作為典型的負性情緒，恐懼情緒普遍存在于日常生活中并顯著影響人類行為。深入了解負性情緒的產生機制有助于提高相關疾病的診療效果。然而大腦面對恐懼情緒刺激時的神經機制依舊不明。為此，本研究在早期后部負波（EPN）分析基礎上，進一步將腦電圖（EEG）源分析和皮層腦網絡構建相結合，從時-空角度探索了恐懼和中性情緒圖片刺激下大腦信息處理機制的差異。結果發現中性情緒刺激能夠比恐懼刺激誘發更高幅值的EPN。進一步通過對包含EPN成分的EEG數據執行溯源分析發現，恐懼和中性情緒刺激下的大腦皮層激活區域存在明顯差異。此外，在alpha頻段腦網絡觀察到恐懼情緒相比中性情緒存在更多的功能連接。通過量化腦網絡屬性發現，與中性情緒相比，恐懼情緒刺激下的平均節點度和平均聚類系數明顯更大。結果表明，將ERP、EEG溯源以及腦網絡分析相結合，有助于以較高的時-空分辨率探究恐懼情緒處理進程中的腦功能調制，也為探索負性情緒的神經機制提供了新的視角。
引用本文： 臧倩, 趙小茗, 梁鐵, 劉秀玲, 婁存廣. 情緒刺激下恐懼反應的神經機制：結合早期后部負波和腦電圖源網絡分析的初步研究. 生物醫學工程學雜志, 2024, 41(5): 951-957. doi: 10.7507/1001-5515.202403052 復制
版權信息： ?四川大學華西醫院華西期刊社《生物醫學工程學雜志》版權所有，未經授權不得轉載、改編
0 引言
情緒是一種主觀的體驗，通常表現為對某種刺激的情感反應，如高興、悲傷、厭惡、恐懼等。情緒對我們的思維、行為和身體反應產生影響，是人類生活中不可或缺的一部分。恐懼作為常見的負性情緒，盡管已在生物學意義、生理基礎及認知功能等多個維度受到了廣大學者的廣泛研究，但恐懼情緒加工的神經機制仍不明確[1-3]。深入了解恐懼情緒背后的神經機制，有助于更好地理解情感體驗的產生和調節過程，進而進一步診斷和治療與負性情緒相關的心理疾病，如抑郁癥、焦慮癥等。
之前基于腦成像的相關研究表明，恐懼刺激能夠激活左舌回、左側杏仁核以及左側前額葉皮層等區域[4-5]。另外一些研究發現背外側前額葉皮質對主觀恐懼的認知調節起關鍵作用[6-7]。這些研究為證實恐懼情緒與特定腦區的激活存在相關性提供了充分證據。然而情緒的產生是瞬時發生的事件，腦成像技術如功能性磁共振成像（functional magnetic resonance imaging，fMRI）在時間分辨率上的不足限制了在更精細的時間過程中探索情緒處理機制。
得益于非侵入式神經電生理采集技術的發展，高時間分辨率的腦電圖（electroencephalogram，EEG）信號被廣泛應用于開展情緒研究。事件相關電位（event-related potentials，ERP）技術能夠反映特定事件刺激引起的大腦活動進程，是目前基于EEG信號開展情緒研究的重要方法[8-9]。早期后部負波（early posterior negativity，EPN）是當前ERP情緒研究所關注的一個重要成分，它通常出現于視覺刺激呈現后的100 ～ 350 ms內，且在頭皮顳枕部區域最為明顯[10]。EPN反映了大腦對于視覺刺激的早期處理，被認為是與注意力資源量相關的選擇性情緒感知的最早處理的標志[11]。先前的研究已證實EPN成分普遍存在于恐懼情緒刺激的實驗條件下，并證實了EPN可以被用于表征大腦對恐懼情緒的視覺刺激信息的處理進程[12-13]。然而情緒產生是一種復雜的過程，涉及到大腦多區域的激活與相互作用[14]。盡管當前基于EPN的研究揭示了恐懼情緒處理過程中時間鎖定的同步神經活動，但大多數忽略了大腦各區域在此過程中的相互作用。
近年，網絡神經科學的發展使得研究者們可以從網絡的角度去研究情緒相關的大腦活動[15]。利用EEG信號構建并深入研究對應的腦功能網絡，為人們提供了深入理解情緒處理過程中大腦全局調控機制的新視角，有助于進一步揭示情緒處理的神經機制。然而，大部分研究沒有充分考慮大腦視覺刺激的信息處理進程，導致無法準確構建情緒處理過程中時間鎖定的腦功能網絡。而且，大部分基于EEG的腦功能網絡的情緒研究都是利用頭皮EEG信號來構建，而EEG信號存在嚴重的體積傳導效應，這直接導致了它較低的空間分辨率，進而易導致腦功能網絡構建不準確[16]。EEG溯源技術已被證實可以在確保EEG信號高時間分辨率的基礎上有效提升其空間分辨率，有助于構建更準確的腦網絡[17]。
本研究通過不同場景的情緒圖片誘發健康受試者的恐懼和中性情緒，同步記錄64通道EEG信號。隨后，采用ERP技術探索兩種情緒EPN成分差異，在此基礎上利用sLORETA方法對EEG信號執行溯源分析，進而基于圖論構建并分析不同情緒狀態下的源層面腦功能網絡。本研究將ERP、EEG溯源以及腦網絡分析相結合，探索視覺刺激誘發的恐懼情緒和中性情緒時間鎖定的腦皮層電活動以及相關的腦網絡調節機制，以期為負性情緒機制研究提供新的思路，為情緒障礙患者的診療提供重要的理論依據和臨床實踐參考。
