Neuroimage：皮层表面的情绪维度表征

来源：brainnews

导读

我们在日常生活中会体验各种各样的情绪，从生气或喜悦到敬畏或心痛。情感神经科学的中心主题之一是探索大脑对各种情绪的表征。大量神经影像学研究都致力于解决大脑中的情绪表征问题，但仅基于少数几个类别（例如，“恐惧”，“恶心”、“快乐”）或几个情感维度（例如“唤醒度”和“效价”），无法反映出实际生活中人们经历的情绪体验的丰富性。最近的行为研究支持了情绪表征空间的高维性质（>20）。

本研究在被试观看3小时诱发情绪的电影时记录受试者的血氧水平依赖性（BOLD）反应，然后通过量化情绪评定和BOLD信号之间的关系获得大约25个不同的情绪维度，将连续的情绪语义空间可视化并将其映射到皮层表面。这项研究的结果支持了大脑对大量情绪类别的连续表征。

本研究希望通过数据驱动的方法来探索情绪在大脑中的表征结构。

过去的研究一般都聚焦在寻找表征少数几种情绪状态的脑区，而本文作者认为通过类似的情绪表征空间来研究情绪的神经表征更好。这种方法一般是通过构建语义表征空间（semantic representational space）来研究感知觉类别在大脑中的表征结构。

之前的研究发现，语义表征空间中的类别之间存在平滑的过渡，并在局部区域由特定的类别主导。

研究者采集了被试在观看长达3小时的电影（720个电影片段，涵盖80种情绪类别）时的BOLD信号，并进行了如下分析：

检验了能够解释BOLD信号的情绪语义表征空间的维度；

通过估计与80种情绪分别对应的BOLD反应以及降维技术，构建情绪语义表征空间；

通过因子旋转为情绪空间维度提供解释，并展示情绪表征在空间上的变化。 

情绪语义空间维度的数量

刺激与实验程序：如图1所示，本研究记录了8个健康被试观看电影时的BOLD信号。研究者从视频网站上下载了135个电影片段，剪成10-20s的小片段（平均15s），再以随机顺序拼接起来。被试接受18个run的视听刺激，其中12个run为训练集数据，6个run为测试集数据，两个数据集中播放的电影没有重合。

* 图1 研究所需的数据收集

电影刺激的情绪评定：如图1所示，166个不参与BOLD信号记录的人对电影进行情绪评定，每个人只根据1-2种情绪标签进行评定。评定者实时给出其观看电影时的情绪状态符合某一种情绪标签的程度（0-100），情绪评定的采样率为1 Hz，每种情绪标签有4个人进行评定。情绪评定的时间序列经中值滤波，降采样至0.5 Hz（同BOLD信号），跨评定者平均，归一化为z分数。

BOLD信号预处理与拟合

BOLD信号预处理：头动校正；去均值化；中值滤波去极端值；不进行平滑；每个体素的脑区标签通过Destrieux atlas确定。

对80个情绪类别分别进行逐体素的线性拟合，自变量为80个情绪评定的时间序列和2000个电影刺激的视听觉物理特征的时间序列，以及这2080个时间序列分别延迟2s、4s、6s后形成的时间序列，在训练集数据中估计模型参数并通过测试集验证准确性（模型预测的BOLD信号与真实的BOLD信号之间的相关性），后续分析在预测准确性高的体素中进行。

典型相关分析：如图2所示，通过典型相关分析（CCA）确定情绪评定的时间序列与BOLD信号进行变换后显著相关的维度数。

* 图2 通过典型相关分析确定情绪语义空间的维度数量

结果：与BOLD信号显著相关的情绪维度个数随着纳入分析的情绪类别数的增加而增加（图2右），说明本研究纳入多达80个情绪类别标签进行分析提供了充分的信息。如果仅纳入少量情绪类别可能无法反映出情绪表征的丰富性。纳入全部80个情绪类别进行分析时得到情绪维度数为18-36，中位数为25，说明在这个研究中25个情绪维度可以解释BOLD信号的变化模式。

情绪类别在情绪语义空间中的投射

情绪语义空间构建：首先对拟合得到的BOLD信号空间模式（18684–34066体素 x 80情绪类别 x 3时间延迟）进行跨时间延迟的平均。然后，将8个被试的平均后的数据矩阵（18684–34066 x 80）沿着竖直方向整合成一个矩阵（总体素数 x 80）。然后，通过PCA将情绪类别维度降至25并进行varimax因子旋转，PCA得到的空间即情绪语义空间。

