功率代表了线性判别分析（LDA）分类的特征。总共进行了3个基于线性判别分析的分类过程：分别针对左手和右手MI计算在MI间隔期间对侧活动的分类与对侧基线，以及MI间隔中对侧与同侧活动的分类。对这3种分类方法计算了来自7倍交叉验证程序的平均分类。
结果表明年轻组和老年组的分类准确性和先前研究一致而且还可以通过更高级的在线特征选择和分类方法来增加其准确率。根据交叉验证的结果，计算出3个边界值，对应于3个上四等分分类分布。这些边界值用于设置后续Block中在线NF的显示范围。在线分析的第二部分包含了交付在两个NF中的实时NF。对传入的数据进行时间（8-30 Hz）和空间（CSP）滤波。然后提取如第一部分在线分析和分类以后的特征。每一次同时进行2个分类过程：MI间隔期间对侧活动与基线的分类以及对侧活动与同侧活动分类。分类输出被译为NF图形中显示球的垂直和水平位置。对于离线分析，对来自所有4个Block的EEG原始数据
以1Hz进行高通滤波，然后以40Hz进行低通滤波。过滤以后的数据被分割成1秒的连续时间间隔。去除头动过大的数据(EEGLAB函数pop_jointprob.m,pop_rejkurt.m,both SD ¼ 3)。对剩余的数据使用扩展的infomax独立成分分析，以估计35个独立成分的权重。从原始数据中识别代表诸如眨眼，眼球运动和心跳活动之类的刻板印象的成分。然后对这些矫正过以后的数据进行滤波，范围是8-30HZ。接下来，按照与在线EEG分析所述相同的程序，基于全部4个实验Block计算CSP滤波器，并且如前所述选择2个滤波器，左边MI1个，右边MI 1个。如图2所示获得了年轻被试和老年被试类似的空间过滤器。分割EEG数据（图像出现的前7秒和出现后9秒），排除任何有残留伪影的部分。然后将EEG传感器数据与2个CSP滤波器相乘得到空间加权的EEG数据。因此，通过将左手EEG试次与左手MI和ME的CSP相乘，右手EEG试次与右手MI和ME的CSP相乘，获得对侧活动。左手EEG试次乘以右手MI和ME的CSP，右手EEG试次乘以左手MI和ME的CSP导致了相应的同侧活动。计算CSP滤波信号的ERD％的方法如下：EDR%(t)=[A(t)-R]/R ×100,A代表的是时间点t时的效应值，t=0表示ME或者 MI开始，而R代表的是在注视点出现之前的4秒基线时间间隔时的power值(图形开始呈现的前7 秒到前3秒时间)。结果在基线时间设置为2秒到0秒时是一样的。因此，对左手和右手运动的试次的对侧的运动或想象ERD％进行平均。对于用于EEG的统计分析的数据，使用相对于图形开始呈现0.5-4.5s的时间窗对ERD％进行平均。
2.6fNIRS分析
fNIRS 数据分析使用的是离线的NILAB(NIRx Medizintechnik GmbH, Berlin, Germany)和EEGLAB。对数据进行0.015Hz的高通和0.1 Hz低通过滤器过滤。根据郎比尔伯格定律计算HbO和HbR的浓度变化。使用延迟6秒的Boynton规范血液动力学响应函数分别对HbO和 HbR 浓度一般线性拟合(GLM)。从模型中提取来自所有Block中的刺激条件下（左手和右手）相对于基线条件下的β值。将15秒的刺激间时间间隔当作是基线条件，为了将信噪比最大化并解释神经生理学上的个体差异，参照之前的研究以被试个体为单位选择通道。更准确地说，对于每一只手，独立选择在对侧和同侧半球内具有最高β值的通道的HbO和HbR浓度。老年组和年轻被试组所选定的通道具有可比性(如图 2)。进一步的数据处理通过EEGLAB完成。选定通道的数据被分割为图形出现前2秒和出现后20秒并进行基线校正。基线时间设置为图形出现前2秒，来解释血液动力学响应的固有延迟的基线间隔与EEG基线间隔不同。去除头动的方法同上。最终在两组被试中平均每一个Block有3.05个和2.60个试次分别被排除。与ERD％一样，对左右手的活动进行平均，并且只考虑与对侧和同侧激活有关的试次。分别提取ME和MI条件下HbO和HbR浓度大小。为了解释高峰潜伏期大小的个体间差异，在个人层面上选择HbO和HbR浓度峰值。在任务开始以后的18秒时间之内，每个人的HbO浓度正向偏转的高峰值附近使用4秒的时间窗口计算得出平均值。对于HbR浓度，除了使用了负性偏转峰值其他程序相同。当在所有被试间都使用相同的4秒时间窗来计算HbO和HbR浓度时，发现结果是相似的。
