深圳大学梁臻老师团队：默认模式和视觉网络的功能连接特征反映持续自然情感体验的时间累积效应
深圳大学梁臻老师团队：默认模式和视觉网络的功能连接特征反映持续自然情感体验的时间累积效应
深圳大学医学部生物医学工程学院梁臻老师在NeuroImage期刊上发表了题为《默认模式和视觉网络的功能连接特征反映持续自然情感体验的时间累积效应》的学术论文，该研究聚焦于长时间情绪状态下的全脑功能表现和时间变化规律。研究结果显示，情绪的时间累积效应在大脑中以多个网络协同运作的分布式表征为主，其中以默认模式网络和视觉网络为核心。这一发现为我们深入理解大脑情绪加工机制提供了新的思路和见解。
深圳大学研究生徐姝悦同学、哈尔滨工业大学(深圳)张治国教授、深圳大学副研究员李琳玲老师为共同第一作者，深圳大学梁臻助理教授和电子科技大学Benjamin Becker教授为共同通讯作者。深圳大学为第一作者单位和通讯单位。
本研究使用的数据和代码已发布在网站:
https://sites.google.com/site/janezhenliang/fmriemo
论文引用：
Xu, S., Zhang, Z., Li, L., Zhou, Y., Lin, D., Zhang, M., Zhang, L., Huang, G., Liu, X., Becker, B. and Liang, Z., 2023. Functional connectivity profiles of the default mode and visual networks reflect temporal accumulative effects of sustained naturalistic emotional experience. NeuroImage, 269, p.119941.
01
引言
情绪是一个复杂的行为表现，其神经活动涉及多个区域的协同合作。神经影像学可以通过分析神经影像信号，探索不同情绪状态下的独特神经模式，从而加深对情绪本质的理解，并为临床精神疾病的诊断和治疗提供支持。
自然范式作为最新的情绪诱发手段，受到神经影像领域的广泛关注，因为其唤起的大脑状态的内隐复杂性更接近现实生活中的大脑反应，并且可以提高fMRI数据质量。在探索情绪神经活动时，机器学习方法已经被应用于解码不同情绪的特异性大脑活动模式。虽然情绪研究已证明机器学习方法可以探索情绪活动，但对情绪的解码性能仍然有限。这可能是因为情绪刺激时间太短，不能唤起受试者足够强烈的情绪。因此，本研究采用基于长时电影片段的自然主义范式，以连续地诱发大脑对情绪的响应，来解码反映现实环境中与情绪相关的神经活动。
02
材料和方法
这项研究的实验设计如下图1(a)所示，共有6个试次。在每个试次中，被试观看随机呈现的6部电影中的一部片段，其中包括3部开心和3部悲伤情绪的片段。我们共招募了52名被试，采集了他们的fMRI数据，并进行了预处理。我们使用大脑模板(图1(b))对数据进行全脑功能连接(FC)分析，并基于这些结果进行情绪解码分析。我们采用线性支持向量机(SVM)和留一被试交叉验证构建分类模型(图1(c))，以探索不同情绪的神经特异性表征。具体而言，我们使用来自三个大脑层面的FC构建解码模型，包括基于全脑、网络和子网络层面(图1(d))。此外，我们将整个时间段分为刺激前期、中期和后期，并分别为每个刺激阶段构建解码模型(图1(e))。最后，我们使用置换检验评估所有交叉验证结果的统计显著性，并获得评估预测表现的零分布。
图1. 研究示意概述。(a) 实验范式。(b) 大脑图谱。(c) 情绪分类建模。(d) 基于不同层面进行解码情绪分析。(e) 从不同刺激时间段进行解码情绪。
03
结果
根据全脑FC模式进行的情绪分类平均准确率为80.55%，这些结果均显著高于置换检验的随机准确率水平(机会水平为50.00%，p<0.0001)。研究结果表明，使用参与信息整合和情绪加工的大规模功能网络可以获得较高的跨被试交叉验证情绪预测性能，验证了利用FC模式解码不同情绪的可能性。