1 材料與方法
1.1 試驗設計
本研究成功招募了20名健康成年受試者，包括10名男性和10名女性，年齡為（22.7 ± 2.2）歲。所有受試者均為右利手，且未患有任何精神類疾病。此外，所有受試者的視力或矯正視力均符合實驗要求。在正式實驗開始前，所有受試者詳細了解了實驗流程和需注意的事項，并自愿簽署知情同意書。由于實驗中存在恐懼刺激，提前告知受試者能否接受，并且剔除掉膽子非常小和經常看恐怖電影的受試者，防止出現極端的個體差異。
所選刺激材料均為圖片，選自國際情緒圖片系統（International Affective Picture System，IAPS）[18]。首先在負性圖片中初步選取了一些可能誘發恐懼的圖片，代表圖片有鬼臉、蛇、尸體和血腥等場景。考慮到每個人對恐懼的感受不同，負性圖片再由受試者通過九點評分量表進行篩選，選取出他們認為恐懼和中性的圖片。最終確定了30張恐懼圖片（效價為2.38 ± 0.46，喚醒度為5.78 ± 0.63）。為防止恐懼圖片連續多次出現引起的信息加工異化，又選取了60張中性圖片（效價為5.49 ± 0.37，喚醒度為3.74 ± 0.51）。對所選材料進行統計學分析，恐懼圖片的喚醒度和效價明顯高于中性圖片（P < 0.001）。
采用E-Prime 2.0專業軟件編制實驗范式，圖片呈現于電腦屏幕。所有圖片隨機出現，均只出現一次。每試次開始時，黑色屏幕中央出現紅色注視點，持續1 000 ms，之后呈現圖片。每張圖片的展示時間為3 000 ms，期間要求受試者保持自然注視狀態，以便充分體驗圖片所誘發的情感反應。圖片消失后，受試者需進行按鍵操作用于判斷圖片類型，其中1代表恐懼，2代表其他類別。整個實驗流程如圖1所示。實驗總計120個試次，每30個試次受試者被允許休息一次。為讓受試者熟悉實驗流程，在正式實驗開始前進行一次簡單的預實驗。在預實驗中，選用同樣來自IAPS的刺激圖片，其中包括中性圖片和恐懼圖片各10張。預實驗的操作流程嚴格遵循正式實驗的標準，確保實驗的一致性和可靠性。實驗在安靜、光線暗的屏蔽室內進行，確保受試者身心放松并避免過多動作。
圖1
實驗范式
實驗開始時，屏幕中央出現紅色注視點，持續1 000 ms。之后隨機呈現情緒刺激圖片3 000 ms。受試者在圖片消失后通過按鍵判斷圖片類型（1為恐懼，2為其他）。右側圖片為恐懼情緒圖片示例
Figure1. Experimental paradigmat the start of the experiment, a red fixation point appeared at the center of the screen and lasted for 1 000 ms. Subsequently, emotional stimulus images were randomly presented for 3 000 ms. Participants were required to judge the type of the image (1 for fear, 2 for other) by pressing a key after the image disappeared. The four pictures on the right are examples of fear pictures
1.2 數據采集與預處理
本研究中采用腦電采集系統（Neuroscan，澳大利亞）按照國際10-20標準以500 Hz采樣率采集64通道EEG信號。實驗過程中確保電極阻抗小于5 kΩ。EEG數據離線預處理在EEGLAB執行。首先將采集到的原始數據進行帶通濾波（0.1～ 40 Hz），并根據信號質量決定是否剔除壞道，使用獨立成分分析方法去除常見偽跡（如眼電、心電和肌電）。隨后將幅值超過±100 μV的數據段全部剔除，有效數據長度設定為–200 ～ 3 000 ms（刺激圖片出現時刻標注為0 ms，–200 ms代表刺激圖片出現前200 ms）。同時去除受試者判斷錯誤的試次，預處理后保留80％的有效試次，確保每個受試者每種條件下可供ERP分析的試次不少于23次。最終獲得62導的EEG信號用于后續分析。在進行ERP分析時選取雙側乳突M1、M2為參考，在進行腦功能分析時參考改為全腦平均參考。
1.3 數據分析
首先，–200 ～ 800 ms的EEG數據被截取用于執行ERP分析。以刺激圖片出現為0 ms，基線為圖片呈現前200 ms，執行基線校正后分別對兩種不同情緒刺激下的ERP活動進行疊加平均并進行統計分析。
