1 引言

整体运动知觉（global motion perception, GMP），指将各局部移动元素的轨迹整合成为更有全局性的大刺激并获取刺激运动速度和方向等信息（Narasimhan & Giaschi, 2012），是人类视觉加工的重要方面。大量研究发现，基于动态信息加工的视觉经验积累（如, 动作视频游戏、球类运动、整体运动知觉训练）会提高GMP敏感性（孔丽娜等, 2012; Ball & Sekuleryr, 1986; Bower &Andersen, 2012; Chen, Cai, Zhou, Thompson, & Fang, 2016; Green, Pouget, & Bavelier, 2010; Hutchinson & Stocks, 2013; Pavan, Boyce, & Ghin, 2016）。Pavan等（2016）发现动作类视频游戏玩家比非游戏玩家在随机点阵任务（经典的GMP任务）中GMP阈限更低，反应时更快。孔丽娜等（2012）发现羽毛球运动员与非球类运动员或普通成人相比，整体运动方向判断准确性更高。

然而，通过视觉经验积累而改善的GMP的学习机制并不明确。先前的研究采用Lu和Dosher（1998, 1999）提出的外部噪声范式和知觉模板模型（perceptual template model, PTM）对GMP训练和动作视频游戏的知觉学习机制进行了探讨。具体来说，知觉能力的改善可以通过信号增强（内部加法噪声降低）、外部噪声排除和内部乘法噪声抑制三种机制来实现。不同的机制对应不同的行为模式，而PTM模型可以对三种噪声的变化进行定量表征。三种噪声之间是相互独立的。某种知觉行为的提高可以是某一种噪声降低的结果，也可能是两种以上噪声共同降低导致的。而不同任务的知觉学习可能共享同一种机制，也可能有着不同的机制。利用2种决策水平下的PTM模型，可以区分单一机制和混合机制。如，Lu和Dosher（1998）利用这一模型发现在光栅方向辨别任务中，低外部噪声（背景对比度较低）水平下，注意条件下的刺激对比度阈值显著低于未注意条件，而高外部噪声水平下两种条件的阈值无差异，这提示注意导致的对比度阈值下降是通过降低内部加法噪声引起的。而Bejjanki等（2014）采用2种决策水平下的知觉学习任务考察了动作视频游戏经验积累产生的知觉学习的机制，发现动作视频经验能同时提高年轻被试的外部噪声排除能力和降低内部加法噪声。Bower和Andersen（2012）则发现GMP训练（随机点阵训练）仅提高了年轻人的外部噪声排除能力，却同时改善了老年被试外部噪声排除能力和内部加法噪声的抑制能力，这表明年轻人和老年人存在不同的知觉学习机制。这些研究都为揭示视觉经验积累改善GMP或知觉学习的机制提供了丰富的实验支撑。然而，这些研究采用的视觉经验类型为实验室知觉训练或者动作视频游戏经验。迄今，据我们所知，还未有研究关注过通过体育运动（如羽毛球）经验积累而改善的GMP的学习机制。与视频游戏或单纯的知觉训练在二维环境下所经历的似动信息不同，羽毛球运动选手是在真实的三维环境下经历真实的运动信息。因此，羽毛球运动经历改善GMP学习的机制可能不同于GMP训练或者动作视频游戏经验。

另外，在使用PTM模型的研究中，外部噪声均为静态噪声，如，背景亮度的变化（Bejjanki et al., 2014; Lu & Dosher, 1998）、水平线段位置的偏移（Li, Levi, & Klein, 2004）。但对GMP而言，噪声或是信号的速率可能较对比度更为重要。研究也发现，随机点阵的速率变化确实可以影响个体GMP阈限（Bogfjellmo, Bex, & Falkenberg, 2013, 2014; Falkenberg, Simpson, & Dutton, 2014; Joshi & Falkenberg, 2015; Manning, Dakin, Tibber, & Pellicano, 2014）。如，Joshi和Falkenberg应用随机点阵范式（径向方向）发现，成人和儿童被试都表现出低速条件下的GMP敏感性更差。因此，以动态速率作为外部噪声来考察GMP学习机制是非常有必要且也是可行的。