图 2. 基于全脑的情绪解码结果。(a) 分类模型的混淆矩阵，单位%。(b) 开心情绪的随机水平的分类准确率的分布直方图。横坐标单位为%。
此外，我们还评估了8个网络和18个子网络中不同FC模式的预测能力。本文研究了网络内和网络间的功能连接对两种不同基本情绪(开心和悲伤)的解码性。图3(a)显示了每个网络内和网络间平均预测精度的结果。结果表明，采用VN与DMN之间的功能连接获得了最佳预测性能，准确率为77.82%。这种相互作用符合大规模脑网络组织的神经解释，表明信息传递在低水平感觉脑区和高水平功能脑区之间。区分开心和悲伤的FC模式主要存在于与VN和DMN相关的网络内和网络之间。这表明，VN和DMN相关网络系统可以被认为包含情绪预测中信息量最大的特征，这些特征通常具有较高的解码能力。
图 3. 基于网络的情绪解码结果。(a) 每个网络单独用于建模时的分类准确性。***表示具有统计学意义的分类能力的网络。(b) 基于VN和DMN相关网络的功能连接具有统计学意义上的分类能力。连接线越粗越红，说明分类准确性越高，反之亦然。
基于网络的分类结果表明，开心和悲伤之间的差异主要存在于VN和DMN相关的功能连接上。我们进一步研究了相应网络的细节，并分析了所涉及的子网的解码能力。结果如图3所示，使用中央视觉区(VN-a)相关功能连接的分类效果优于使用周围视觉区(VN-b)相关功能连接的分类效果。这表明视觉网络中的预测功能连接模式主要存在于中央视觉区域，而不是周围的视觉区域。
图 4. 基于子网络的情绪解码结果。(a) 每个子网络单独用于建模时的分类准确性。***表示具有统计学意义的分类能力的子网络。(b) 基于VN和DMN相关网络的功能连接具有统计学意义上的分类能力。连接线越粗越红，说明分类准确性越高，反之亦然。
我们进一步研究了在持续情绪体验中，长时间的情绪刺激是否有效地增强被试的情绪感受。为此，我们将每个电影片段分为刺激早期(1~200 s)、中期(201~400 s)和后期(401~600 s)，并基于VN和DMN相关的FC在各刺激阶段建立情绪解码模型。结果如图5和表1所示，整个刺激阶段、刺激前期、中期和后期的平均预测准确率分别为80.55%、78.50%、81.23%和85.32%。整个刺激阶段的分类表现可以看作是刺激前期、中期和后期的平均表现。在三个刺激阶段中，使用刺激后期的预测效果优于其他刺激阶段，这也说明情绪是一个累积的过程，长时间的情绪刺激有利于强烈的情绪体验。
表1. 基于VN和DMN相关的FC在不同刺激阶段的情绪解码结果
图 5. 基于VN和DMN相关的FC在各个刺激阶段情绪解码的混淆矩阵。(a) 整个刺激期；(b) 早期刺激阶段；(c) 中期刺激阶段；(d) 晚期刺激阶段。
04
总结
本研究探讨了在长时间自然电影刺激下，两种情绪(开心和悲伤)的特异性神经表征。我们的假设是：(1)情绪状态的变化会表现出功能连接模式的变化；(2)通过建立功能连接模型，可以估计情绪状态的变化。进一步地，我们试图探索与情绪变化相关的功能连接模式的变化，并利用大规模功能网络建立一种跨被试交叉试验的情绪解码方法。
本研究的主要结果如下：
(1)长时间电影片段引起的开心和悲伤具有离散的神经表征，且在被试和试次中的神经表征差异是一致的。
(2)开心和悲伤不同的功能连接模式主要分布在VN和DMN相关网络上。基于子网络的情绪预测性能进一步表明，区分开心和悲伤的网络层面差异包括VN-a及其连接以及DMN内部的连接。
(3)情绪体验是一个积累的过程，可以通过功能连接模式来反映，并且长时间的情绪刺激可以唤起更强烈的情绪体验。
致谢
本研究得到国家自然科学基金(62276169、61906122、32250610208和82271583)、深港脑科学研究院深圳基础研究机构(2022SHIBS0003)、腾讯“犀鸟计划”深圳大学青年教师科研基金、以及高水平大学建设项目(000002110133)的资助。