隨后，對包含EPN（250 ～ 450 ms）成分的EEG信號的平均波幅進行溯源分析。采用sLORETA算法，通過對采集到的頭皮電極信號執行逆運算，求得大腦皮層各個腦區的電流密度分布[19]。在假定大腦皮層激活模式一致的前提下，分布于大腦皮層的電流密度源信號通過線性疊加的方式，最終在頭皮上得以記錄（即EEG信號）。
本研究使用Brainstorm軟件實現溯源分析，采用t檢驗方法來檢驗條件之間差異是否有統計學意義。
為進一步確定不同情緒下EPN成分的腦區連通性，將溯源后的EEG數據執行功能連接分析。采用相干性方法計算任意兩腦區間的耦合強度作為節點連接邊。
相干性作為衡量信號在特定頻率下線性耦合緊密程度的重要指標，刻畫了不同信號間的關聯程度。給定信號x和y，它們之間的相干性可以通過式(1)進行量化描述為：
 |
式中，Pxy（f）代表信號x和y之間的交叉功率譜密度，而Pxx（f）和Pyy（f）代表各自的功率譜密度。
將之前sLORETA源定位的結果依據Desikan–Killiany–Tourville（DKT）模版映射至68個腦區，每個腦區的平均源信號作為該腦區的代表信號。分別在theta（4 ～ 8 Hz）、alpha（8 ～ 13 Hz）、beta（13 ～ 30 Hz）以及gamma（30 ～ 35 Hz）四個頻段內計算平均源信號之間的相干性。最終每個受試者得到每種情緒下68*68*4的相干性矩陣。
分別在不同頻段內對所有受試者兩種情緒狀態的連接矩陣檢驗零假設，即該條邊的強度在不同情緒之間沒有變化，采用的t統計量為：
 |
式中，
和
分別是兩種情緒矩陣連接邊的均值，
和
分別是兩種情緒矩陣連接邊的方差。通過置換檢驗（N = 10 000）來估計t統計量的分布，然后與原始值進行比較來確定每條邊是否有統計學意義（P < 0.05），選出差異具有統計學意義的連接矩陣所在頻段。
鑒于全連接矩陣在網絡屬性計算時涉及龐大的計算量，有必要對全連接矩陣進行閾值化處理。在閾值的選擇上，研究者們常常以Kcost作為參考量來設定閾值，具體方式如式(3)所示：
 |
式中，Ki表示節點度，而N代表網絡中節點總數。當Kcost的值等于P，并且處于0.05 ～ 0.35之間時，網絡所展現出的拓撲結構屬性與大腦網絡的特性相近。此外，為了維持腦網絡的連通性，網絡的平均節點度應當滿足一定的條件，即ln（N）≤Knet≤N。這一范圍確保了腦網絡在結構上的連通性與穩定性。本研究中，BrainNet Viewer軟件被用于對閾值化后的連接矩陣進行可視化。
利用每個特定頻段的腦網絡計算網絡屬性，具體包括節點度和節點聚類系數。節點度表示與該節點直接相連的節點個數，即：
 |
式中，N表示網絡中節點的總數，hij則代表矩陣中的相鄰元素。
節點聚類系數是用來衡量一個節點與其鄰近節點之間形成連接關系的可能性，反映了該節點在網絡中的局部連接特性，即
 |
式中，Wi為與節點i相連的ki個節點間的實際連接邊數，Mi為ki個節點間可能存在的最大連接邊數，Ei表示節點i的ki個鄰節點之間實際存在的邊數。平均聚類系數則是對所有節點的聚類系數求平均值，提供了對整個網絡局部連接緊密程度的整體評估。
采用單因素方差分析檢驗兩種情緒狀態下的腦網絡平均節點度和平均聚類系數差異是否有統計學意義（檢驗水準為0.05）。
2 結果
對于EPN成分的統計分析結果顯示，與中性情緒相比，恐懼情緒誘發了更大的EPN波幅（P < 0.05）。兩種情緒條件下的ERP總平均波形見圖2。
圖2
不同情緒圖片刺激下代表性電極位置EPN總平均波形圖
圖中陰影標注區域為出現的EPN成分
Figure2. Grand average waveform of the representative electrode position of EPN under different emotional pictures stimulithe shaded area in the figure indicates the occurrence of EPN components
由圖3可見，恐懼情緒圖片刺激下EPN成分的激活區域主要在緣上回、頂葉下回、左側額中回下部、左側顳下回、右側顳葉、距狀旁回、右側楔前葉、扣帶回峽部、前扣帶回后部和右側舌回，并且右側頂葉下回的電流密度高于左側。中性情緒圖片刺激下EPN成分的激活區域主要為右枕葉外側、右側頂葉下回、左側額中回下部、右側額下回、右側距狀旁回、顳極區、額上回和內側眶額。相比于恐懼情緒，中性情緒圖片刺激下左腦的激活區域明顯變少。
圖3
不同情緒圖片刺激下的溯源分析結果及對比
Figure3.
