情绪的FMRI研究综述
脑科学的实验和研究
脑科学的实验和研究随着科技水平的不断提高，脑科学的研究也成为了人们关注的焦点。
了解人类大脑是如何工作和运转的，可以为生理医学、心理学、计算机科学等领域的发展提供巨大的帮助。
在脑科学的研究过程中，实验是一种非常重要的方法。
本文将介绍一些常见的脑科学实验，并探讨它们在研究中的应用和效果。
1. fMRI实验fMRI全称为功能性磁共振成像，是一种非侵入性的测量大脑活动的技术。
fMRI实验通常是将被试者放在一个巨大的磁共振扫描器中，然后让他们执行某些认知任务，例如看图片、听声音等。
通过扫描获得的图像可以显示出不同脑部区域的活动状态。
fMRI实验在脑科学研究中应用广泛。
例如，通过fMRI可以研究大脑对不同外部刺激的响应，比如颜色、声音、味道等。
同时，还可以研究大脑对不同情绪状态的响应，例如快乐、悲伤、恐惧等。
此外，fMRI还可以帮助研究认知过程，比如注意力分配、记忆等。
2. EEG实验EEG全称为脑电图，是一种记录大脑电活动的技术。
在EEG实验中，被试者会在头部戴上一些电极，记录大脑神经元的放电活动，并将其转化为可视化的脑电图。
EEG实验在脑科学研究中也是一种非常常用的工具。
通过EEG 实验可以研究不同脑区的功能差异，例如左右脑的交互作用、视觉和听觉处理区域的差异等。
同时，EEG还可以帮助研究治疗某些神经疾病的方法，例如癫痫、帕金森病等。
3. TMS实验TMS全称为经颅磁刺激，是通过磁场刺激大脑神经元的一种技术。
在TMS实验中，被试者会在头部接受一定程度的磁场刺激，通过观察被试者的反应来研究大脑活动。
TMS实验主要用于研究大脑区域的功能和功能区域之间的联系。
例如，可以通过刺激某个脑区来研究该脑区的功能，或者通过刺激某些脑区来研究它们之间的联系。
综上所述，脑科学实验在研究大脑的结构和功能方面发挥着重要作用。
通过实验，我们可以了解大脑区域的不同功能、不同脑区之间的联系、大脑对外部刺激的反应等。
这些信息可以为不同领域的发展提供帮助，例如医学、心理学、计算机科学等。
情绪智力的研究综述
情绪智力的研究综述摘要：情绪智力研究是针对传统智力研究不足提出的。
本文对已有的情绪智力研究成果进行梳理总结，综述了情绪智力的概念、理论、结构、研究方法及测量，提出了情绪智力研究中存在的问题，并预测了情绪智力研究可能会呈现的趋势。
关键词：情绪智力；情绪智力理论；学院派；实务派；研究方法一、情绪智力概念的界定及探讨情绪智力( Emotional Intelligence)这个词是德国人Barbara Leuner(1966)首先提出的[1]。
1986年柏尼(W. P. Payne) 在博士论文《情绪研究》中明确探讨了发展情绪智力的问题。
而将情绪智力作为理论概念正式提出的却是美国耶鲁大学的萨洛维()和新罕布尔大学的梅耶(),1989--1990年，他们连续发表两篇学术论文，正式提出了情绪智力的概念和理论，将情绪智力定义为：“监察自身和他人的感情和情绪的能力,区分情绪之间差别的能力，以及运用这种信息以指导个人思维和行动的能力”。
在他们提出情绪智力的概念之后，围绕情绪智力概念的讨论日渐激烈，其中最出名的是哈佛大学心理学教授Daniel Goleman,他于1995年在《情绪智力:为什么它比智商更重要》一书中将情绪智力定义为:了解自身感受,控制冲动和恼怒,理智处事,面对考验时保持平静和乐观心态的能力。
此外，与现在的情绪智力相提并论的情商(emotionalquotient ，EQ)概念则是由巴昂于1988 年在其博士论文中首创的。
2000 年，他主编了《情绪智力手册》( the Handbook of Emotional Intelligence)，全面介绍了情绪智力的研究情况，认为情绪智力是影响人应付环境需要和压力的一系列情绪的、人格的和人际能力的总和。
它是决定一个人在生活中能否取得成功的重要因素，直接影响人的整个心理健康。
自从情绪智力于1996年传入中国以来，学者们纷纷给情绪智力下定义，如许远理将情绪智力定义为“感知与体验、描述与评价、调节与控制内省情绪、人际情绪、生态情绪的能力”。
情绪心理学研究方法
情绪心理学研究方法情绪是人类心理活动中一个极其复杂且重要的方面，它影响着我们的思维、行为和身体健康。
为了更好地理解情绪，情绪心理学应运而生，并且发展出了多种研究方法。
观察法是情绪心理学研究中较为基础的一种方法。
研究者通过自然观察或控制观察的方式，对被试在特定情境中的情绪表现进行观察和记录。
比如，在幼儿园中观察孩子们在玩耍时的情绪反应，或者在实验室中设置特定的任务，观察参与者的表情、动作和语言等。
这种方法能够直接获取真实的情绪表现，但也存在一定的局限性，观察者的主观判断可能会影响结果的准确性，而且某些情绪可能在被观察时发生改变。
实验法在情绪心理学研究中具有重要地位。
通过精心设计实验，研究者可以控制自变量，观察因变量的变化，从而探究情绪产生的原因和影响。
例如，通过给被试呈现不同的刺激，如愉快或悲伤的图片、音乐等，观察他们的生理反应（如心率、血压）和行为表现。
实验法的优点在于能够明确因果关系，但实验环境的人为性可能导致结果与现实生活中的情绪体验有所差异。
调查法也是常用的手段之一。
它可以通过问卷、访谈等方式收集大量被试的信息。
问卷能够快速获取大量数据，但问题的设计和被试回答的真实性可能存在问题；访谈则可以更深入地了解被试的情绪感受，但费时费力，且访谈者的引导可能影响被试的回答。
生理测量法为情绪研究提供了客观的依据。
例如，测量皮肤电反应、脑电波、激素水平等生理指标，来反映情绪的变化。
这种方法具有较高的准确性，但往往需要专业的设备和技术支持。