2.7.数据分析
使用SPSS23进行数据分析。对ME期间EMG活动的年龄相关性差异以及由于MI期间肌肉活动而排除的试验次数使用双样本T检验。使用混合设计方差分析剩余MI试次中EMG活动强度差异，间隔（I，II，III，IV，V和VI）和偏侧（对侧，同侧）作为被试内因素，年龄（年轻，年长）作为被试间因素，并将所有3个Block中的数据进行平均。研究者预期当前的数据能够借助MI和EEG，HbO和HbR进一步探究由ME引起的偏侧化模式。最后研究者进行了2×2的混合设计方差分析，偏侧为被试内因素，年龄作为被试间因素。对ME和MI的ERD％，HbO和HbR分别进行ANOVA。进行2×2的ANOVA同时进行2×2 ×2混合设计ANOVAs，实验条件ME和MI以及同侧或者对侧作为被试内因素，年龄作为被试间因素。根据显著的三因素交互作用我们可以得出对于MI和ME来说年龄和单侧化之间的关系模式不同。对于两个方差分析组，对所有3个MIBlock中的数据求平均值。
为了检查脑电图神经反馈对分类的准确性，边界值，ERD％，HbO浓度和HbR浓度的影响，使用2×2混合实验设计的重复测量方差分析所有测量的2NF参数（侧面化程度和对侧活动程度），有无NF作为被试内因素，年龄作为被试间因素。使用皮尔逊相关法探究ERD%和fNIRS浓度、幅度之间的关系。具体来说，分别探究ME和MI条件下的ERD％和fNIRS浓度变化的相关关系。MI条件下的每3个Block的数据求平均值。NF的调节相关使我们可以探测到在有无NF条件下两种记录模态的结果是否相似。对于NF调节得分，ERD％，HbO和HbR被定义为2反馈Block中和校准Block之间的平均活动差异。此外，通过统计比较年轻人和老年人的相关性，调查年龄相关的差异。对每个相关系数应用Fisher变换，得到标准的正态分布值r0。在R中使用Studentt检验零假设。使用双样本t检验比较年龄相关的动机差异，感知到的生动性程度和困难想象力，以及NF中的分心程度。在双向交互作用显著后进行t检验。所有报告的p值都是双尾（未校正的多重比较）。
3.结果
3.1EMG活动
ME条件下的EMG活动可以相互比较——年轻组被试和老年组被试量化为ME条件下所用手的RMS值。但是，检测到在MI条件下出现肌肉活动的试次显著高于其他条件，随后在老年组被试中除去这些试次，这表明老年人肌酸激酶活性较高。只考虑剩下的试次，使用的那一只手的EMG活动总体略高于另一只手。通过三因素混合设计方差分析结果发现单侧化的主效应显著(F1,35= 4.59, p = 0.039,η2p=0.116)，然而没有其他显著的主效应或相互作用出现，所有EMG活动的增加不会因为具体任务不同而产生差异(所有的p > 0.1) 。
3.2EEG活动
如图4所示，在两个不同的年龄组中，ME和MI在感觉运动区的对侧比同侧具有更高的 ERD%。与老年人相比，年轻人中与MI相关的ERD％更偏侧化，而与ME有关的ERD％偏侧化似乎在不同年龄段是相似的。分别对MI和ME条件分别进行两因素混合设计的方差分析。在MI条件下，单侧化的主效应显著(F1,35= 39.66, p < 0.001,η2p=0.53) 并且发现和年龄的交互作用是显著 (F1,35=7.92, p = 0.008, η2p=0.19),但是年龄的主效应不显著(p > 0.1), 这说明和年长者相比，年轻人表现出更强的偏侧化（如图5A所示）。随后进行了对侧和同侧半球之间的每个年龄组内进行配对样本t检验，以及两个双样本t检验，对两个半球分别比较对侧和同侧的年龄差异。结果表明在两个年龄组中对侧活动比同侧活动更强。此外，与年轻成人相比老年人的同侧ERD％显著增强，而对侧ERD％在不同年龄组之间具有可比性。但是在ME条件下，只有单侧化的主效应显著(F1,35=22.74, p < 0.001, η2p=0.39) ，但是年龄的主效应不显著或年龄偏侧化交互作用也不显著（两者p>0.1，参见图5B），这表明不管年轻还是年老，一般情况下对侧ERD％较同侧ERD％高。