因此，本研究拟应用随机点阵范式和PTM模型技术，以专业羽毛球运动员为对象，同时操纵随机点阵范式中随机点的运动速率（8种速度水平：1°/s、1.4°/s、1.8°/s、2.4°/s、3°/s、3.8°/s、4.8°/s、6°/s）和决策水平（2种决策水平: 2下1上、3下1上），观察被试外部速率噪声下GMP行为的变化规律。其结果不仅可以初步揭示与球类运动经历相关的GMP学习机制，填补知觉学习机制研究在这一内容维度上的缺失，还可以为“刺激速率如何影响GMP”的研究提供更多的实验数据，推动这一主题研究的理论发展。基于已有研究和羽毛球运动中视觉系统的加工特点—在高度时间压力下加工大量的动态信息（对手的跑动、对手球拍的挥动等）以尽快准确识别羽毛球的飞行轨迹。我们假设：（1）羽毛球运动员和非运动员的GMP敏感性均随着速度的增加而降低；（2）视觉经验积累导致的羽毛球运动改善GMP的机制可能主要是外部噪声抑制能力在起作用。

2 研究方法 2.1 被试

根据Bejjanki等（2014）的研究，外部噪声、决策水平和组别的主效应和交互作用的偏η²在0.24～0.94之间。因此我们设置偏η²为0.60，利用G*Power软件（http://www.gpower.hhu.de）计算得到的effect size f为0.15，设置参数犯I类错误的概率α为0.05，检验效能Power（1-β）为0.80，由此计算出总样本量为28。按数据有效率为70%来算，我们实际招募的被试量为40。实验组为20名专业羽毛球运动员（10名男性, 年龄在18～25岁之间, 平均年龄18.85岁±2.73岁, 均至少有5年以上羽毛球专业训练经历）；控制组为20名普通成人（10名男性, 年龄在18～22岁之间, 平均年龄19.28岁±0.80岁，均未接受过任何职业或业余的球类训练）。3名被试因有超过一半异常数据（2.5个标准差以外）而剔除，1名被试因没有理解实验要求而被删除。最终两组有效被试各18名，二组被试年龄无显著差异（t₃₄=1.68, p=0.101）。所有被试为右利手（Oldfield, 1971），视力或矫正视力正常，无色盲、精神病或者神经病史，无相关视觉实验经验。被试实验前均签署知情同意书，实验后获得一定报酬。

2.2 实验设计

本研究为2（组别）×2（决策水平）×8（外部噪声）混合实验设计。组别为被试间因素，包括控制组和实验组两个水平。决策水平和外部噪声为被试内因素，决策水平包括2下1上（对应正确率为70.71%）和3下1上（对应正确率为79.37%）两个水平，外部噪声包括从低到高8种速度（1°/s、1.4°/s、1.8°/s、2.4°/s、3°/s、3.8°/s、4.8°/s、6°/s）。因变量为被试在随机点阵任务中的一致性阈值。

2.3 实验材料和程序

刺激在Lenovo T450电脑上通过MATLAB软件（The Mathworks Ltd.）并采用Psychtoolbox工具包（Brainard, 1997; Kleiner, Brainard, & Pelli, 2007; Pelli, 1997）呈现。实验时被试与屏幕的距离为60 cm，垂直视角为20.2°，水平视角为26.8°，电脑屏幕的刷新率为60 Hz，分辨率为1600×900像素。

刺激为经典的随机运动点阵，直径5°视角的圆形点阵中包含100个白色点（黑色背景）。部分点（信号点）向左/右做一致运动，其余点（噪音点）作无序的随机运动。点的大小为2个像素，寿命500 ms，密度16.7个点/°/帧。速度噪声通过改变点的运动速度实现，分为8个水平（1°/s、1.4°/s、1.8°/s、2.4°/s、3°/s、3.8°/s、4.8°/s、6°/s）。运动一致性阈值定义为被试到达某一准确率水平时（70.71%或79.37%）信号点的比例。