Source analysis results and comparisons under different emotional pictures stimuli
進而，分析了兩種情緒下大腦皮層活動差異的腦區，結果如圖3所示。恐懼情緒和中性情緒的EPN源差異主要在右外側眶額、左側額中回下部、右側額下回、右側頂葉、左側緣上回、左側顳下回、右側顳上回、右側顳中回和楔前葉。
本研究針對每個受試者在不同情緒狀態下的四個頻帶腦網絡進行了置換檢驗，僅在alpha頻段發現了恐懼情緒與中性情緒之間差異有統計學意義（P < 0.05）。alpha頻段下各情緒狀態閾值化后的腦皮層功能網絡（選取的閾值為0.5）如圖4所示，可以看到，中性情緒狀態下腦網絡中連接邊數量相對較少，主要集中在額葉和一部分頂葉。相比之下，恐懼情緒狀態下連接數量明顯更多，主要集中在顳葉和頂葉，表明負性情緒對大腦功能連接有著顯著的影響。
圖4
不同情緒狀態下alpha頻段閾值化連接矩陣及腦網絡
Figure4.
Thresholding connectivity matrix and visual brain network of alpha band under different emotional states
表1展示了恐懼情緒和中性情緒下腦網絡的平均節點度和平均聚類系數。通過對比分析，發現與中性情緒相比，恐懼情緒狀態下的腦網絡表現出更高的平均節點度和平均聚類系數，這一發現進一步揭示了不同情緒狀態對腦網絡結構的影響。
表1
alpha頻段下兩種情緒腦功能網絡的全局特征
Table1.
Global characteristics of brain functional networks of alpha band under the two emotional states
3 討論及結論
本研究將ERP、EEG溯源分析和源層面腦功能網絡相結合，探索了視覺刺激誘發的恐懼和中性情緒的腦皮層活動及大腦功能調制。
本研究首先探索了恐懼和中性情緒刺激下EPN成分的差異。結果發現，相較于中性情緒，恐懼情緒誘發出了更高的EPN幅值。EPN作為一種ERP的重要成分，振幅被證實與情緒喚醒度相關，也與圖片的情緒內容相關[20]。本研究中與刺激強度相關的EPN幅值增大的結果可能反映了情緒加工過程中注意力資源的分配，即相較于中性刺激，恐懼刺激更能引起受試者的注意[12]。本研究中，利用恐懼圖片刺激受試者，觀察到更為顯著的EPN，這表明恐懼刺激有效激活了情緒生成系統，引發了受試者更為強烈的情緒反應。這一發現進一步支持了不同情緒狀態會導致不同的大腦激活模式的觀點。
通過對包含EPN成分的250 ～ 450 ms平均波幅的溯源結果進行統計分析發現，恐懼情緒和中性情緒EPN的源差異主要出現在右外側眶額、左側額中回下部、右側額下回、右側頂葉、左側緣上回、左側顳下回、右側顳上回、右側顳中回和楔前葉等區域。之前有研究認為左側緣上回和左側杏仁核在恐懼情緒的產生和表達中起重要作用，在面對威脅性刺激時，緣上回和杏仁核的活動會增加，并且與恐懼體驗的強度呈正相關[21]。還有研究發現，左側前額葉皮層和扣帶回皮層也參與了恐懼情緒的表達和調節[22]。本研究結果與上述研究觀察到的現象保持一致。
研究結果還觀察到恐懼情緒能夠激活邊緣葉腦區，證實了邊緣葉在情緒認知調節中的作用。之前臨床研究證實了邊緣葉病變的患者存在主觀恐懼的認知調節和潛在的自主反應受損[23]。負性情緒可引起前額葉、顳葉、邊緣葉的活動變化。邊緣葉位于大腦半球內側面，邊緣葉與杏仁核、前額葉等腦區之間存在一個管理情緒活動的工作網絡，探索這個工作網絡如何調節情緒活動是近年來的研究熱點[21]。
通過對250 ～ 450 ms腦電數據在溯源后做功能連接分析，在alpha頻段發現不同情緒之間差異有統計學意義。本研究觀察到中性情緒的腦功能網絡中連接邊數量最少，且主要集中在額葉和一部分頂葉。而相比中性情緒，恐懼情緒的連接邊數量明顯更多，主要集中在顳葉和頂葉，表明負性情緒處理進程對大腦功能連接有著顯著的影響。上述腦網絡連接的結果或可揭示，在面對環境要求針對多樣化的情緒刺激進行注意力分配的情境下，大腦內部alpha頻段的功能連接模式會經歷適應性重塑，以有效支持這一復雜的認知處理過程[24]。本研究截取EPN成分出現的EEG信號構建源層面腦網絡，實現了以更高的時間分辨率分析情緒處理進程中的腦功能調制。
最后，通過計算腦網絡屬性，本研究發現與中性情緒相比，恐懼情緒的平均節點度和平均聚類系數明顯更大。該結果的一個可能解釋是，本研究中負性情緒視覺圖片的刺激引發了受試者注意力的增加，反映在alpha大腦網絡則表現為局部腦區信息處理能力的增強。之前的研究也已證實alpha頻段可以用來研究對負性情緒刺激的注意力分配以及隨后對外部環境的持續關注[25]。