图4表示年轻组被试和老年组被试在MI和ME条件下随时间进程的相对百分值。在MI条件下，对所有3个MIBlock的数据进行平均。相对于图形的空间位置的对侧半球平均值和标准误差用蓝色显示，同侧半球用红色显示。第一个灰色阴影区域表示注视点开始的时间窗口，第二个灰色阴影区域表示ME或MI的时间窗口。2条垂直线表示用于统计分析的时间间隔（0.5-4.5秒）。
为了探究单侧化和年龄在MI和ME中是否遵循相同的模式，进行了2×2×2混合设计方差分析。单侧化、实验条件以及年龄的三因素交互作用显著（F1,35=4.90, p =0.034 0.001, η2p=0.12，如图 5A)，这表明在MI和ME条件下年龄和单侧化的关系不同。所有的三因素交互作用分析结果如表1所示。
图5表示的是单侧化、实验条件以及年龄的交互作用分析图。图A和图B表示的是单侧化和年龄的交互作用在EEG中的结果，图C和D代表的是HbO, 图E和图F代表的是HbR。x轴分别表示的是移动或想象的手，y轴表示的是对侧和同侧部位的任务间隔中的ERD％，HBO和HbR浓度。MI数据（A，C，E）对校准Block和2个NFBlock进行平均。用实线表示交互作用显著，用虚线框起来表示非显著的交互作用。
3.3fNIRS分析
图6显示的是两个年龄组在ME和MI条件下的HbO和HbR浓度变化的总体平均值。在两个年龄组中，ME和MI条件下感觉运动区域的HbO和HbR浓度变化均是对侧强于同侧。而且尽管年轻被试在这两种条件下似乎有更强和更单侧化的激活，但是与MI相比两个年龄组被试在均在ME条件下出现更强和更偏侧化的活动。基于个体峰值大小对HbO和HbR浓度进行量化。使用2×2混合设计方差比较HbO和HbR峰值潜伏期，以条件（ME，MI）作为被试内因素和年龄（年轻，年老）作为被试间因素，结果没有发现主效应或交互作用（所有的p> 0.1)。对HbO和HbR浓度以及幅度的影响分别进行了2×2混合设计的方差分析，对侧同侧作为被试内因素，年龄（年轻，年长）、实验条件（ME和MI）作为被试间因素。结果发现MI实验条件下单侧化的主效应显著(HbO:F1,35 = 34.33, p < 0.001, η2p=0.495；HbR: F1,35 = 40.94, p< 0.001, η2p=0.539), 但是年龄的主效应不显著。而且对于HbR浓度单侧和年龄的交互作用显著(HbO:F1,35 = 0.18, p = 0.675,η2p=0.005, 如图5C；HbR:F1,35 = 7.08, p =0.012, η2p=0.168, 如图5E)但HbO浓度的单侧和年龄的交互作用不显著。显著的交互作用表明年轻人和老年人具有不同的HbR浓度偏侧化模式。随后的t检验表明不管是年轻被试还是老年被试，对侧的HbR浓度比同侧更强（HbR：t18= 5.22，p <0.001；HbR：t17= 4.02，p = 0.001）。然而，老年人表现出比年轻成人更强烈的同侧HbR浓度（t35= 2.32，p = 0.026），但是相类似的对侧HbR浓度（t35= 0.06，p = 0.95）。与MI相反，在ME期间，只发现偏侧化的主效应显著（HbO：F1,35= 41.20，p <0.001，η2p= 0.541；HbR：F1,35 = 45.09，p<0.001，η2p= 0.563），而年龄的主效应和年龄偏侧化交互作用不显著（所有值p>0.1，见图5D和图F）。综上所述，HbR浓度的变化可以通过ERD％来观察到。和EEG数据采用类似的分析方法，使用2×2× 2三因素混合设计方差分析比较在MI和ME条件下年龄和偏侧化之间的关系是否遵序相同的模式。与ERD％结果相比，没有发现显著的三因素交互作用（HbO：F1,35= 2.97，p = 0.094，η2p= 0.078，图5C和D;HbR：F1,35= 0.05，p= 0.818，η2p=0.002，如图5E和F;见表1为一个ERD％，HbO和HbR浓度的详细比较的ANOVA结果），这表明偏侧化和年龄在ME和MI条件下没有显著差异。
