《NeuroImage》：A three-stage neurocognitive model of facial age processing: Evidence from ERP, oscillatory dynamics, and functional connectivity
编辑推荐：
本研究针对面孔年龄感知的神经机制尚不明确的问题，研究人员通过结合事件相关电位、时频分析和功能连接技术，系统探讨了大脑处理不同年龄面孔的动态过程。研究发现面孔年龄加工遵循一个从早期全局协调到晚期局部处理的动态三阶段模型（结构编码、原型匹配和情感评估），揭示了大脑提取年龄信息的神经动力学机制，为理解社会认知的神经基础提供了新见解。
我们每天都在与人打交道，而面孔是我们识别他人、判断情绪、评估年龄等社会信息的重要窗口。在面孔所承载的性别、情绪、身份和年龄等多维信息中，年龄尤其关键。它能迅速影响我们对一个人的吸引力、亲和力和可信度的判断，从而影响我们的社交决策。然而，与面孔情绪、身份等维度已积累的丰富神经科学研究相比，大脑是如何编码、整合并评估面孔年龄信息的，其背后的神经认知机制仍如“黑箱”般模糊不清。过去的脑电研究虽然发现了一些与面孔年龄加工相关的事件相关电位成分，如N170、P2和晚期正电位（LPP），但这些研究多停留在孤立的成分分析，缺乏对加工过程的动态、阶段性以及大规模脑网络协同机制的揭示。为了系统破解这一谜题，一项发表于《NeuroImage》的研究为我们提供了一张面孔年龄加工的“动态神经路线图”。
为了探索这一问题，研究人员设计了一项巧妙的实验。他们招募了26名健康成年人，利用从中国面孔数据库SZU-EmoDage中选取的同一批人的面孔图片，通过基于深度学习的人工智能算法，生成了10岁、30岁、50岁和70岁四个不同年龄版本的面孔刺激。在实验中，参与者需要观看这些面孔并判断其年龄，同时研究人员使用64导脑电图记录他们的大脑活动。通过对脑电信号进行多模态分析，包括传统的ERP成分分析、数据驱动的全电极点全时程分析、时频分析以及基于相位同步的功能连接分析，研究人员得以从时间、频率和网络三个维度全面描绘面孔年龄加工的神经动态。
研究结果揭示了面孔年龄加工遵循一个清晰的动态三阶段神经认知模型，每个阶段都有其独特的神经标记：
1. 结构编码阶段（~100-200毫秒）：早期全局整合
在刺激呈现后约100至200毫秒，大脑进入结构编码阶段。脑电结果显示，年龄较大的面孔（尤其是50岁和70岁）诱发了显著增大的N170波幅，这表明大脑在处理包含更多皱纹、不对称等复杂形态特征的老年面孔时，需要投入更多的早期视觉加工资源。与此同时，时频分析发现，在这个阶段，老年面孔还引发了更强的Theta（4–8 Hz）和Alpha（8–13 Hz）频段的神经振荡功率。Theta活动的增强反映了在更高处理需求下的特征整合努力，而Alpha活动的增强则可能意味着大脑在抑制非诊断性信息，以优先处理与年龄相关的关键线索。更重要的是，功能连接分析表明，在此阶段，老年面孔（尤其是70岁面孔）诱发了一个涉及前额、中央和后枕叶区域的大规模、长距离的Theta和Alpha频段相位同步网络，其全局效率也更高。网络分析进一步识别出POz电极（一个后枕中线区域）是该网络的关键枢纽。这表明，在加工年龄差异显著的面孔时，大脑迅速动员了一个广泛的协同网络，其中早期视觉区域扮演着核心协调角色，以实现对复杂年龄特征的快速、全局性整合。
2. 原型匹配阶段（~200-300毫秒）：局部化加工
紧随其后的是原型匹配阶段，大约在刺激后200至300毫秒。在这个阶段，ERP的P2成分表现出与年龄相关的调制：面孔年龄越大，P2波幅越小。这与“原型匹配”的理论相符，即那些与我们内部存储的“典型面孔”模板（对于年轻的参与者而言，更接近他们自身年龄或婴儿图式的面孔）越相似的面孔，会引发更强的P2反应；而年龄更大、更“非典型”的面孔，则匹配过程较弱。时频分析发现，此阶段仅Theta频段的局部振荡活动持续增强，而大规模的Theta和Alpha频段功能连接以及网络效率的年龄差异则消失了。这标志着加工模式从第一阶段的全局网络协同转向了局部化、聚焦式的处理。大脑不再需要动员大规模网络进行协调，而是集中在局部区域对年龄相关的空间构型信息进行更精细的分析和匹配。
3. 情感评估阶段（>300毫秒）：晚期动机性评估
最后是情感评估阶段，始于刺激后300毫秒并持续数百毫秒。这一阶段的标志是晚期正电位（LPP）的调制。研究发现，70岁的老年面孔诱发了最大的LPP波幅，而30岁的面孔诱发的波幅最小。LPP通常与动机显著性、注意资源分配和情感评价相关。对于年轻的参与者来说，老年面孔（尤其是70岁）可能承载着更强的社会情感意义（如脆弱、智慧等），因此需要投入更多的评估性注意资源。有趣的是，在这个晚期阶段，时频功率和功能连接分析均未发现显著的年龄差异。这表明，情感评估可能是前两个阶段知觉和匹配加工后，一个相对自动化的、下游的认知“读出”过程。
综上所述，这项研究通过整合多模态脑电技术，首次系统性地提出了一个面孔年龄信息加工的三阶段神经认知模型：结构编码（早期，~100-200毫秒，特征解析与全局网络协同）、原型匹配（中期，~200-300毫秒，构型分析与局部化处理）和情感评估（晚期，>300毫秒，社会情感意义评估）。该模型揭示了大脑处理面孔年龄信息是一个从早期全局协调到晚期局部处理的动态转变过程。这项研究不仅填补了面孔年龄感知神经机制领域的空白，将以往零散的ERP发现整合到一个统一的动态框架中，还通过引入时频和网络连接分析，为理解“大脑如何加工面孔”这一基本社会认知问题提供了更丰富、更具机制性的见解。该框架未来可应用于研究社会认知障碍（如自闭症谱系障碍）、年龄偏见或面孔失认症等临床问题，为探索其潜在的神经机制提供新的视角和工具。