綜上所述，本研究為探索人類大腦處理恐懼情緒刺激的神經機制提供了見解。研究觀察到EPN振幅、皮層激活區域和腦網絡連通性在不同情緒狀態下的差異有統計學意義。這項研究有助于我們理解不同的情緒信息是如何在人腦中被處理的，并為探索負面情緒的神經機制提供新的視角。
重要聲明
利益沖突聲明：本文全體作者均聲明不存在利益沖突。
作者貢獻聲明：臧倩負責實驗設計、數據分析及論文寫作；趙小茗負責數據收集和技術支持；梁鐵、劉秀玲負責論文指導與修改；婁存廣負責論文構思及論文校稿。
倫理聲明：本研究通過了河北大學附屬醫院倫理委員會的審批（批文編號：HDFYLL-KY-2024-009）。
0 引言
情緒是一種主觀的體驗，通常表現為對某種刺激的情感反應，如高興、悲傷、厭惡、恐懼等。情緒對我們的思維、行為和身體反應產生影響，是人類生活中不可或缺的一部分。恐懼作為常見的負性情緒，盡管已在生物學意義、生理基礎及認知功能等多個維度受到了廣大學者的廣泛研究，但恐懼情緒加工的神經機制仍不明確[1-3]。深入了解恐懼情緒背后的神經機制，有助于更好地理解情感體驗的產生和調節過程，進而進一步診斷和治療與負性情緒相關的心理疾病，如抑郁癥、焦慮癥等。
之前基于腦成像的相關研究表明，恐懼刺激能夠激活左舌回、左側杏仁核以及左側前額葉皮層等區域[4-5]。另外一些研究發現背外側前額葉皮質對主觀恐懼的認知調節起關鍵作用[6-7]。這些研究為證實恐懼情緒與特定腦區的激活存在相關性提供了充分證據。然而情緒的產生是瞬時發生的事件，腦成像技術如功能性磁共振成像（functional magnetic resonance imaging，fMRI）在時間分辨率上的不足限制了在更精細的時間過程中探索情緒處理機制。
得益于非侵入式神經電生理采集技術的發展，高時間分辨率的腦電圖（electroencephalogram，EEG）信號被廣泛應用于開展情緒研究。事件相關電位（event-related potentials，ERP）技術能夠反映特定事件刺激引起的大腦活動進程，是目前基于EEG信號開展情緒研究的重要方法[8-9]。早期后部負波（early posterior negativity，EPN）是當前ERP情緒研究所關注的一個重要成分，它通常出現于視覺刺激呈現后的100 ～ 350 ms內，且在頭皮顳枕部區域最為明顯[10]。EPN反映了大腦對于視覺刺激的早期處理，被認為是與注意力資源量相關的選擇性情緒感知的最早處理的標志[11]。先前的研究已證實EPN成分普遍存在于恐懼情緒刺激的實驗條件下，并證實了EPN可以被用于表征大腦對恐懼情緒的視覺刺激信息的處理進程[12-13]。然而情緒產生是一種復雜的過程，涉及到大腦多區域的激活與相互作用[14]。盡管當前基于EPN的研究揭示了恐懼情緒處理過程中時間鎖定的同步神經活動，但大多數忽略了大腦各區域在此過程中的相互作用。
近年，網絡神經科學的發展使得研究者們可以從網絡的角度去研究情緒相關的大腦活動[15]。利用EEG信號構建并深入研究對應的腦功能網絡，為人們提供了深入理解情緒處理過程中大腦全局調控機制的新視角，有助于進一步揭示情緒處理的神經機制。然而，大部分研究沒有充分考慮大腦視覺刺激的信息處理進程，導致無法準確構建情緒處理過程中時間鎖定的腦功能網絡。而且，大部分基于EEG的腦功能網絡的情緒研究都是利用頭皮EEG信號來構建，而EEG信號存在嚴重的體積傳導效應，這直接導致了它較低的空間分辨率，進而易導致腦功能網絡構建不準確[16]。EEG溯源技術已被證實可以在確保EEG信號高時間分辨率的基礎上有效提升其空間分辨率，有助于構建更準確的腦網絡[17]。
本研究通過不同場景的情緒圖片誘發健康受試者的恐懼和中性情緒，同步記錄64通道EEG信號。隨后，采用ERP技術探索兩種情緒EPN成分差異，在此基礎上利用sLORETA方法對EEG信號執行溯源分析，進而基于圖論構建并分析不同情緒狀態下的源層面腦功能網絡。本研究將ERP、EEG溯源以及腦網絡分析相結合，探索視覺刺激誘發的恐懼情緒和中性情緒時間鎖定的腦皮層電活動以及相關的腦網絡調節機制，以期為負性情緒機制研究提供新的思路，為情緒障礙患者的診療提供重要的理論依據和臨床實踐參考。
1 材料與方法
1.1 試驗設計
本研究成功招募了20名健康成年受試者，包括10名男性和10名女性，年齡為（22.7 ± 2.2）歲。所有受試者均為右利手，且未患有任何精神類疾病。此外，所有受試者的視力或矯正視力均符合實驗要求。在正式實驗開始前，所有受試者詳細了解了實驗流程和需注意的事項，并自愿簽署知情同意書。由于實驗中存在恐懼刺激，提前告知受試者能否接受，并且剔除掉膽子非常小和經常看恐怖電影的受試者，防止出現極端的個體差異。