心理生理学法将心理学和生理学相结合，研究情绪与生理过程之间的关系。
比如，研究压力情境下情绪如何影响免疫系统的功能。
神经影像学方法，如功能性磁共振成像（fMRI），可以帮助研究者观察大脑在不同情绪状态下的活动区域和神经连接。
这为揭示情绪的神经机制提供了直观的证据，但设备昂贵，实验操作复杂。
在情绪心理学研究中，多方法的综合运用是常见的趋势。
单一的研究方法往往难以全面、准确地揭示情绪的本质，多种方法相互补充、相互验证，可以得到更可靠的结论。
基于同步EEG-fMRI采集的情绪认知重评数据特征融合分析研究
第42卷第5期自动化学报Vol.42,No.5 2016年5月ACTA AUTOMATICA SINICA May,2016基于同步EEG-fMRI采集的情绪认知重评数据特征融合分析研究邹凌1严永1杨彪1李文杰1潘昌杰2周仁来3摘要脑电(Electroencephalography,EEG)与功能磁共振成像(Functional magnetic resonance imaging,fMRI)为脑科学研究提供了互补的时空信息.为研究大脑在对情绪图片采取认知重评策略时的神经活动,基于同步采集的EEG-fMRI数据,应用典型相关分析、经验模态分解及k-均值聚类等算法对融合情绪数据进行交叉关联和盲源分离,得到空间上的fMRI图像和与之对应的EEG时间演变信号.结果表明:时域上,CCA分离出的脑电成分在认知重评状态下有明显的晚期正电位(Late positive potential,LPP)(潜伏期200ms∼900ms)出现,而且认知重评策略诱发下的LPP波幅明显小于观看负性诱发的LPP波幅(F(1,224)=28.72,P<0.01),而大于观看中性诱发的LPP波幅(F(1,224)=63.32,P<0.01);与之对应的空域上,可以明显地看出和情绪调节相关的扣带回,额叶、颞叶等区域有明显激活区,采用情绪认知重评策略时的脑区激活强度明显小于观看负性状态,而大于观看中性,且观看中性状态下被激活的与情绪相关的区域相对较少.研究表明,这种融合数据分析技术通过计算两种模态数据之间潜在的线性相关性,可以有效地分离出大脑在时空上神经活动情况,达到了同时描绘出大脑神经活动的时间信息与空间信息的效果.关键词脑电,功能磁共振成像,典型相关分析,认知重评,特征融合引用格式邹凌,严永,杨彪,李文杰,潘昌杰,周仁来.基于同步EEG-fMRI采集的情绪认知重评数据特征融合分析研究.自动化学报,2016,42(5):771−781DOI10.16383/j.aas.2016.c150545Feature Fusion Analysis of Simultaneously Recorded EEG-fMRI inEmotion Cognitive ReappraisalZOU Ling1YAN Yong1YANG Biao1LI Wen-Jie1PAN Chang-Jie2ZHOU Ren-Lai3Abstract Electroencephalography(EEG)and functional magnetic resonance imaging(fMRI)provide complementary spatio-temporal information for brain function study.In order to study the neural activity during the process of cognitive reappraisal strategy when emotional images are taken,canonical correlation analysis(CCA),empirical mode decomposition (EMD)and k-means clustering algorithms are used tofinish the steps of cross-correlation and blinded source separate for simultaneously acquired EEG-fMRI emotion data.Spatial maps for fMRI data and the corresponding temporal evolution features of EEG signals are thus obtained.The results show that EEG components separated by CCA in cognitive reappraisal state have obviously late positive potential(LPP),with latency from200ms∼900ms,meanwhile the amplitudes of LPP evoked by taking cognitive reappraisal strategy are less than that evoked by watching negative images (F(1,224)=28.72,P<0.01),but more than that evoked by watching neutral images(F(1,224)=63.32,P<0.01).The corresponding spatial regions have apparent activation regions,such as cingulate,frontal,temporal lobe and other regions related to emotion