测试在一个隔音的房间进行。实验开始先呈现一个红色注视点（500 ms）作为提示，随后是500 ms的随机点阵，之后是一个白色圆点，呈现500 ms或被试反应后消失，刺激呈现时要求被试按键判断随机点阵的一致性运动方向（向左按“F”键, 向右按“J”键）。如此循环，如图1。正式实验之前被试有1分钟的练习。

实验包括2下1上和3下1上两种决策水平。每种条件包括9次反转，每次反转的步长为10%。连续2次（2下1上）或3次（3下1上）回答正确之后，一致性下降10%；1次错误之后，一致性上升10%；每次反转的阈值定义为在正确率为70.71%（或79.37%）时，点阵整体运动方向的信号点百分比（Britten, Shadlen, Newsome, & Movshon, 1992; Newsome & Paré, 1988）。每个条件下5～8次反转后的平均值作为阈值。

实验共2个session，每个session约960个trails，分16个blocks。每个block只含一种决策水平和外部噪声水平。block间休息时间自控。实验历时约1 h。

3 结果 3.1 行为结果

采用SPSS22.0进行数据分析。对所有被试的一致性阈值进行2（组别）×2（决策水平）×8（外部噪声）混合方差分析。结果显示，组别主效应显著[F（1, 34）=6.98, p=0.01, η ${\,_p^2} $ =0.17]，运动员组的一致性阈值显著低于普通成人。决策水平主效应显著[F（1, 34）=50.68, p<0.001, η $ {\,_p^2}$ =0.60]，2下1上的一致性阈值显著低于3下1上。外部噪声主效应显著[F （7, 238）=128.50, p<0.001, η ${\,_p^2} $ =0.94]，两组被试两种决策水平下的一致性阈值均随着外部噪声的增加而增加。外部噪声和决策水平的交互作用显著[F（7, 238）=4.69, p=0.007, η ${\,_p^2} $ =0.47]，进一步进行简单效应分析发现，当速度为2.4°/s、3.8°/s、4.8°/s、6°/s时，两种决策水平的差异显著（ps<0.01），表现为3下1上决策水平下的阈值显著高于2下1上；其他速度条件下，两种决策水平差异不显著。其他效应均不显著。两组被试不同决策水平与外部噪声下的阈值见图2A。

3.2 PTM模型拟合结果

采用MATLAB中的curve Fitting toolbox工具包对所得数据进行PTM知觉模板的拟合。拟合的模型表达式与Lu和Dosher（1998, 1999）的相同，如公式1：

$c = \frac{1}{\beta }{\left[ {\frac{{\left({1 + A_m^2N_m^2} \right)\left({A_f^{2\gamma }N_{ext}^{2\gamma }} \right) + A_a^2N_a^2}}{{1/{d^{\,'2}} - A_m^2N_m^2}}} \right]^{\frac{1}{{2\gamma }}}}$

(1)

式中c是被试的一致性阈值，N_ext是点的外部噪声，d′是决策水平，当决策水平为2下1上时，d′=1.09，3下1上时d′=1.63（Levitt, 1971），以上三个参数为已知参数。N_a是系统原始加法噪声，N_m是系统原始乘法噪声，β是知觉模板对刺激的增益，γ是非线性传导部分对信息的影响，以上四个参数为未知参数，但在同一个知觉学习模型中应当是固定的。余下三个参量A_f，A_a，A_m中A_f表示外部噪声系数，A_a表示内部加法噪声系数，A_m表示内部乘法噪声系数。对于普通成人组而言A_f=A_a=A_m=1。

因此，对于普通成人组而言，其PTM模型表达式如公式2所示。

$c = \frac{1}{\beta }{\left[ {\frac{{\left({1 + N_m^2} \right)\left({N_{ext}^{2\gamma }} \right) + N_a^2}}{{1/{d^{\,'2}} - N_m^2}}} \right]^{\frac{1}{{2\gamma }}}}$

(2)

模型的拟合度公式如公式3所示，其中log（c）为被试实际一致性阈值的对数，log（c^theory）为PTM最优拟合公式计算出的理论一致性阈值的对数，此公式即意在找到实际阈值与理论阈值的最小差值。r²取值在0～1之间，值越大，表示拟合的结果越好。

