基于动态功能连接图卷积神经网络的印度电影视频刺激下情感脑动力学fMRI数据集研究

本研究针对印度人群情感识别模型的文化普适性不足问题，通过采集40名印度受试者观看宝莱坞电影片段时的fMRI数据，构建首个文化特异性神经影像数据集NeuroEmo。采用动态功能连接(DFC)分析和图卷积神经网络(GCNN)技术，实现五种情绪状态（平静、恐惧、愉悦、抑郁、兴奋）的精准分类（准确率95%），揭示了杏仁核、前额叶皮层等关键情感脑区的动态连接模式，为跨文化情感神经机制研究提供了新范式。

　　

情感作为人类体验的核心要素，其神经机制研究长期受限于文化差异和实验范式。当前国际通用的情感识别模型多基于西方人群开发的静态刺激（如IAPS图片库），而印度等非西方人群的神经响应模式尚未系统探索。更关键的是，传统功能磁共振成像(fMRI)研究多采用静态功能连接(FC)分析，忽视了情感处理的动态特性。电影作为整合视听元素的生态效度更高的刺激材料，其动态情感诱发特性与大脑功能网络的时变特性高度契合，却鲜少被用于神经影像研究。

针对这些空白，中央精神病学研究所联合德里大学的研究团队在《Computers in Biology and Medicine》发表研究，首次构建了基于印度宝莱坞电影片段的fMRI数据集NeuroEmo。该研究创新性地结合动态功能连接(DFC)分析与图卷积神经网络(GCNN)，成功解码印度人群观看文化特异性视频时的情感脑动力学特征。

研究采用任务态fMRI(tb-fMRI)技术采集40名印度健康受试者（年龄28.3±9.14岁）观看诱发五种情绪（平静、恐惧、愉悦、抑郁、兴奋）的宝莱坞电影片段时的血氧水平依赖(BOLD)信号。通过Power图谱进行脑区分割，提取基于滑动时间窗的动态功能连接矩阵，构建多阈值DFC图结构。最终开发的DFC-GCNN模型在5折交叉验证中达到95%分类准确率，显著优于传统机器学习方法。

材料与方法
实验设计通过中央精神病学研究所伦理委员会审批（IEC/CIP/2022-23/1709），采用3T磁共振扫描仪采集数据。预处理流程包括头动校正、空间标准化等步骤。关键技术创新在于：1) 使用广义线性模型(GLM)进行一阶和二阶统计分析；2) 基于Power图谱264个脑区提取ROI时间序列；3) 采用Pearson相关和滑动时间窗（窗长30TR，步长1TR）构建DFC矩阵；4) 通过0.1-0.9不同稀疏度阈值构建多尺度图结构输入GCNN。

结果与讨论
对比分析显示各情绪状态激活特征脑区：恐惧vs平静显著激活颞中回(Temporal_Mid)和枕下回(Occipital_Inf)；愉悦vs平静激活顶下回(Parietal_Inf)和扣带回中部(Cingulate_Mid)；抑郁状态与默认模式网络(DMN)活动增强相关；兴奋状态则引发前岛叶(Anterior Insula)与杏仁核(Amygdala)的强功能耦合。DFC分析揭示情感处理呈现显著时变特性——恐惧诱发早期（0-15s）表现为右侧杏仁核与视觉皮层的快速连接增强，而愉悦状态（30-45s）则呈现前额叶-边缘系统的持续同步化。

结论与展望
该研究取得三项突破：1) 发布首个印度文化特异性情感fMRI数据集（7.21GB BIDS格式）；2) 证实DFC时序特征对情感分类的关键作用；3) 建立GCNN在跨被试情感解码中的优越性。局限性包括样本量较小和未考察性别差异。未来可扩展至临床情感障碍研究，或结合transformer模型提升长时序建模能力。

这项工作的核心价值在于：为情感神经科学的"文化特异性"研究提供了范式模板，其开发的DFC-GCNN框架不仅适用于印度人群，其方法论对其它非西方群体的情感脑机制研究具有重要借鉴意义。数据集和代码的开源（OpenNeuro ds005700/GitHub NeuroEmo）将进一步推动跨文化情感计算的协同创新。