regulation.What is more,the activation intensity evoked by taking cognitive reappraisal strategy is significantly less than that evoked by watching negative images,while it is more than that evoked by watching neutral images.The activated areas related to emotion are small when participants are watching neutral images.This fusion data processing technology computes the potential linear correlation between two modal data,which can effectively separate neural activities of the brain both in spatial and temporal domains,and can achieve the effects of obtaining temporal and spatial information of the brain activity at the same time.Key words Electroencephalography(EEG),functional magnetic resonance imaging(fMRI),canonical correlation anal-ysis,cognitive reappraisal,feature fusionCitation Zou Ling,Yan Yong,Yang Biao,Li Wen-Jie,Pan Chang-Jie,Zhou Ren-Lai.Feature fusion analysis of simultaneously recorded EEG-fMRI in emotion cognitive reappraisal.Acta Automatica Sinica,2016,42(5):771−781收稿日期2015-09-02录用日期2016-01-25Manuscript received September2,2015;accepted January25, 2016国家自然科学基金项目(61201096,51307010),常州市科技项目(CE20145055),江苏省青蓝工程资助Supported by National Natural Science Foundation of China (61201096,51307010),Science and Technology Program of Changzhou(CE20145055),Qing Lan Project of Jiangsu Province本文责任编委潘泉Recommended by Associate Editor PAN Quan1.常州大学信息科学与工程学院常州2131642.南京医科大学附772自动化学报42卷在近一个世纪的大脑功能研究中,脑电(Elec-troencephalography,EEG)研究和功能磁共振成像(Functional magnetic resonance imaging,fMRI)研究一直处于非常重要位置.EEG信号是一种神经点活动,它是由大脑的椎体细胞产生的,其毫秒级别的时间分辨率为神经元活动提供了合适的时序动态.而EEG信号在空间分布上有很大的局限性,由于大脑中的脑脊髓液、头皮、颅骨等导体的作用,所记录到的任意一点的EEG信号都有可能是多个脑区中神经活动的混合过程,通过EEG信号反演出大脑神经活动的具体位置是国际上公认的难题.因此,EEG信号具有较低的空间分辨率,但具有很高的时间分辨率.fMRI测量的是大脑脱氧血红蛋白和含氧血红蛋白的磁化率变化引起的血氧水平依赖(Blood oxygenation level-dependent, BOLD)信号.当施加外界的刺激时,在T2加权成像上BOLD信号随之增大.fMRI所用到的空间体素大小通常为50mm3,因此在空间上为脑科学研究提供了更高的空间分辨率[1].但BOLD信号一般响应时间在1s∼5s,所以在时间分辨率上有很大的劣势.随着脑科学研究的不断深入,科学家们发现脑科学的单模态研究在时空上有很强的单方面制约性,人们希望通过对大脑的时间和空间两方面信息的整合来实现多模态观测,这对研究精神类疾病的发病机制和认知科学的研究都起到了至关重要的作用,而EEG与fMRI在时空上的互补性为两种模态研究提供了融合的可行性[2−3].该研究也为人机融合控制系统研究[4]提供了理论和实践依据,为医疗康复领域的快速发展提供动力.EEG-fMRI融合框架大致可以分为三种:1)空间约束,即基于fMRI空间约束的EEG源成像[5].该融合框架是通过对fMRI空间信息的研究,使用fMRI空间信息约束EEG信号中的源位置.其方法通常是采用独立成分分析(Independent component analysis,ICA)算法从fMRI中提取大脑功能网络的感兴趣区域(Region of interest,ROI)并以之作为EEG源定位的先验信息,其核心思想就是利用fMRI的空间先验信息来提高EEG源定位的精确度[6].2)时间预测,即基于EEG时间先验信息的fMRI成像研究.这种框架在EEG-fMRI融合研究中得到广泛应用,采用的是以EEG信息作为预测的基础上对fMRI时间进程进行建模,根据神属常州市第二人民医院影像科常州213003 3.