跨效价域通用的情感唤醒神经功能特征：区分主观体验与自主神经反应的特异性标记

本研究针对情感唤醒(affective arousal)这一情感空间核心维度缺乏精确脑模型的现状，开发了基于自然态fMRI的脑情感唤醒特征(BAAS)。研究人员通过发现-验证设计(n=60/36)证明该特征具有跨效价域、刺激模态的敏感性，并证实其与自主神经唤醒(autonomic arousal)及觉醒状态的神经表征存在差异。该研究为情感体验的神经机制提供了生物学合理的模型，并通过BAAS校正显著提升了既有效价特异性神经标记(VNAS/VIDS)的预测特异性，对情感神经科学具有重要理论价值与应用潜力。

　　

情感体验如同内心世界的晴雨表，时刻评估着环境信息以指导适应性行为。尽管科学界普遍认同情感空间由愉悦度(valence)和唤醒度(arousal)两个核心维度构成，但关于情感唤醒的神经机制始终存在三大争议：是否具有跨效价域（正性/负性）的通用表征？能否与生理性自主神经唤醒区分？高唤醒是否会掩盖特定情绪状态的神经特征？这些问题的解答对理解情感本质至关重要，却因缺乏精确的神经模型而悬而未决。

电子科技大学的研究团队在《Nature Communications》发表的研究中，创新性地结合自然态功能磁共振成像(fMRI)与机器学习解码技术，开发出脑情感唤醒特征(BAAS)。该研究通过多模态验证揭示：情感唤醒存在跨效价域的分布式神经表征，其与自主神经唤醒既共享局部脑区（如杏仁核-丘脑-脑岛系统）又具有整体模式的分离性，更重要的是，通过BAAS校正可显著提升现有情绪神经标记的特异性。

研究主要采用支持向量回归(SVR)算法构建全脑预测模型，关键技术包括：1) 采用自然态视频诱发范式增强生态效度；2) 基于发现队列(n=60)开发BAAS并通过独立验证队列(n=36)验证；3) 应用16项独立研究(n=635)测试跨效价域/模态的泛化性；4) 采用自主神经唤醒解码器进行双重分离验证；5) 通过元分析图谱比对验证神经生物学合理性。

识别情感唤醒的脑特征

研究发现BAAS在发现队列中预测唤醒评分的组内相关性达0.88±0.01(SE)，在独立验证队列中保持0.70的相关性。单试次分析显示BAAS能准确预测个体瞬时唤醒波动(发现队列r=0.55，验证队列r=0.60)。排除枕叶的验证实验证实预测不依赖视觉皮层活动。

跨效价域的通用性验证

BAAS在16项独立研究中展现强大泛化能力：能区分高/低唤醒负性体验（如厌恶vs中性：准确率97%，P<1×10^-10；疼痛48.8°C vs 44.8°C：准确率85%），同样响应高唤醒正性刺激（如愉悦音乐：t₍₃₁₎=2.81,P=0.01；情色图片：t₍₁₇₎=8.46,P=1.7×10^-7）。值得注意的是，BAAS无法区分唤醒匹配的正/负状态(53±8.3%,P=0.87)，证实其对唤醒维度的特异性。

神经功能表征解析

Bootstrap检验(q<0.05 FDR校正)显示：杏仁核(amygdala)、导水管周围灰质(PAG)、背内侧前额叶(dmPFC)等活动增强预测高唤醒，而后脑岛(posterior insula)、后扣带回(PCC)等活动抑制关联低唤醒。个体化模型权重图(one-sample t-test,q<0.05)进一步验证这些区域的稳定性。与Neurosynth元分析图谱的交集显示，前脑岛(aIns)、眶额叶(IOFC)等区域同时参与正/负情绪加工，支持BAAS的生物学合理性。

与自主神经唤醒的分离

通过双重分离实验证实：BAAS预测焦虑体验(r=0.26,P=1.55×10^-4)但不预测皮肤电反应(GSR)(r=0.06,P=0.41)；而自主神经解码器呈现相反模式(GSR预测r=0.21，焦虑体验r=0.08)。权重分布分析显示两特征在全脑水平的神经表征主要分布于非重叠象限(Octant1/5占比最高)。

提升神经标记特异性

应用BAAS校正后，视觉负性情感特征(VNAS)对正性刺激的响应从显著(t检验P<0.05)变为不显著(P>0.05)，视觉诱发厌恶特征(VIDS)对恐惧vs快乐视频的区分准确率从64.29%降至随机水平。这证实高唤醒确实会干扰特定情绪的神经解码，而BAAS可有效解决该问题。

这项研究首次建立了覆盖全脑的情感唤醒神经参考空间，其创新价值体现在三方面：理论层面，证实情感唤醒存在独立于效价域的神经表征，支持情绪构成的维度理论；方法层面，开发的BAAS具有跨文化、跨模态的稳定性，为情感神经科学研究提供新工具；应用层面，通过BAAS校正可显著提升情绪解码的特异性，这对临床情感障碍的客观评估具有重要转化价值。研究还启示未来情绪研究需系统控制唤醒度的影响，为探索情感体验的神经编码提供了新范式。