数据驱动稀疏优化揭示情绪依赖的EEG功能脑网络整合与分离机制

《Brain Research Bulletin》:Emotion-Dependent Integration and Segregation in EEG Functional Brain Networks Revealed by Data-Driven Sparsity Optimization

【字体: 大 中 小 】 时间:2026年04月14日 来源:Brain Research Bulletin 3.7

编辑推荐:

  本文针对传统EEG功能脑网络构建依赖经验阈值、难以客观揭示情绪特异性连接模式的痛点,开展数据驱动稀疏优化框架研究。通过Pearson相关系数构建五频段功能网络,以集成学习最大化情绪分类性能确定最优稀疏度,发现快乐态全局效率更高、中性态局部效率与小世界属性更强,为情绪脑网络机制研究提供客观范式。

  
当你在看一部催泪电影时,大脑是如何将悲伤的情绪信号传递到各个区域?当你沉浸在喜剧的欢乐中时,神经活动又是怎样协同工作的?长久以来,科学家试图通过脑电图(EEG)这一拥有毫秒级时间分辨率的工具,去捕捉情绪处理背后的网络级机制。然而,传统的脑网络构建方法却像戴着一副模糊的眼镜——它们往往依赖经验性的阈值来筛选神经元之间的连接,这不仅难以客观地揭示真实的情绪特异性连接模式,还容易受到主观因素的干扰,使得不同研究之间的结果难以比较,甚至掩盖了情绪处理的本质规律。
为了解决这一长期困扰领域的难题,来自浙江师范大学计算机科学与技术学院的研究团队Tianyu Wang、Wei Liu、Gang Li、Fo Hu、Bin Zhou和Yuebing Zhang在《Brain Research Bulletin》上发表了一项创新研究。他们提出了一种数据驱动的稀疏优化框架,旨在客观识别多个频段的情绪判别性EEG连接模式。这项研究不仅在情绪识别准确率上取得了突破,更重要的是,它清晰地揭示了不同情绪状态下大脑网络在“整合”与“分离”之间的动态平衡,为我们理解情绪调节的神经机制打开了一扇新的窗户。
为了回答这些问题,研究人员设计了一套系统的研究流程。他们招募了33名健康受试者,通过观看中性、悲伤和快乐的视频片段诱发相应情绪,并使用64通道ESI NeuroScan系统采集EEG数据。关键技术方法包括:首先对原始EEG数据进行重参考、1-45 Hz带通滤波、降采样至256 Hz、独立成分分析(ICA)去除眼电等生理伪迹,并按10秒非重叠时间窗分割;随后计算五个典型频段(Delta: 1-4 Hz, Theta: 4-8 Hz, Alpha: 8-13 Hz, Beta: 13-30 Hz, Gamma: 30-45 Hz)内电极对之间的皮尔逊相关系数(PCC)以构建功能连接矩阵;核心的创新在于将数据稀疏度视为可优化的超参数,在10%至100%的范围内系统变化稀疏度,并利用随机森林、XGBoost、LightGBM和Deep Forest四种集成学习模型通过5折分层交叉验证,以确定最大化情绪分类性能的最优稀疏水平Sbest;最后,在优化后的稀疏网络上计算图论属性,包括局部效率(Eloc)、全局效率(Eglob)、聚类系数(CC)和小世界属性(SWP),并通过统计学分析比较不同情绪状态下的差异。
研究结果部分清晰地展示了数据驱动稀疏优化的强大威力及其揭示的神经机制。
在“3.1. Optimization of Network Sparsity for Emotion Classification”中,研究发现分类准确率随稀疏度的变化呈现一致的非线性关系:随着特征包含量的增加,模型性能先升后降。比较各频段发现,Beta和Gamma频段的分类表现显著优于Delta、Theta和Alpha频段。具体而言,LightGBM分类器在Beta频段(19%稀疏度)达到了94.28 ± 1.51%的最高准确率,在Gamma频段(17%稀疏度)达到了94.44 ± 1.89%的最高准确率,相比全连接网络分别提升了3.12%和0.92%。此外,该方法在与其他基线方法(如固定密度阈值、最小生成树MST)的比较中也表现出优越性,证明了任务自适应稀疏优化相对于依赖先验假设方法的优势。
在“3.2. Emotion-Dependent Network Integration and Segregation”中,研究深入探讨了不同情绪状态下的网络拓扑差异。全局效率(衡量网络整合能力)的分析显示,快乐状态在Beta和Gamma频段均表现出最高的全局效率,呈现“快乐 > 中性 > 悲伤”(Beta频段)和“快乐 > 悲伤 > 中性”(Gamma频段)的模式,表明快乐情绪促进了大规模的情感信息整合。相反,局部效率(衡量网络分离能力)和聚类系数的地形图分析则揭示了不同的模式:中性情绪状态在双侧顶叶区域显示出最高的局部效率和聚类系数,其次是悲伤状态,而快乐状态最低。这种空间分布特征表明,中性状态具有更强的局部分离和小世界组织特性。动态稀疏优化功能连接网络的可视化进一步印证了这些发现:快乐状态表现出更多的长程、跨区域连接,特别是额叶与顶叶/枕叶区域之间的连接;而中性状态则主要表现出集中在枕叶和顶叶区域内的局部、短程连接。
在“3.3. Small-Worldness and Network Organization Patterns”中,研究评估了小世界属性。结果显示,中性情绪状态在Alpha、Beta和Gamma三个频段均表现出最高的值,其次是悲伤状态,快乐状态最低。这表明中性状态的大脑网络在局部处理和全局整合之间达到了最佳的平衡,具有最典型的小世界特性。
在结论与讨论部分,研究强调了该数据驱动框架的核心价值。首先,它将网络稀疏度从经验选择转变为基于任务性能的优化超参数,解决了传统方法中阈值主观性强、可能扭曲网络拓扑的问题,为脑网络构建提供了客观基准。其次,研究揭示了情绪依赖的整合-分离配置:快乐情绪通过增强全局效率实现广泛的信息整合,支持趋近动机和奖赏预期;中性情绪则通过增强局部效率和聚类系数维持高效的小世界组织,代表了一种能量高效的基线监控状态。此外,研究特别指出了Beta和Gamma频段在情绪处理中的关键作用,这两个高频段与快速的局部到跨区域通信密切相关,其稀疏优化网络能够最敏锐地捕捉情绪状态的动态重构。尽管研究使用了PCC可能存在容积传导效应的局限性,但稀疏优化本身作为一种过滤手段,有效去除了弱连接噪声,保留了核心的情绪相关连接。这项研究不仅为情绪识别提供了高性能的计算框架,也为深入理解情绪调节的神经机制提供了网络层面的实证依据,未来有望应用于精神疾病诊断和自适应脑机接口系统。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号