分层聚类：如图3所示，通过对80个情绪类别在情绪语义空间内的坐标进行分层聚类，得到10类情绪：紧张、奇怪、尴尬、高兴、快乐、惊叹、性欲、恶心、有趣、狂热。在更高的层级，紧张、奇怪、尴尬聚成一类——与获得注意有关的情绪，高兴、快乐、惊叹聚成一类——平静的情绪；性欲、恶心聚成一类——激励性质的情绪，有趣、狂热聚成一类——与身心投入有关的情绪。本研究构建的情绪语义空间中情绪类别聚类情况与过去研究中的基本相符，但是本研究中害怕与恶心两种传统上认为是分离的基本情绪被聚在同一大类中。另外，本研究的结果也支持了正性情绪与负性情绪在情绪语义空间中的分离。

* 图3 对80个情绪类别在新空间的坐标进行分层聚类的结果

情绪状态在皮层表面的表征结构

将每个体素投射到语义空间的前三维，然后将语义空间中的坐标归一化，再用RGB颜色值画在皮层表面，以便观察情绪表征的空间分布。

* 图4 情绪的大脑表征在皮层表面的空间分布

结果与讨论：如图4a所示，皮层的情绪表征是连续变化的。接着，作者研究了中央后区、颞上区、顶下区、楔前叶四个区域内沿着八条线分布的情绪维度权重的变化，观察到了被试间一致的情绪维度权重变化模式。在中央后区，恶心、神经性害怕等情绪的激活较大（图4b左上）；在颞上区，有趣的激活在空间上逐渐过渡到侵略性的激活（图4b右上）；在顶下区，恶心的激活逐渐过渡到有趣的激活（图4b左下）；在楔前叶，有趣和尴尬的激活逐渐过渡到神经性害怕的激活（图4b右下）。

这些结果支持了情绪在大脑皮层表面是连续表征的。过去的研究在颞上区、顶下区和楔前叶发现了表征梯度现象（从感觉信息的表征逐渐过渡到更抽象的功能）。本研究中发现了两大类情绪的大脑表征之间的梯度，一大类是对人类生存繁衍有贡献的情绪，比如恶心、神经性害怕、性欲，另一大类是难以用语言描述的、和社交以及知识寻求有关的情绪，比如有趣、情感伤害等。这两类情感的大脑表征在皮层上表现出梯度，说明与生存繁衍有关的情绪可能更和物理信息有关，而难以用语言描述的情绪可能与更复杂的高阶认知过程有关。本研究在中央后区发现了恶心与神经性害怕的表征，与过去将负性情绪定位到这里的研究结果相一致，可能与对高唤醒情绪体验的躯体反应有关，而情绪表征在中央后区的变化可能与躯体的不同部分对情绪反应强度不同有关。

本研究将BOLD信号中与电影的物理属性相关的部分通过回归去除，但是一些与情绪评定相关的高阶的客观信息可能仍然保留在BOLD信号中。这些信息可能是情绪表征所需要的，比如本研究以及过去许多研究中观察到的情绪表征与语义表征在颞叶的重合，可能与语义处理在情绪识别中的作用有关。

结论

本研究的结果证明了在人脑中如何表征各种情绪类别。本研究发现了大脑中的情绪表征是一个连续的空间，并展示了该情绪表征空间与皮层结构的映射。这个大脑情绪地图中，对情绪维度的选择性表征随空间位置平稳变化，并且某些脑区对特定情绪的表征占支配地位（比如中央后区对厌恶和恐惧的表征）。

主要问题

本研究缺乏对情绪状态在皮下结构的表征的探索。对杏仁核数据的分析因预测性好的体素过少而没有纳入。没有在杏仁核发现足够多的预测性好的体素，可能是因为本研究使用的刺激是视听刺激，元分析认为杏仁核对视听形式的刺激相比表情或嗅觉刺激引起的激活要弱，而且电影刺激中不存在过去研究中常见的情绪条件与中性条件之间的对比。

本研究中的不同被试用CCA估计出的情绪表征空间维度是不同的（18-36）。这可能与不同被试的情绪颗粒度不同有关。另外，由于情绪评定反映的是平均情绪状态，因此对于评定一致性较低的情绪类别，其情绪评定可能不利于揭示个体化主观情绪体验的大脑表征。

启发：

1. 后续研究可以使用其他形式的自然刺激来探索不同模态的刺激引起的情绪在大脑中的表征结构。

2. 本研究构建情绪语义空间的方法可以用来探索情感障碍患者的大脑情绪地图的特征。

3. 本研究去除刺激的物理属性的影响的方法可以在其他fmri研究中借鉴。