南京大学社会学院心理系南京2100231.School of Information Science and Engineering,Changzhou University,Changzhou2131642.Department of Radiology, the Second People s Hospital of Changzhou,Affiliated of Nan-jing Medical University,Changzhou2130033.Department of Psychology,Nanjing University,Nanjing210023经活动的EEG时间信息的强度,对BOLD信号解卷积,得到和生理假设更贴切的血氧动力学函数(Hemodynamic response function,HRF).该方法通常采用ICA算法提取EEG数据中的单次试验(Trail)ERP特征作为先验信息,然后对fMRI信号进行HRF重建[7].3)融合框架为对称融合,即EEG-fMRI时空对称融合.该方法采用共同的构造模型来融合两种模态的数据,通常采用ICA算法对EEG与fMRI数据分别在时间和空间上做独立成分分解,之后基于EEG和fMRI的独立成分,分别在空间模式和时间过程上建模.时空对称融合方法结合空间约束和时间预测两种模型并进行时空的并行整合来达到时间和空间上的融合[8].典型相关分析(Canonical correlation analysis,CCA)方法基于线性混合模型从各组数据中分别提取相关的典型相关成分(EEG的时间信息、fMRI的空间信息),通过寻找两种模态数据的最大共变性确定数据集中成分之间的相关性,并计算相关系数.可以通过这种方法确定与EEG波形相类似的fMRI激活区域的动力学响应.与使用单一变量确定EEG一个潜伏期内特征和单个fMRI激活区域之间关系的方法不同,这种方法可以确定若干潜伏期的波形特征和一些fMRI激活区域之间的关系.因此CCA方法可以更好应用于研究脑功能区域定位和神经元之间的功能连接,应用到多被试、多模态的数据处理之中[9].近年来情绪认知重评的研究越来越热门,已经成为认知神经学、临床医学、社会学等诸多领域的热门话题.认知重评是先行关注策略的一种发生在个体情绪产生的早期,就是要通过转变认知视角以调整情绪事件对自身的影响,通常通过对类似恶心、恐惧、自卑等负性事件的重新看待来淡化负性情绪的影响以此达到认知重评的目的[10].在情绪认知重评的国内外研究中,通常对单一模态数据单独进行分析.通过对情绪调节过程中所产生的EEG信号的研究,发现事件相关电位(Event related potential,ERP)的一个重要成分—晚期正电位(Late positive potential,LPP)反映了对情绪的调节作用[11].LPP波幅会在300ms左右呈现一个正向的波形并在300ms∼800ms达到最大值,之后逐渐降低[12−13].fMRI技术也是情绪认知研究的重要方法,fMRI技术能够从空间角度描述大脑中哪些脑区参与了情绪的调节.研究表明,在使用调节策略时,大脑的扣带回、额叶、颞叶等区域会发生不同程度的激活,基于这一情况来研究大脑内部的神经活动[14].本文采用经典情绪认知重评视觉刺激实验范式,通过同步EEG-fMRI采集技术,获得EEG和fMRI 数据,结合EEG较高的时间分辨率和fMRI较高5期邹凌等:基于同步EEG-fMRI采集的情绪认知重评数据特征融合分析研究773的空间分辨率的优势,从时域和空域两个角度同时研究大脑在认知重评时的神经活动.首先,对采集到的数据进行预处理,去除EEG信号中在核磁环境下所产生梯度场噪声和心电、眼电、肌电等噪声,对fMRI图像进行时间校准、头动校正、空间标准化、空间平滑等预处理;然后,分别对预处理之后EEG 与fMRI数据做特征提取,提取EEG中ERP潜伏期内的波幅特征并使用HRF函数对EEG时间序列进行卷积,运用聚类的方法和标准脑模板—自动解剖图集(Anatomical automatic labeling,AAL)提取fMRI中的感兴趣区域;最后,使用CCA算法计算这两种模态数据之间的相关性,找出相关系数较大的成分,并研究其时间信息与空间信息,观察LPP时,空间上的激活区域是否与情绪变化相关.研究表明,通过CCA融合框架得到的LPP成分在500ms达到最大,并且采用认知重评策略的LPP 波幅低于观看负性的LPP波幅而高于观看中性的LPP波幅;在fMRI激活区域方面,在降低负性状态下参与情绪加工的杏仁核、额叶和扣带回等感兴趣区域的激活强度明显低于观看负性的感兴趣区域,并且高于观看中性的感兴趣区域.因此,CCA融合框架可以准确地获得情绪认知重评EEG-fMRI时间和空间上的融合信息.1方法融合框架的原理图如图1所示.EEG信号通过预处理、经验模态分解(Empirical mode decompo-sition,EMD)等算法提取相应特征之后得到特征矩阵Y EEG,是不同试次的时间序列与HRF函数卷积之后的矩阵,行表示单个试验的时间序列,列表示试验数.同样地,使用聚类算法提取fMRI数据特征之后,得到特征矩阵Y fMRI,包括不同扫描次数的感兴趣区域.矩阵的行表示每次扫描的感兴趣区域,列表示扫描次数.即EEG的试验数与fMRI的扫描次数相对应,EEG的单个试次时间序列与fMRI的每次扫描感兴趣区域相对应之后,通过多模态数据试验之间(Trail to trail)的变化计算得到最大相关矩阵M,最后得到分解出来的相关成分C.在此框架中,每个成分都有且只有一个在另外一种模态数据中与之相关的成分.