所選刺激材料均為圖片，選自國際情緒圖片系統（International Affective Picture System，IAPS）[18]。首先在負性圖片中初步選取了一些可能誘發恐懼的圖片，代表圖片有鬼臉、蛇、尸體和血腥等場景。考慮到每個人對恐懼的感受不同，負性圖片再由受試者通過九點評分量表進行篩選，選取出他們認為恐懼和中性的圖片。最終確定了30張恐懼圖片（效價為2.38 ± 0.46，喚醒度為5.78 ± 0.63）。為防止恐懼圖片連續多次出現引起的信息加工異化，又選取了60張中性圖片（效價為5.49 ± 0.37，喚醒度為3.74 ± 0.51）。對所選材料進行統計學分析，恐懼圖片的喚醒度和效價明顯高于中性圖片（P < 0.001）。
采用E-Prime 2.0專業軟件編制實驗范式，圖片呈現于電腦屏幕。所有圖片隨機出現，均只出現一次。每試次開始時，黑色屏幕中央出現紅色注視點，持續1 000 ms，之后呈現圖片。每張圖片的展示時間為3 000 ms，期間要求受試者保持自然注視狀態，以便充分體驗圖片所誘發的情感反應。圖片消失后，受試者需進行按鍵操作用于判斷圖片類型，其中1代表恐懼，2代表其他類別。整個實驗流程如圖1所示。實驗總計120個試次，每30個試次受試者被允許休息一次。為讓受試者熟悉實驗流程，在正式實驗開始前進行一次簡單的預實驗。在預實驗中，選用同樣來自IAPS的刺激圖片，其中包括中性圖片和恐懼圖片各10張。預實驗的操作流程嚴格遵循正式實驗的標準，確保實驗的一致性和可靠性。實驗在安靜、光線暗的屏蔽室內進行，確保受試者身心放松并避免過多動作。
圖1
實驗范式
實驗開始時，屏幕中央出現紅色注視點，持續1 000 ms。之后隨機呈現情緒刺激圖片3 000 ms。受試者在圖片消失后通過按鍵判斷圖片類型（1為恐懼，2為其他）。右側圖片為恐懼情緒圖片示例
Figure1. Experimental paradigmat the start of the experiment, a red fixation point appeared at the center of the screen and lasted for 1 000 ms. Subsequently, emotional stimulus images were randomly presented for 3 000 ms. Participants were required to judge the type of the image (1 for fear, 2 for other) by pressing a key after the image disappeared. The four pictures on the right are examples of fear pictures
1.2 數據采集與預處理
本研究中采用腦電采集系統（Neuroscan，澳大利亞）按照國際10-20標準以500 Hz采樣率采集64通道EEG信號。實驗過程中確保電極阻抗小于5 kΩ。EEG數據離線預處理在EEGLAB執行。首先將采集到的原始數據進行帶通濾波（0.1～ 40 Hz），并根據信號質量決定是否剔除壞道，使用獨立成分分析方法去除常見偽跡（如眼電、心電和肌電）。隨后將幅值超過±100 μV的數據段全部剔除，有效數據長度設定為–200 ～ 3 000 ms（刺激圖片出現時刻標注為0 ms，–200 ms代表刺激圖片出現前200 ms）。同時去除受試者判斷錯誤的試次，預處理后保留80％的有效試次，確保每個受試者每種條件下可供ERP分析的試次不少于23次。最終獲得62導的EEG信號用于后續分析。在進行ERP分析時選取雙側乳突M1、M2為參考，在進行腦功能分析時參考改為全腦平均參考。
1.3 數據分析
首先，–200 ～ 800 ms的EEG數據被截取用于執行ERP分析。以刺激圖片出現為0 ms，基線為圖片呈現前200 ms，執行基線校正后分別對兩種不同情緒刺激下的ERP活動進行疊加平均并進行統計分析。
隨后，對包含EPN（250 ～ 450 ms）成分的EEG信號的平均波幅進行溯源分析。采用sLORETA算法，通過對采集到的頭皮電極信號執行逆運算，求得大腦皮層各個腦區的電流密度分布[19]。在假定大腦皮層激活模式一致的前提下，分布于大腦皮層的電流密度源信號通過線性疊加的方式，最終在頭皮上得以記錄（即EEG信號）。
本研究使用Brainstorm軟件實現溯源分析，采用t檢驗方法來檢驗條件之間差異是否有統計學意義。
為進一步確定不同情緒下EPN成分的腦區連通性，將溯源后的EEG數據執行功能連接分析。采用相干性方法計算任意兩腦區間的耦合強度作為節點連接邊。
相干性作為衡量信號在特定頻率下線性耦合緊密程度的重要指標，刻畫了不同信號間的關聯程度。給定信號x和y，它們之間的相干性可以通過式(1)進行量化描述為：
