NeuroImage：观看色情电影时情感体验的差异

来源：brainnews

情感体验是生活中的重要内容。然而，情感体验是如何在大脑中表达，以及这种表达是否具有共性还有待探索。本文利用被试间表征相似性分析，探讨了基于社会性欲望和自我控制的主观偏好与自然范式中情感体验的变化的关系。

被试间相似性分析揭示观看色情电影时情感体验的差异

作者：

Pin-Hao A. Chen, Eshin Jolly, Jin Hyun Cheong, & Luke J. Chang

01

回答了什么问题？
本文探索行为偏好如何影响情感体验，假设社会性欲望和自我控制的被试间差异影响观看色情电影时脑活动被试间差异，且多维特征分析能更好捕捉到行为分数与脑活动之间的关系。

02

如何回答？
行为方面1. 社会性欲望（sociosexual desire）

社会性取向量表修正版（the revised Sociosexual Orientation Inventory, Penke and Asendorpf, 2008)；

性欲清单（Sexual Desire Inventory-2, Spector et al., 1996）;

简明自我控制量表（the brief self-control scale, Tangney et al., 2004)；

Go/No-go任务：第一轮任务规则：对有吸引力的图片进行按键反应，对没有吸引力的图片不作反应。第二轮任务规则相反，对没有吸引力的图片进行按键反应，对有吸引力的图片不作反应。共进行四轮，每轮准确率作为自我控制的指标。

03

用什么证据回答？
1. 被试间相关分析结果    当参与者观看色情电影（平均ISC=0.11）时ISC略高于中性电影（平均ISC=0.08），T(99)=9.19，p=0.004。最高的ISC值出现在枕叶和腹侧颞叶。色情电影和中性电影的ISC值空间分布是高度一致的，r=0.89，p<0.001。
图3 被试间相关结果
2. 被试间表征相似性分析结果    当被试观看情色电影时，社会性欲望的变化和皮质-纹状体奖赏系统，还有默认网络以及心智化网络显著正相关，相似度最高的脑区是伏隔核，楔前叶，后扣带皮层，中脑，颞中回，颞顶叶交界处。在中性条件下，这些脑区没有显著结果；    当参与者观看情色电影时，自我控制的变化与额顶叶执行控制网络和脑岛突显网络的变化呈正相关，特别的是在额上回，额下回。同样的，中性条件没有发现显著性结果。
图4 被试间表征相似性分析结果
3. 特征空间维数    社会性欲望以及自我控制的多维变量相似性矩阵和单一总分的距离矩阵是显著相关的。计算大脑活动相似性矩阵和单一总分的距离矩阵的相关（IS-RSA分析），没有发现显著结果。说明多维变量相似性矩阵可以更好地捕获大脑反应的变化。
4. 元分析解码结果    当参与者观看色情电影时，与社会性欲相似性矩阵显著相关的脑图与奖赏、社会网络和社会判断网络的脑图有更强的联系，而自我控制显著相关的脑图和执行控制、认知控制、错误监控和冲突的脑图有更强联系。
图5 元分析解码结果

04

结论
1. 大脑活动的被试间变化与行为偏好的被试间变化有关；2. 多维空间特征可以更精准地度量行为偏好；3. IS-RSA可以用于识别情感体验。

05

主要问题
1. 多维特征分析中，每个特征的权重都是平均的，忽略了特征对经验的具体贡献，可能纳入不必要的噪声特征；

2. 时间序列大脑活动相似性分析无法确认发生特定变化的时间点；

3. 研究被试相对较少，而且在相对较短的时间内快速交替色情电影和中性电影，很可能发生二型错误；

4. 本文分析仅计算了相关性，没有进行回归分析，并且没有考虑加入协变量，对“行为偏好影响情感体验”这一问题回答不足。

06

启发
1. 分析行为分数的被试间相似性时，除了依据分数平均、总分距离，也可以尝试多维空间特征分析；2. 观看色情电影时，相关的情感体验丰富多样。除了社会性欲望和自我控制，可以纳入更多方面的行为数据。

07

原文
Chen, P.-H. A., Jolly, E., Cheong, J. H., & Chang, L. J. (2020). Intersubject representational similarity analysis reveals individual variations in affective experience when watching erotic movies. NeuroImage, 116851.doi:10.1016/j.neuroimage.2020.116851 

心理健康与脑影像研究组致力于神经影像数据科学和儿童青少年精神障碍的神经影像研究。研究方向为：        

（1） 神经影像数据科学：面向临床应用，发展神经影像数据的统计和机器学习方法。目前研究项目涉及影像数据驱动的个体分类、利用自然刺激范式识别精神疾病、大规模神经影像数据库的构建和数据挖掘。   

  （2）儿童青少年精神障碍与脑发展异常：从脑发展异常角度研究儿童青少年精神障碍的脑异常、客观诊断指标和干预方法。目前研究项目涉及8-17岁儿童青少年焦虑障碍的脑影像队列研究。