总体模型通过式(1)得到,Y k=M k C k,k=1,2,3,···,N(1)式中,Y k∈R T×V k,M k∈R T×D,C k=R D×V k, T是Y k时间点数,k表示模态数,V k是Y k中的变量数量(fMRI中的脑区个数或者是EEG中单个Trail的时间点数),D是矩阵Y k的秩的最小值.对每种模态数据而言,相关矩阵M k中第i列矩阵(M(i)k,i=1,2,···,D)满足以下属性:1)典型变量处于同一组中互不相关,即每一个数据矩阵M k中的M(i)k之间不相关,每一个数据集都有零均值和单位方差.2)仅仅在相应的指标中,相关矩阵M(i)k才有非零的相关系数,并且相关系数r(i)k,l=M(i)TkM(i)l.这里的相关矩阵M是可以由下一节介绍的典型相关分析算法获得.图1EEG-fMRI数据融合框架Fig.1Framework of EEG-fMRI data fusion1.1经验模态分解EMD算法可以将任何复杂的数据集分成一系列的固有模态函数(Intrinsic mode function,IMF)之和.EMD分解过程如下:1)设输入信号为X(t),找出X(t)的所有局部极大值和局部极小值.2)计算输入信号的上包络线e u(t)与下包络线e l(t),并计算其均值曲线m(t).3)根据IMF约束条件从X(t)中计算出第一个IMF分量IMF1(t).4)把分离出第一个IMF分量之后的剩余信号记为r1(t).如果r1(t)大于一个零值点,就将r1(t)作为一个新的原始信号返回第1)步重新计算出下一个IMF.如此循环计算,直到最后一个剩余信号r n(t)没有经过零点的值或者是r n(t)有足够小的频率以至于不能再进行IMF分解.因此,原始信号可774自动化学报42卷表示为:X(t)=nk=1IMF k(n)+r n(t)(2)1.2k-均值聚类算法k-均值聚类(k-means clustering)算法是比较常用的一种聚类算法.其主要原则是一个对象要划分到一个类中,是通过多次的反复迭代,使得相同簇内的元素具有尽可能高的相似度、不同簇之间的相似度尽可能低.具体步骤为:1)对于数据对象集,任意选取K个对象作为初始的类中心;2)根据类中对象的平均值,将每个对象重新赋给最相似的类;3)更新类的平均值,即计算每个类中对象的平均值;4)重复第2)步、第3)步直到不再发生变化.1.3典型相关分析(CCA)算法设有两组零均值随机变量X与Y,令X= [x1,x2,···,x n]与Y=[y1,y2,···,y n],CCA的目标在于寻找一对投影向量u和v,满足z1=u T X 和z2=v T Y之间具有最大的相关系数,其准则函数为:arg maxu,v v ρ=w T S xy v√u T S xx u×v T S yy v(3)其中,矩阵S xx和S yy分别代表的是矩阵X和Y 的协方差,S xy表示的是X和Y之间的互协方差矩阵,可令u T S xx u=v T S yy v=1,求出一对矢量(u1和v1)并作为第一对投影矢量;当得到前k−1对投影矢量(u i和v i)(i=1,···,k−1)后,第k对投影矢量满足如下约束条件:u Tk S xx u k=v TkS yy v k=1u T i S xx u k=v TiS yy v k=0,i=1,2,···,k−1(4)利用Lagrange乘数法,可得两个广义本征方程:S xy S−1yyS yx u=λ2S xx uS yx S−1xx S xy v=λ2S yy v(5)记w=[u T,v T]T,λ=[λ1,λ2,···,λd,λd+1,···,λi]为特征值,且λ=0,与非零特征值λi相对应的特征向量为u i和v i,这里i=1,···,d,则典型变量M i可由特征向量变化得到,并根据M i计算各随机变量的相关成分C i与典型相关系数r i:C i=(M Ti M i)−1M Tix ir(i) x,y =M(i)TxM iy(6)2实验设计2.1实验对象本实验共采集25名健康成年人的EEG-fMRI数据,20男5女,年龄在19岁至24岁之间(平均22岁),所有被试都是右利手,都没有神经系统及眼科疾病.所有实验均通过常州大学伦理委员会批准且签署被试知情同意书.2.2实验设备同步采集系统结构图如图2所示.系统分为两部分:MR控制及EEG数据采集室和MR扫描室.MR控制及EEG数据采集室主要构成如下:Net-station采集回放分析软件(含特殊去噪功能)、E-prime呈现刺激电脑、放大器时钟同步接收盒、转换器、响应盒、数据线、系统时钟接口、TR事件接口及其他附属配件.扫描室有fMRI扫描仪、放大器屏蔽系统(Field isolation containment sys-图2同步EEG-fMRI数据采集系统结构图Fig.2Constructional detail of simultaneouslyEEG-fMRI data acquisition system5期邹凌等:基于同步EEG-fMRI采集的情绪认知重评数据特征融合分析研究775tem,FICS)、响应盒及刺激呈现装置(如投影仪).同步EEG-fMRI实验在常州市第二人民医院影像科进行.脑电设备采用了美国EGI公司的64导核磁型脑电采集系统,电极位置遵循国际10-10电极系统空间分布,参考电极为Cz电极,采集软件是Net-station,采样频率为250Hz,每个电极处的头皮电阻抗低于50kΩ.核磁设备为Philips公司的3.0T超导型功能磁共振成像系统,fMRI扫描参数: TR=2000ms,TE=35ms,翻转角(Flip angle)为90°,视野(FOV)=230mm×180mm,层厚4mm,连续扫描24层,实验采用无间隔顺序扫描的扫描方式.