《Brain Research》:Generalization of familiarity-related neural patterns to emotional facial expressions
编辑推荐:
情绪性面部表情已知会使面部加工产生偏差,然而此类效应是否延伸至与面孔熟悉度相关的神经信号仍不清楚。在这项针对公开可用脑电图(EEG)数据的二次分析中,研究人员使用跨数据集多变量模式分析(MVPA),检验了已建立的面孔熟悉度神经特征是否可泛化至情绪表情。参与者在
情绪性面部表情已知会使面部加工产生偏差,然而此类效应是否延伸至与面孔熟悉度相关的神经信号仍不清楚。在这项针对公开可用脑电图(EEG)数据的二次分析中,研究人员使用跨数据集多变量模式分析(MVPA),检验了已建立的面孔熟悉度神经特征是否可泛化至情绪表情。参与者在两个独立的实验中观看面孔:一个涉及明确的情绪分类(快乐、愤怒、悲伤、中性),另一个涉及个人熟悉和不熟悉的身份。训练用于区分熟悉与不熟悉面孔的线性判别分析(LDA)分类器被交叉应用于情绪表达,反之亦然,并采用了互补的重新标记策略。在所有分析中,愤怒表情的神经模式显示出最强且最持续的泛化至熟悉度相关神经信号,出现在刺激后约200毫秒并持续整个试次(后部区域峰值Cohen’s d = 1.35)。快乐和悲伤表情的神经模式显示出较弱且短暂的泛化(200–400毫秒),而中性表情始终与不熟悉模式对齐。这些发现表明,威胁相关面部表情表现出的神经动态与已建立的熟悉度信号在模式结构上表现出收敛,扩展了先前关于情绪表情(尤其是愤怒)系统地调节身份之外的面孔表征的证据。
论文解读:情绪表情与面孔熟悉度的神经模式泛化研究
本研究发表于《Brain Research》,旨在探讨情绪性面部表情是否能够调节与面孔熟悉度相关的神经信号。长期以来,面孔加工领域虽已确立身份与表情处理的独立性,但越来越多的证据表明二者在神经表征上存在交互。特别是过往研究发现情绪表情能够增强陌生个体的身份表征,但对于这种增强是否延伸至“熟悉度”这一特定的记忆信号尚不明确。为了填补这一空白,研究人员利用公开的脑电图(EEG)数据,采用先进的跨数据集多变量模式分析(MVPA),系统性地检验了情绪表情与熟悉度信号之间是否存在共享的神经表征结构。
关键技术方法
本研究采用了两项已发表的EEG实验数据。第一项“2AFC Facial Expressions”实验包含24名参与者,使用瑞典卡罗林斯卡情绪面孔数据库(KDEF)的32张彩色图片(4身份×2性别×4情绪),要求参与者进行情绪二选一迫选任务。第二项“Personally Familiar and Unfamiliar Faces”实验包含22名参与者,观看50张个人熟悉和50张不熟悉的灰度照片,并辅以蝴蝶检测任务以维持注意力。数据分析核心在于跨数据集MVPA,具体使用了线性判别分析(LDA)分类器。研究人员实施了三种主要的跨分类逻辑:(1) Familiarity to Emotion (Each Emotion Separately):将熟悉/不熟悉分类器应用于每种情绪;(2) Familiarity to Emotion (With Neutral as Unfamiliar):将中性标记为“不熟悉”,情绪标记为“熟悉”;(3) Emotions to Familiarity:将情绪(快乐、愤怒、悲伤)标记为“熟悉”,中性标记为“不熟悉”,再测试其对熟悉/不熟悉数据集的分类能力。统计上结合了簇置换检验(cluster permutation tests)和贝叶斯t检验。
研究结果
3.1. Familiarity to Emotion cross-classification (each facial expression separately)
当将训练好的熟悉度分类器应用于情绪数据集时,仅愤怒表情显示出可靠的跨分类结果。具体而言,愤怒面孔从约200毫秒开始显示出显著的神经模式重叠,在中央和后部区域形成显著簇,后部区域效应最为持久(200–995毫秒,峰值Cohen’s d > 1)。搜索光分析确认了这一广泛时空簇(135–995毫秒)。相比之下,快乐、悲伤和中性表情未产生显著效应,中性表情甚至在某些时间点表现出与“不熟悉”的对齐趋势。
3.2. Familiarity to Emotion cross-classification (neutral relabeled as unfamiliar)
在此分析框架下,将所有情绪视为“熟悉”、中性视为“不熟悉”。结果显示,愤怒表情再次产生了最强的泛化效应,具有两个显著的早期和晚期解码窗口(205–290毫秒和330–485毫秒)。搜索光分析揭示了一个几乎覆盖整个epoch的后部簇(130–1000毫秒)。快乐表情显示出较弱且短暂的重叠(145–340毫秒),悲伤表情仅在左后部区域有局部效应。这表明尽管所有情绪都与熟悉度有一定关联,但愤怒的优势最为明显。
3.3. Emotion to Familiarity cross-classification
反向分析即从情绪到熟悉度的跨分类进一步验证了上述结论。愤怒、快乐和悲伤表情均能泛化至熟悉度,但强度和时序存在差异。愤怒面孔产生了最大且最持久的簇(始于~200毫秒,峰值Cohen’s d = 1.71),搜索光分析显示其效应广泛。快乐面孔产生了两个显著簇(180–335毫秒和415–650毫秒),悲伤面孔则显示出三个分离的簇。总体而言,愤怒表情在双向跨分类中均表现出最稳健的一致性。
讨论与结论总结
研究人员在讨论中指出,跨数据集MVPA的成功并不意味着情绪表情本身具有内在熟悉度,而是表明两者在分布式头皮记录的神经活动时空结构上具有相似性。这种重叠可能源于情绪(尤其是威胁)对注意增益的调制、身份表征独特性的增强,或是两者共享评估社会相关性的高级系统。重要的是,研究强调这种泛化反映的是表征几何结构或计算阶段的共享,而非神经元群体的同一性。
结论部分重申,情绪性面部表情,特别是愤怒表情,引发的神经动态与已建立的熟悉度相关模式在结构上相似。这种收敛始于刺激后约200毫秒,并持续至中后期加工阶段。该研究证实,熟悉度是由时空扩展的、可泛化的神经模式支持的,而情绪显著性(尤其是威胁)能够系统地调节这些通常与面孔熟悉度相关的表征维度。