近日，北京大学心理认知与科学学院、IDG麦戈文脑科学研究所方方课题组，在《Science China Life Sciences》 在线发表了题为“Decoding six basic emotions from brain functional connectivity patterns”的研究论文。该工作结合滑窗技术和随机森林模型，验证了全脑功能连接模式包含基本情绪的表征信息，并在此基础上进一步分析了各个脑区的贡献比重，从而构建了具有更高精确度的情绪脑网络解码模型。该研究从数据驱动的角度解析了脑网络模式表征情绪信息的神经加工机制。

情感是人类智能的重要组成部分。如何从复杂的神经模式中识别特定的情绪类别是当前情绪研究中的一个重点问题，我们称为情绪信息的神经解码。经典的情绪分类模型提出一组基本情绪单元（愤怒、厌恶、恐惧、快乐、悲伤和惊讶)，这些情绪单元在大脑中有专门独立的神经回路以支持不同的情绪信息表达，并且不同的脑区会特异性地参与加工特定的基本情绪。近年来，越来越多的研究表明，情绪信息的表达可能是由一些更复杂、更高级的信息模式来表征，比如分布于脑区之间的网络模式信息等。

方方团队首先收集了被试在观看六种基本情绪和中性面孔图片下大脑的功能磁共振数据，然后从全脑空间上结合 Atlas 模版构建了每一种情绪刺激下的功能连接模式，并结合多变量模式分析的方法，对六种基本情绪与中性情绪进行一一解码。研究结果表明，全脑的功能连接模式可以成功将六种基本情绪从中性情绪区分开。通过分析各个脑区的贡献比重，进一步揭示出了对识别单个基本情绪信息重要的脑区在大脑中的空间分布位置和名称。这种数据驱动的研究方法不仅识别出以往研究面孔情绪加工的相关重要脑区，如人脸刺激下的梭状回、恐惧下的右侧杏仁核等，还发现了一些被忽视的可能参与特定情绪表征的脑区，如边缘上回、丘脑等边缘系统的脑区。

图1 六种基本情绪下排名前10个脑区的分布情况

此外，无论是在全脑脑区，还是贡献前10的脑区上，基于脑网络的情绪解码模型的解码结果均优于传统的基于体素模式的解码。总之，该研究表明，脑网络模式包含了更多的情绪表征信息，并提示从大脑脑区之间的相互关系研究情绪识别具有较大的潜力。

图2 基于功能连接模式和基于体素模式解码的效果对比

北京大学心理与认知科学学院博士后刘春雨为该论文的第一作者，北京大学心理与认知科学学院、IDG麦戈文脑科学研究所方方教授和浙江大学心理与行为科学系王英英研究员为共同通讯作者。该研究得到了国家自然科学基金、科技创新2030-重大项目、中国博士后基金等项目资助。

原文链接：

https://doi.org/10.1007/s11427-022-2206-3

课题组介绍

方方

北京大学心理与认知科学学院教授

北京大学IDG麦戈文脑科学研究所PI

北大-清华生命科学联合中心PI

研究兴趣

方方课题组主要利用脑成像、神经调控、心理物理学、计算建模、人类遗传学等方法和技术，研究视知觉、意识、注意及其认知神经机制。

来源：北大脑科学