|
式中，Pxy（f）代表信號x和y之間的交叉功率譜密度，而Pxx（f）和Pyy（f）代表各自的功率譜密度。
將之前sLORETA源定位的結果依據Desikan–Killiany–Tourville（DKT）模版映射至68個腦區，每個腦區的平均源信號作為該腦區的代表信號。分別在theta（4 ～ 8 Hz）、alpha（8 ～ 13 Hz）、beta（13 ～ 30 Hz）以及gamma（30 ～ 35 Hz）四個頻段內計算平均源信號之間的相干性。最終每個受試者得到每種情緒下68*68*4的相干性矩陣。
分別在不同頻段內對所有受試者兩種情緒狀態的連接矩陣檢驗零假設，即該條邊的強度在不同情緒之間沒有變化，采用的t統計量為：
|
式中，和分別是兩種情緒矩陣連接邊的均值，和分別是兩種情緒矩陣連接邊的方差。通過置換檢驗（N = 10 000）來估計t統計量的分布，然后與原始值進行比較來確定每條邊是否有統計學意義（P < 0.05），選出差異具有統計學意義的連接矩陣所在頻段。
鑒于全連接矩陣在網絡屬性計算時涉及龐大的計算量，有必要對全連接矩陣進行閾值化處理。在閾值的選擇上，研究者們常常以Kcost作為參考量來設定閾值，具體方式如式(3)所示：
|
式中，Ki表示節點度，而N代表網絡中節點總數。當Kcost的值等于P，并且處于0.05 ～ 0.35之間時，網絡所展現出的拓撲結構屬性與大腦網絡的特性相近。此外，為了維持腦網絡的連通性，網絡的平均節點度應當滿足一定的條件，即ln（N）≤Knet≤N。這一范圍確保了腦網絡在結構上的連通性與穩定性。本研究中，BrainNet Viewer軟件被用于對閾值化后的連接矩陣進行可視化。
利用每個特定頻段的腦網絡計算網絡屬性，具體包括節點度和節點聚類系數。節點度表示與該節點直接相連的節點個數，即：
|
式中，N表示網絡中節點的總數，hij則代表矩陣中的相鄰元素。
節點聚類系數是用來衡量一個節點與其鄰近節點之間形成連接關系的可能性，反映了該節點在網絡中的局部連接特性，即
|
式中，Wi為與節點i相連的ki個節點間的實際連接邊數，Mi為ki個節點間可能存在的最大連接邊數，Ei表示節點i的ki個鄰節點之間實際存在的邊數。平均聚類系數則是對所有節點的聚類系數求平均值，提供了對整個網絡局部連接緊密程度的整體評估。
采用單因素方差分析檢驗兩種情緒狀態下的腦網絡平均節點度和平均聚類系數差異是否有統計學意義（檢驗水準為0.05）。
2 結果
對于EPN成分的統計分析結果顯示，與中性情緒相比，恐懼情緒誘發了更大的EPN波幅（P < 0.05）。兩種情緒條件下的ERP總平均波形見圖2。
圖2
不同情緒圖片刺激下代表性電極位置EPN總平均波形圖
圖中陰影標注區域為出現的EPN成分
Figure2. Grand average waveform of the representative electrode position of EPN under different emotional pictures stimulithe shaded area in the figure indicates the occurrence of EPN components
由圖3可見，恐懼情緒圖片刺激下EPN成分的激活區域主要在緣上回、頂葉下回、左側額中回下部、左側顳下回、右側顳葉、距狀旁回、右側楔前葉、扣帶回峽部、前扣帶回后部和右側舌回，并且右側頂葉下回的電流密度高于左側。中性情緒圖片刺激下EPN成分的激活區域主要為右枕葉外側、右側頂葉下回、左側額中回下部、右側額下回、右側距狀旁回、顳極區、額上回和內側眶額。相比于恐懼情緒，中性情緒圖片刺激下左腦的激活區域明顯變少。
圖3
不同情緒圖片刺激下的溯源分析結果及對比
Figure3.
Source analysis results and comparisons under different emotional pictures stimuli
進而，分析了兩種情緒下大腦皮層活動差異的腦區，結果如圖3所示。恐懼情緒和中性情緒的EPN源差異主要在右外側眶額、左側額中回下部、右側額下回、右側頂葉、左側緣上回、左側顳下回、右側顳上回、右側顳中回和楔前葉。
本研究針對每個受試者在不同情緒狀態下的四個頻帶腦網絡進行了置換檢驗，僅在alpha頻段發現了恐懼情緒與中性情緒之間差異有統計學意義（P < 0.05）。alpha頻段下各情緒狀態閾值化后的腦皮層功能網絡（選取的閾值為0.5）如圖4所示，可以看到，中性情緒狀態下腦網絡中連接邊數量相對較少，主要集中在額葉和一部分頂葉。相比之下，恐懼情緒狀態下連接數量明顯更多，主要集中在顳葉和頂葉，表明負性情緒對大腦功能連接有著顯著的影響。
圖4
不同情緒狀態下alpha頻段閾值化連接矩陣及腦網絡
Figure4.