融合实验通过时钟同步盒使EEG与fMRI数据采集的时间达到同步.2.3实验范式本次实验采用视觉刺激实验范式[11],单次实验共有120张刺激图片,包含40张中性图片(如日常生活用品、景观、食物等)和80张负性图片(伤残、暴力、灾难等).试验中所选的刺激图片均来自国际情绪图片库(International affective picture system,IAPS).情绪图片的唤醒度(中性图片:M= 2.91,SD=1.93;负性图片:M=5.71,SD=2.61).实验用E-Prime软件进行流程化设计,实验总共进行4次时钟循环,每个循环有30次试验,共120次试验;其中,观看中性40次,观看负性40次和降低负性40次,图片均为随机呈现.单次试验的流程为:首先是在屏幕上会出现4秒的情绪调节提示词(包括“降低”和“观看”),之后是2秒的空屏,接下来是6秒的任务态(“观看”提示词后面是负性图片和中性图片随机出现,“降低”提示词后面出现的是负性图片),最后是4秒的放松时间.实验范式如图3所示.实验开始之前会对被试进行一个简单的训练,主要目的是确保被试在实验时可以根据研究所要求的方式调节情绪.实验要求当出现“观看”提示词时,被试应该以正常的心态观看后面出现的负性图片或者中性图片,这一部分要求被试不需要进行情绪调节,被试看到图片时是什么样的情绪状态就表现出这样的情绪状态.当出现“降低”提示词时,紧接着出现的是负性刺激图片,这一部分要求被试使用情绪调节策略完成实验,如以第三者的心态观看图片或者想象这种负性的场景是电影中的场景.3数据处理认知重评EEG-fMRI实验数据分析主要包括三个部分:数据的预处理、特征提取和基于CCA算法的数据融合,图4为数据处理总体框图.由于同步采集到的原始EEG信号与fMRI数据或多或少都会存在各种各样的噪声,比如,梯度场噪声、心电噪声、肌电、头动等噪声,因此,首先要进行预处理及标准化处理.使用Net-station软件和EEGLAB 软件预处理EEG数据,使用SPM等工具箱预处理fMRI数据,并分别对两种数据模态进行标准化使其保持零均值与单位方差;然后分别提取EEG信号与fMRI图像的特征.其中,在EEG特征方面,提取脑电信号的LPP潜伏期内的波幅作为EEG时间特征;在fMRI特征方面,提取基于AAL模板的90个感兴趣区域(ROIs)并分别计算每个ROI上的均值作为fMRI空间特征.最后对EEG时间特征与fMRI空间特征做相关分析并计算其最大相关系数,寻找其相关性.图3情绪认知重评实验范式Fig.3Experimental paradigm3.1EEG预处理首先对采集到的情绪认知重评核磁环境下EEG数据在Net-station软件上进行预处理,其目的在于去除EEG信号中的梯度场、心电、工频干扰等噪声.处理步骤依次为:梯度场去噪、滤波:滤波范围(0.01Hz∼40Hz)、心电去噪、分段(−200ms∼1500ms)、伪迹检测、坏通道替换、基线校准.由于Net-station预处理之后的信号还残留一些肌电、工频、眼动等噪声,本文使用EEGLAB 工具箱,首先对单个被试EEG信号做平均重参考,之后进行独立成分分析[15],最后使用ADJUST (Automatic EEG artifact detector based on the joint use of spatial and temporal features)插件去除EEG信号中的噪声成分.3.2fMRI预处理在采集时,由于被试在核磁室中总会出现如头动等状况,会导致fMRI信号发生漂移,所以在对fMRI数据进行特征提取之前先做预处理.本776自动化学报42卷次数据预处理是在Matlab 中的SPM8(Statisticalparametric mapping)工具包以及REST (Resting-state fMRI data analysis toolkit)工具箱中完成.预处理主要包括时间层校正(Slice time)、头动校正(Realignment)、空间标准化(Normalize)、空间平滑(Smooth)及滤波.图4EEG-fMRI 融合分析具体步骤Fig.4Specific steps for of EEG-fMRI fusion analysis3.3EEG 特征提取对于经过预处理及标准化后的EEG 信号,提取具有LPP 特征的潜伏期波幅作为后续融合分析的脑电特征.首先,选取情绪调节研究中LPP 波幅特征明显的Poz 电极脑电信号.由于LPP 潜伏期为200ms ∼900ms,对于情绪认知重评中三种情绪刺激状态数据(每种情绪状态有40个Trails 数据),选取刺激呈现之后的900ms (225个连续不断的采样)信号波幅作为特征;接着,使用EMD 算法分别对每个试验的信号去噪[16].为了和fMRI 数据的时间进程保持一致,首先分别对EEG 数据中三种不同情绪刺激下的40个Trails 进行补零操作,把EEG 数据的一个Trail 变成5个Trails,此时每种情绪刺激状态下Trails 个数为40×5.之后分别把每个潜伏期的动态信息和HRF 函数卷积得到格式为Trails (200)×Latencies (225)的数据.3.4fMRI 特征提取预处理及标准化后的单个被试fMRI 数据为四维矩阵(一维的时间点和三维的空间体素(Vox-els)),需要将其中的三维空间体素降维到一维.由于BOLD 信号往往有4s ∼8s 的延迟[17],因此,每个试次(Trails)中取刺激呈现之后的5个时间点.即每种刺激状态下的时间维度为扫描次数(Trails ×5=200).根据实验范式分别提取与EEG 信号相对应的不同情绪状态下的fMRI 数据.