图6代表的是两个年龄组在ME和MI条件下的HbO和HbR浓度变化的总体平均值
3.4神经反馈效应
图7表示的是在MI期间基于EEG的NF在同侧条件和对侧条件下的分类准确性，边界值，ERD％，HbO和HbR浓度的影响。在NF条件下，所有的测量指标都出现增加。对于5个测量值和2个参数，使用2×2ANOVA，将有无NF作为被试内因素，年龄作为被试间因素。对于分类准确率，边界值，ERD％和HbR浓度，有无反馈在偏侧化程度和对侧活动程度条件下均出现显著的主效应，但是HbO浓度没有出现这样效应（如表2）。年龄仅在单侧的ERD％上主效应显著（F1,35= 8.37，p = 0.007，η2p= 0.193），这证实了先前的研究结果，年轻人的
偏侧化比老年人更强。此外，是否有反馈和年龄在对侧ERD％上的交互作用显著，（F1,35= 6.29，p = 0.017，η2p= 0.152）。随后的t检验表明NF对老年人（t17= 4.17，p = 0.001）的影响显著强于年轻人（t18= 1.87，p = 0.078），而在有反馈和没有反馈条件下不同年龄阶段人的含氧血红蛋白活动差异不显著。
图7表示的是在MI期间基于EEG的NF在同侧条件和对侧条件下的分类准确性，边界值，ERD％，HbO和HbR浓度的影响。
3.5 EEG和fNIRS结果
为了探究头皮电动震荡和血流动力学反应之间的关系，研究者在个体水平进行了振幅相关和调节相关。对于振幅相关性，无论考虑整个样本还是分别考虑2个年龄组或者同时或分开考虑有无NF的MI，ME或MI条件下的ERD％与HbO浓度或HbR浓度之间没有显著的相关。
为了探究EEG数据的空间滤波和fNIRS的光极选择是否影响幅度相关性分析，我们使用位于初级运动皮层上与C3和C4非常接近的标准化的电极和光极位置重复该分析过程（见图2）。与初始分析类似，相关性分析显示ERD％与血液动力学反应之间没有显著相关（p>0.1）。对于调节相关性，ERD％和fNIRS测量之间有显著相关（ERD％和HbO：Pearsonr= 0.38，p = 0.020; ERD％和HbR：Pearsonr= 0.36，p = 0.031）。为了探究这种关系在不同年龄之间是否有差异，对每个年龄段进行单独的相关分析组（见图8），并将结果进行统计学比较。在年轻组被试中，ERD％和HbO相关显著（r=0.58，p = 0.009），但与HbR的相关不显著（r=0.18，p = 0.456）。在老年组被试出现了相反的模式（ERD％和HbO：
r= 0.25，p= 0.310; ERD％和HbR：r=0.50，p = 0.040）。然而，对于ERD％和HbO、ERD％和HbR，与年龄相关不显著（HbO：p= 0.26;HbR：p= 0.31; 双尾检验）。
图8（A）表示的是ERD％调节和HbO调节之间的关系。图（B）表示的是ERD％调节与HbR调节的关系。
3.6问卷
动机问卷调查数据分析显示老年人比年轻人更有动力（t35= 2.49，p = 0.017）。关于想象力的生动性和NF的难度、分心和支持因素，结果没有显示任何和年龄相关的影响（所有值p>0.1）。总的来说，这些发现与我们以前的结果是一致的。
4.讨论
本研究使用电生理测量和血氧浓度变化测量发现年龄和运动活动之间具有错综复杂的关系。这个研究结果提醒我们在设计神经康复治疗工具时，设计者们需要重视终端用户的实际年龄这一因素。
