Fisher-Rao 距离能检测认知负荷引起的运动学变化吗？

参数选择为何会颠倒距离判断

伽马分布可以用多种等价坐标系表示，例如形状与尺度，或均值与方差。在这些坐标中测量的欧氏距离取决于选了哪一套坐标，因此同一对分布可能因参数化不同而得到不同的远近排序。论文用一个参考分布 R 和两个候选分布说明了这一点：在形状-尺度坐标下，P 看起来更接近 R（1.46 对 2.59）；换到均值-方差坐标，排序反转，Q 看起来更接近（0.34 对 1.50）。

Fisher-Rao 距离避开了这个问题。它把两参数伽马分布族视为一张弯曲的二维曲面，曲面上每个点对应一个分布，局部距离由 Fisher 信息矩阵决定。两个分布之间的距离，就是穿过这张曲面的最短路径即测地线的长度。与 Kullback-Leibler 散度不同，它是真正的度量：对称、满足三角不等式，并且不随参数化方式改变。在同一个例子里，它只给出一个答案：Q 更近，0.75 对 3.35，与两个分布实际的重叠程度一致。

正是这种不变性让论文需要数值求解器。闭式解只在特殊情形下存在，例如两个分布共享形状参数，一般情形必须通过数值积分求解。作者把每个分布改写为坐标 (α, η)，其中 α 是形状，η 是分布均值的对数，这使度量呈对角形式，从而简化测地线方程。他们的三阶段求解器先用双曲近似给出初始猜测，再通过变分方程精确计算端点对初速度的敏感度，而不是用有限差分，最终在数据覆盖的全部形状参数范围内收敛，包括朴素打靶法会失效的大 α 区间。

一次画线任务如何变成一个伽马点

实验场景是在平板上完成的数字化连线测验。19 名健康成年人（平均年龄 28.8 ± 8.6 岁，9 名女性、10 名男性）用一笔连续画线连接 12 个编号目标，没有时间限制，也不限制路径形状。认知负荷通过改变目标顺序在被试内操纵：低负荷是纯数字顺序（1-2-3-4-5…），高负荷是数字与字母交替的顺序（1-a-2-b-3-c…），后者要求同时保持并切换两个有序序列。这与标准连线测验 A/B 对执行需求的对比相对应。

笔尖位置以 240 Hz 采样。分析者提取相邻目标之间的每一段子轨迹，用后向有限差分估计速度，再用 13 个采样点的高斯窗平滑，然后找出速度曲线的峰值。这些峰值幅度用最大似然估计拟合伽马分布，得到形状和尺度参数及其 95% 置信区间。于是每位参与者的每个条件都成为伽马平面上的一个点，而同一参与者低负荷点与高负荷点之间的 Fisher-Rao 距离，概括了负荷把此人的波动特征移动了多远。

论文还构建了第二种按窗口划分的表示。单一的静态形状参数把两件事混在一起：运动噪声进入重尾区间的频率，以及该区间有多深。作者在阈值 τ 约为 11.8（合并后 α 的第 25 百分位）处切分窗口形状序列，为每位参与者的每个条件得到两个轴：频率，即低于阈值的窗口比例；严重度，即这些重尾窗口上 log α 的均值。静态表示与窗口表示不能互换，论文在两种表示下分别报告了各自的结果。

每个人都移动了，方向却各不相同

静态比较给出了核心数字。低负荷与高负荷拟合之间的 Fisher-Rao 距离中位数为 0.59，范围为 0.05 到 1.22，说明每位参与者的特征都发生了移动。但移动没有共同方向。形状参数 α 在负荷下升高的只有 18 人中的 9 人，符号检验 p = 1.000；对 log α 和 log β 的配对 t 检验也都不显著（p = 0.85 和 0.88）。队列的 Fréchet 均值几乎重合，低负荷为 (11.09, 0.055)，高负荷为 (10.54, 0.058)。

参与者构成的点云确实有收缩趋势。Fisher-Rao Fréchet 半径缩小为原来的 1/1.30，从 0.524 降到 0.402；参数坐标上的离散度也一致，log α 的标准差缩小为 1/1.55。但这一趋势未达到显著：单侧符号秩检验 p = 0.075，该比值的 bootstrap 95% 置信区间为 [0.94, 1.96]，包含 1。两种条件下的分半信度相同（p = 0.998），所以低负荷点云并非只是噪声更大。不过半径已接近参与者内噪声下限，低负荷下半径与噪声之比为 0.82，高负荷下为 0.59，这意味着合并后的静态估计已到其分辨极限。

合并拟合还高估了收敛程度。合并后的静态形状低于窗口序列的几何均值（配对 t 检验，低负荷 p = 0.01，高负荷 p < 0.001）；用窗口汇总测得的参与者间收缩为 1.23 倍，弱于静态拟合的 1.55 倍。作者据此认为，合并拟合几乎不能准确代表任何数据，因为形状横跨对称与重尾两种区间，取折中会丢掉每个人独有的特征。