为了提取更准确的和情绪相关的感兴趣区域,对上述操作之后的数据做了k -means 聚类处理,并以此制作Mask,并根据此Mask 去掉数据中一些和研究无关的背景.使用SPM 软件,根据AAL 模板对每个时间点计算出全脑90个感兴趣区域的均值来表示每个感兴趣区域.3.5数据融合为了消除个体间的差异,把所有被试经过特征提取后的EEG 和fMRI 特征叠加平均之后作为CCA 的输入信号.输入信号都是200行的矩阵,其中EEG 数据每行有225个采样点,fMRI 数据每行有90个脑区均值.两种模态数据经过CCA 计算相关系数,并通过交叉验证的方法计算出变换矩阵M,并根据融合框架部分介绍的重构方法通过变换矩阵M 及式(6)得到时域和空域上的相关成分.4结果及分析图5为某个被试在降低负性状态下的EEG 及fMRI 特征提取之后某个Trial 结果.其中5(a)为EEG 特征提取之后的某个Trail 的波形;5(b)为聚类算法制作掩膜之后,掩膜降低了fMRI 数据复杂度,并得到其中一幅脑区激活图.从图5可以看出,经过EMD 去噪和特征提取之后的EEG 数据与认知重评的LPP 成分接近.基于聚类的fMRI 特征提5期邹凌等:基于同步EEG-fMRI 采集的情绪认知重评数据特征融合分析研究777取结果可以得到包含与情绪认知重评相关的额叶、颞叶、扣带回等脑区,为后续EEG-fMRI 融合研究奠定基础.(a)EEG 特征提取之后的一个Trail的波形(a)Waveform of a trail after the EEG featureextraction(b)使用fMRI 掩膜之后的一幅激活图(b)An activation image by using fMRI mask图5某个被试降低负性状态下EEG-fMRI 特征提取结果Fig.5Outcome of EEG-fMRI feature extraction indecrease-negative condition by one subject采用CCA 算法对情绪认知重评实验范式下的EEG 、fMRI 两种模态数据之间的相关性计算,得到90个相关成分.本文主要关注EEG 中试次之间的时间变化与fMRI 空间感兴趣区域之间具有较大相关性的EEG-fMRI 相关成分.通过计算相关系数贡献率P i (P i >90%,P i =r i /r i )的方法选取贡献率大于90%的相关成分(见表1).其中,观看中性有5个相关成分,观看负性有7个相关成分,降低负性有6个相关成分;然后分别叠加平均每种情绪刺激状态下的EEG 与fMRI 相关成分,图6∼8为所有被试在三种情绪状态下的EEG-fMRI 相关成分叠加平均的结果,其中(a)为Poz 电极处同一种情绪状态下时域上的相关成分叠加平均结果图,横坐标为时间,单位为毫秒(ms),纵坐标为幅值(由于得到的是时域上的相关成分,只能反映潜伏期的波形趋势,不能反映电压大小,因此无量纲);(b)为同一种状态下空域上的相关成分叠加平均结果图,图中显示大脑16层切片,彩色部分为激活区域,右边彩色条为激活强度经过Z 变换的结果.如图6(a)为观看中性状态下5个EEG 典型相关成分叠加平均波形,结果表明被试在中性图片呈现后300ms ∼600ms 出现LPP 成分,且在500ms 时达到最大.图7(a)为观看负性状态下7个EEG 典型相关成分叠加平均,结果表明被试在负性图片呈现表1三种情绪状态下具有较大相关性EEG-fMRI相关成分Table 1Correlation component of EEG-fMRI which hashigher correlation by three emotion conditions相关成分相关系数观看中性观看负性降低负性成分10.9440.9660.913成分20.8880.9470.801成分30.8410.8770.731成分40.7410.8160.716成分50.6810.7650.606成分6N/A 0.6600.537成分7N/A0.584N/A(a)观看中性状态下EEG 相关成分平均结果(a)Average outcome of EEG correlation componentsby look-neutral condition(b)观看中性状态下EEG 相关成分平均结果(b)Average outcome of EEG correlation componentsby look-neutral condition图6观看中性状态下EEG-fMRI 相关成分平均结果Fig.6Average outcome of EEG-fMRI correlation components by look-neutral condition778自动化学报42卷(a)观看负性状态下EEG 相关成分平均结果(a)Average outcome of EEG correlation components bylook-negative condition(b)观看负性状态下EEG 相关成分平均结果(b)Average outcome of EEG correlation components bylook-negative condition图7观看负性状态下EEG-fMRI 相关成分平均结果Fig.7Average outcome of EEG-fMRI correlation components by look-neutral condition后100ms ∼700ms 出现LPP 成分,且在400ms 时达到最大.图8(a)为降低负性状态下6个EEG 典型相关成分叠加平均,结果表明被试在采用认知重评策略后200ms ∼700ms 出现LPP 成分,且在450ms 时达到最大.