Thresholding connectivity matrix and visual brain network of alpha band under different emotional states
表1展示了恐懼情緒和中性情緒下腦網絡的平均節點度和平均聚類系數。通過對比分析，發現與中性情緒相比，恐懼情緒狀態下的腦網絡表現出更高的平均節點度和平均聚類系數，這一發現進一步揭示了不同情緒狀態對腦網絡結構的影響。
表1
alpha頻段下兩種情緒腦功能網絡的全局特征
Table1.
Global characteristics of brain functional networks of alpha band under the two emotional states
3 討論及結論
本研究將ERP、EEG溯源分析和源層面腦功能網絡相結合，探索了視覺刺激誘發的恐懼和中性情緒的腦皮層活動及大腦功能調制。
本研究首先探索了恐懼和中性情緒刺激下EPN成分的差異。結果發現，相較于中性情緒，恐懼情緒誘發出了更高的EPN幅值。EPN作為一種ERP的重要成分，振幅被證實與情緒喚醒度相關，也與圖片的情緒內容相關[20]。本研究中與刺激強度相關的EPN幅值增大的結果可能反映了情緒加工過程中注意力資源的分配，即相較于中性刺激，恐懼刺激更能引起受試者的注意[12]。本研究中，利用恐懼圖片刺激受試者，觀察到更為顯著的EPN，這表明恐懼刺激有效激活了情緒生成系統，引發了受試者更為強烈的情緒反應。這一發現進一步支持了不同情緒狀態會導致不同的大腦激活模式的觀點。
通過對包含EPN成分的250 ～ 450 ms平均波幅的溯源結果進行統計分析發現，恐懼情緒和中性情緒EPN的源差異主要出現在右外側眶額、左側額中回下部、右側額下回、右側頂葉、左側緣上回、左側顳下回、右側顳上回、右側顳中回和楔前葉等區域。之前有研究認為左側緣上回和左側杏仁核在恐懼情緒的產生和表達中起重要作用，在面對威脅性刺激時，緣上回和杏仁核的活動會增加，并且與恐懼體驗的強度呈正相關[21]。還有研究發現，左側前額葉皮層和扣帶回皮層也參與了恐懼情緒的表達和調節[22]。本研究結果與上述研究觀察到的現象保持一致。
研究結果還觀察到恐懼情緒能夠激活邊緣葉腦區，證實了邊緣葉在情緒認知調節中的作用。之前臨床研究證實了邊緣葉病變的患者存在主觀恐懼的認知調節和潛在的自主反應受損[23]。負性情緒可引起前額葉、顳葉、邊緣葉的活動變化。邊緣葉位于大腦半球內側面，邊緣葉與杏仁核、前額葉等腦區之間存在一個管理情緒活動的工作網絡，探索這個工作網絡如何調節情緒活動是近年來的研究熱點[21]。
通過對250 ～ 450 ms腦電數據在溯源后做功能連接分析，在alpha頻段發現不同情緒之間差異有統計學意義。本研究觀察到中性情緒的腦功能網絡中連接邊數量最少，且主要集中在額葉和一部分頂葉。而相比中性情緒，恐懼情緒的連接邊數量明顯更多，主要集中在顳葉和頂葉，表明負性情緒處理進程對大腦功能連接有著顯著的影響。上述腦網絡連接的結果或可揭示，在面對環境要求針對多樣化的情緒刺激進行注意力分配的情境下，大腦內部alpha頻段的功能連接模式會經歷適應性重塑，以有效支持這一復雜的認知處理過程[24]。本研究截取EPN成分出現的EEG信號構建源層面腦網絡，實現了以更高的時間分辨率分析情緒處理進程中的腦功能調制。
最后，通過計算腦網絡屬性，本研究發現與中性情緒相比，恐懼情緒的平均節點度和平均聚類系數明顯更大。該結果的一個可能解釋是，本研究中負性情緒視覺圖片的刺激引發了受試者注意力的增加，反映在alpha大腦網絡則表現為局部腦區信息處理能力的增強。之前的研究也已證實alpha頻段可以用來研究對負性情緒刺激的注意力分配以及隨后對外部環境的持續關注[25]。
綜上所述，本研究為探索人類大腦處理恐懼情緒刺激的神經機制提供了見解。研究觀察到EPN振幅、皮層激活區域和腦網絡連通性在不同情緒狀態下的差異有統計學意義。這項研究有助于我們理解不同的情緒信息是如何在人腦中被處理的，并為探索負面情緒的神經機制提供新的視角。
重要聲明
利益沖突聲明：本文全體作者均聲明不存在利益沖突。
作者貢獻聲明：臧倩負責實驗設計、數據分析及論文寫作；趙小茗負責數據收集和技術支持；梁鐵、劉秀玲負責論文指導與修改；婁存廣負責論文構思及論文校稿。
倫理聲明：本研究通過了河北大學附屬醫院倫理委員會的審批（批文編號：HDFYLL-KY-2024-009）。