${r^2} = 1.0 - \frac{{\Sigma \left({log ({c^{theory}}} \right) - log (c){)^2}}}{{\Sigma \left({log (c} \right) - mean\left({log (c} \right)){)^2}}}$

(3)

采用两种水平下两组被试的阈值比（Bejjanki et al., 2014）来代表内部乘法噪声的变化，结果发现，普通人与羽毛球运动员的比值在两种水平（1.14±0.15 vs. 1.21±0.21）不存在显著差异（p>0.05），即两组被试在知觉过程中的内部乘法噪声没有发生改变。

将羽毛球运动员模型中的参数A_m固定为1，采用F检验（见公式4）对4个模型进行比较（Bejjanki et al., 2014），包括包含2个变量的简洁模型（A_f, A_a），有1个变量的简洁模型（A_f或A_a），和没有变量的模型（null model）（见表1）。

$\begin{aligned} F\left({{df_{1}},{df_{2}}} \right) =\;& \left[ {\left({r_{Full}^2 - r_{reduced}^2} \right)/{df_{1}}} \right]/\\ &{\rm{ }}\left[ {\left({1 - r_{Full}^2} \right)/{df_{2}}} \right] \end{aligned}$

(4)

其中df₁=K_Full–K_reduced，df₂=N–K_reduced。N代表预测数据点的个数，在本研究中，N=32，即8（外部噪声水平）×2（决策水平）×2（组别）；K代表每个模型当中参数的个数。

最优拟合结果如表2和图2B所示。拟合结果显示，只包含A_f的简洁模型，它与包含A_f和A_a的模型的拟合度不存在显著性差异[F（1, 27）=0.15, p>0.05]，且拟合度显著的优于只包含A_a[F（1, 27）=111.52, p<0.01]或者是不包含任何参数[F（2, 28）=129.90, p<0.01]的模型，说明与纯知觉训练和动作游戏经历不同（Bejjanki et al., 2014; Bower &Andersen, 2012; Dosher & Lu, 1998, 1999），羽毛球运动员更好的GMP能力主要源于他们可以更好地排除外部噪声。

4 讨论

本研究旨在揭示羽毛球经历改善成人GMP能力的机制以及背景速度对GMP能力的影响。通过实证研究和模型拟合的方法发现，羽毛球运动员的GMP阈限显著的低于普通人，提示羽毛球经历改善了成人的GMP能力，为前人关于球类运动经历可能改善个体GMP的观点提供了新的证据（孔丽娜等, 2012; Overney, Blanke, & Herzog, 2008）。

如本研究的预期，对PTM模型进行拟合，发现只包含外部噪声降低的这一简洁模型拟合程度最好，说明羽毛球运动改善GMP的学习机制（主要是外部噪声排除能力增强）不同于实验室训练或是电子游戏经历诱发的知觉学习的机制（内部加法噪声降低和外部噪声降低两种机制的结合）。我们认为这种差异可能是不同研究的被试经历的动态信息存在着质的差异所造成的。实验室知觉训练或者视频游戏多是借助计算机实现的，被试经历的是似动信息的加工，且背景对比度在运动识别中具有关键作用。羽毛球运动是在时间压力下的开放运动，选手为了能在球落地前把球击打回去，必须快速加工对手的位置跑动和姿势线索（如上臂的移动）等动态信息，识别、过滤和抑制无关信息及干扰信息（如动手的假动作）；而球与背景的对比度是相对不变的。因此，羽毛球选手经历的是真实运动信息的加工，且对手的动力学信息在运动识别中起关键作用。研究已发现羽毛球选手确实能根据对手的动态信息预测球的飞行轨迹（Abernethy & Russell, 1987a, 1987b; Jin et al., 2010, 2011; Liu et al., 2017; Shim, Carlton, Chow, & Chae, 2005; Williams, Ward, Knowles, & Smeeton, 2002）。而球类训练对个体抑制控制能力的积极作用也已得到不少研究的证实（Kida, Oda, & Matsumura, 2005; Nakamoto & Mori, 2008; Wang et al., 2013）。