基线距离预测负荷推动一个人的幅度

窗口分解承载了论文最强的结果。参与者的基线水平能强烈预测其负荷引起的变化，两个轴上都如此：频率 r = -0.89，严重度 r = -0.81；在阈值扫描中，频率相关系数保持在 -0.79 到 -0.91 之间。基线时离吸引点最远的人向它移动得最多，高负荷点云最终落在 (f*, v*) ≈ (0.22, 1.78) 附近。

用基线值与其自身变化量做相关，在机制上会偏向负值，因此作者用可交换性零假设检验了这一发现。仅靠打乱数据只能产生 r ≈ -0.31（频率）和 -0.40（严重度），远低于观测值，置换检验 p = 0.0002 和 0.0024。Oldham 的无耦合相关也保持为负，分别为 -0.51 和 -0.43。据此，这种收敛不是均值回归造成的假象。

均值层面的变化与这一图景一致，但属于次要结果。在重尾窗口中，log α 的均值从低负荷的 1.92 降到高负荷的 1.77（p = 0.03），在 τ 介于 10 到 11.5 之间时都显著加深。进入该区间的频率从 0.30 降到 0.22，但在该阈值下只是边缘显著（单侧 p ≈ 0.07），在 α ≥ 15 时增强到 p = 0.03。因此作者把效应描述为参与者间变异向一个共同工作点收缩，同时伴随尾部显著加深，而不是整个人群统一平移。

这是收缩，而非噪声增加

作者倾向的解释是：波动特征是一种由余裕能力支撑的东西。当执行资源被用于保持并切换两个有序序列时，运动输出回落到一个共同工作区间，波动特征中的个体性是最先被放弃的东西之一。这与“负荷增加噪声”这一常见说法不同。作者指出，增加噪声的解释更适合新颖且运动学上困难的任务，因为在那类任务中执行本身就是限制因素，而简单的画线任务并非如此。

论文还把方法放在此前伽马平面应用的对照中。早先的应用依赖 Wilcoxon 秩和检验等非参数检验来检测差异。这些检验有意忽略参数所在空间的固有曲率，作者认为一个未被言明的后果是：它们能检测每个人内部的成对差异，却对数据集方差在群体层面的压缩不敏感。Fisher-Rao 标尺让“一组分布是移动了还是收紧了”这一群体层面的问题可以在流形上回答，而不是在平坦空间中回答。

作者明确表示，连线测验的应用只是对标尺的具体演示，而非主要主张；它之所以有信息量，恰恰因为它是汇总统计和忽略几何的方法会失效的情形。测量工具和数值求解器被列为主要贡献，求解器将在 MATLAB R2025b 和 Python 3.11 中发布，并已对照参考表和理论不变量进行验证。

收敛结论的适用边界

这项研究是在 18 名健康成年人身上、在实验性负荷操纵下做的概念验证，作者没有作出任何临床主张。只有 17 人的子集进入了窗口重尾分解。样本的年龄、运动能力和认知能力都不具代表性。条件顺序没有随机化，因此收缩结果可能仅限于这一特定的任务顺序。作者按时间顺序拆分检查了会话内漂移，未发现漂移（p = 0.27 和 0.84），但他们指出这不能替代顺序平衡。

静态收缩是两个结果中较弱的一个，应当这样理解。两种条件下，它的 Fréchet 半径都处于或低于一个刻意保守的参与者内噪声下限，其收缩比值的置信区间也包含 1。真正支撑收敛结论的，是窗口分析中基线与变化量的相关，它们同时通过了置换零假设和 Oldham 方法的检验。

标尺本身并不专属于触控笔运动学。同样的构造适用于任何能被伽马分布族充分描述的正值波动序列，例如步间间隔、震颤幅度或语音包络峰值；作者认为，随着队列在体型和解剖结构上越来越异质，这种不变性会更有价值，因为它消除了对单位和坐标的依赖。由此直接引出两个可用同一装置检验的问题：参与者基线时距共同工作点的距离，是否指示某种类似储备的东西，并预测需要多大负荷才能推动他们；以及执行能力下降的人群是否在基线时就已接近该工作点。

信号在窗口轴上，不在合并拟合里

对想从这篇论文中取用的读者来说，首要的是区分两种表示。合并静态拟合给出的收缩没有方向、接近噪声下限，单独看并不显著。窗口的频率与严重度轴则给出强且对阈值稳健的基线与变化负相关，并且通过了均值回归检验。如果未来的研究只报告合并伽马拟合，那它报告的正是作者自己认为信息量最少的表示。

第二个重点是结论的方向。论文的结果是向 (f*, v*) ≈ (0.22, 1.78) 附近的共同工作区间收敛，移动最大的是基线时离它最远的人，而不是人群的统一平移。这一区别对任何把 Fisher-Rao 距离用作结果指标的人都很重要：队列平均位移接近零，可以与个体层面的大幅移动同时存在，真正有信息量的是离散度的变化及其与基线距离的关系。

第三是作者自己划定的边界。收敛证据来自 18 名健康成年人，且条件顺序未随机化，临床推广被表述为未来的问题而非已有发现。这个问题可检验的具体版本是：执行能力下降是否表现为基线时已接近该工作点；若如此，那么低负荷下个体性的缺失，而非高负荷下的任何位移，才是值得测量的对象。

本文引用的文献