本研究首次证明了球类运动经历提高成人GMP能力的内在机制，结果不仅为知觉学习机制提供了新的证据，还为某些与GMP能力弱有关的视觉或认知障碍的康复提供了更健康、更有针对性的训练方法。大量研究发现老化和视觉、语言缺陷相关的知觉缺陷与排除外部噪声能力较差有关（Bower & Andersen, 2012; Johnston, Pitchford, Roach, & Ledgeway, 2016; Pilz, Miller, & Agnew, 2017; Sperling, Lu, & Manis, 2004; Sperling, Lu, Manis, & Seidenberg, 2005, 2006; Xu, Lu, Qiu, & Zhou, 2006）。例如，Xu等（2006）采用PTM的方法发现外部噪声排除能力较差是弱视病人视觉能力弱于正常人的原因。Bower和Andersen（2012）则考察了老年人和年轻人的视知觉能力的差异，发现老化导致的视知觉能力下降主要和内部加法噪声较高、外部噪声排除下降有关。随后，Bower和Andersen又对两组被试进行了6天的正弦光栅（sine-wave）刺激和随机点阵（random dot cinematograms, RDC）任务训练，结果发现RDC训练能够对老年人产生更大的知觉学习效应。基于此，本研究认为，对于能正常活动的个体，开放性的、不借助于计算机实现、有益身心健康（Chekroud et al., 2018）的适量羽毛球运动可能是改善运动知觉进而改善相关的认知功能的更好选择。

至于背景速度和整体运动敏感性的关系，存在一定的争议。大部分研究发现，随着速度的提高成人的整体运动敏感性更好（Bogfjellmo et al., 2013, 2014; Hadad, Maurer, & Lewis, 2011; Joshi & Falkenberg, 2015; Manning, Aagten-Murphy, & Pellicano, 2012; Manning et al., 2014）。如，Joshi和Falkenberg（2015），以及Bogfjellmo等（2013）在两种速度水平（1.6°/s, 5.5°/s）下分别调查了不同年龄的被试（6～89岁）在左右方向的整体运动方向辨别能力，结果发现所有被试均表现出高速条件下的整体运动敏感度更好，且大约每增长1岁，整体运动敏感性下降2%。然而，Kassaliete，Lacis，Fomins和Krumina（2015）对2027名1～18岁的儿童进行的研究却得到了相反的结论，他们设计了3种速度（2°/s, 5°/s, 8°/s）的平动，发现GMP敏感性随着速度的增加而降低。本研究设计了8种速度水平（1°/s、1.4°/s、1.8°/s、2.4°/s、3°/s、3.8°/s、4.8°/s、6°/s），得到了与Kassaliete等人一致的结果，支持整体运动敏感性随着速度的增加而降低的观点。这些结果间的差异可能与各研究使用的点阵的其它参数不同有关。例如，Joshi和Falkenberg研究中使用的点阵中点的密度为2个点/°，而Kassaliete等研究中的点密度为1.44个点/°。已有研究发现，点阵中点的密度也会影响GMP（Narasimhan & Giaschi, 2012）。

最后，本研究的局限性是其属于横向差异性研究，实验结果难以分离先天优势的影响。此外，由于本研究同时操纵了被试和外部噪声，因此，实验结果可能无法分离运动经验和外部噪声两个变量的作用。因此，未来研究可以采用经典的外部噪声范式设计一个纵向研究，探讨训练对GMP能力的因果性影响。

5 结论

本研究采用基于速度噪声的PTM方法探究了羽毛球经历改善成人GMP敏感性的机制和背景速度对GMP能力的影响。结果发现，GMP敏感性随点阵速度的提高而下降，羽毛球选手的GMP敏感性高于普通人；模型拟合发现，羽毛球选手的GMP优势可能源于他们具有更优秀的排除外部噪声能力。结果提示，羽毛球运动经历可增强个体在知觉加工时对外部噪声的排除能力，为某些知觉缺陷的康复提供了更为健康的训练方法。