图9为上述三种情绪EEG 曲线对比图,使用SPSS 软件对三种情绪状态的EEG 平均相关成分进行统计学分析,得到观看负性与观看中性的均差值为21,F (1,224)=236.79(P <0.01);观看负性与降低负性的均差值为9,F (1,224)=28.72(P <0.01);降低负性与观看中性的均差值为11.99,F (1,224)=63.32(P <0.01).统计分析结果显示三种情绪状态下的LPP 有明显差异.采用认知重评策略时的LPP 波幅低于观看负性时的LPP 波幅,而且明显高于观看中性的LPP 波幅.该结果与文献所报道的结论基本一致[18].图6(b)为观看中性状态下5个fMRI 典型相关成分叠加平均,结果表明被试在观看中性图片时情绪相关脑区(如杏仁核、海马、颞叶等)有少量激活,多数激活区域分布在与情绪反应无关的脑区,且激活强度相对较小.图7(b)和图8(b)分别为观看负性降低负性状态下7个和6个fMRI 典型相关成分叠加平均,结果表明被试在这两种情绪状态下,情绪相关脑区(如杏仁核、海马、颞叶等)被大量激活,且激活强度相对较大.通过对三种情绪状态下的fMRI 相关成分分别叠加平均可以清楚得看出,观看负性状态下在大脑的颞叶、额叶、扣带回等和情绪相关区域有明显地激活(如表3,图7(b)所示).同样的降低状态下在杏仁核、颞叶、扣带回、额叶、海马等情绪相关区域有很明显的激活,而且杏仁核、海马和扣带回在情绪调节过程中起到很重要的作用(如表4,图8(b)所示).从激活强度(Z score)角度分析,采用认知重评策略的降低状态下的脑区(特别是直接参与情绪加工的杏仁核(41区)、眶部额下回(15区)和前扣带和旁扣带回(31区))激活强度明显弱于观看负性状态.而在观看中性状态下,这些脑区激活强度最小(a)降低负性状态下EEG 相关成分平均结果(a)Average outcome of EEG correlation componentsby decrease-negative condition(b)降低负性状态下EEG 相关成分平均结果(b)Average outcome of EEG correlation componentsby decrease-negative condition图8降低负性状态下EEG-fMRI 相关成分平均结果Fig.8Average outcome of EEG-fMRI correlation components by decrease-negative condition。
FMRI的进展以及应用
功能磁共振成像的进展以及应用字数：3198来源：健康必读·中旬刊2012年3期字体：大中小打印当页正文摘要：功能磁共振（fMRI) 技术因具有无创伤性、无放射性、较高的时间和空间分辨率等优点。
近年来，基于静息态功能磁共振(resting - state fMRI) 技术对癫痫、老年痴呆症、精神分裂症以及抑郁症等疾病的研究是热点。
本文综述了静息态fMRI 成像的基本原理及其在临床疾病研究应用。
关键词：静息态；功能磁共振；磁共振成像【中图分类号】R256.12【文献标识码】A【文章编号】1672-3783(2012)03-0020-0220世纪90年代初发展起来的血氧水平依赖的功能磁共振成像(blood oxygenation level- dependent functional MRI,BOLD-fMRI)技术具有无创伤性、无放射性、较高的时间和空间分辨率及可多次重复操作等优点，已成为现今进行脑科学和生命科学研究的重要工具。
1 简介人类大脑重量占体重的近2%，在清醒的静息态下，脑接受心输出量的11%，但却占全身总耗氧量的20%[1]。
Ogawa S等人[2]于1992 年在活体上证明用MRI可以测量血中氧含量，即是将核磁共振物理学和脑生理学的结合，产生了BOLD信号。
fMRI (functional magnetic resonance imaging, fMRI)技术是将传统共振成像的高分辨率解剖成像能力与核示踪的血流动态的特异性相结合，将人脑的功能像精确地投影到解剖图像上，从而成为研究大脑认识思维活动的检测技术。
FMRI应用于人脑功能的研究，主要方法分为两种：一种是事件相关功能性磁共振(event-related fMRI)，即为利用各种刺激诱导局部脑组织BOLD信号发生变化，间接反映神经元的活动；另一种为最常用的方法是静息态fMRI (resting- state fMRI)，即在没有明确的输入或输出因素状态下，大脑内部发生的BOLD 信号的自发调节。
心理学对情绪调节的研究与方法
心理学对情绪调节的研究与方法心理学作为一门学科，探索人类思维与行为的原理，对情绪调节的研究具有重要意义。
情绪调节是指个体在应对各种不同情境中，对情绪的感知、表达和控制的过程。
通过深入研究情绪调节的方法和策略，我们可以更好地理解和掌握情绪的变化和调节机制，有效地提升心理健康。
本文将介绍心理学对情绪调节的研究内容和相关方法。
一、情绪调节的理论基础在探讨情绪调节的研究之前，我们首先需要了解情绪的本质和基本特点。
情绪是一种主观的、个体特定的情感体验，包括愉快和不愉快的情绪状态，如喜乐、愤怒、悲伤等。
情绪调节是指在不同的情境中，个体通过内部或外部的策略来管理和调整情绪体验和情绪表达。
情绪调节的研究可以归纳为两个方面的内容：情绪调节的理论基础和情绪调节的方法与策略。
在理论基础方面，有多种理论可以解释情绪调节的机制，如情绪维持模型、情绪认知模型和情绪调节回路模型等。
这些理论有助于我们理解情绪调节的本质和机制，为后续的研究提供了方向。
二、情绪调节的研究方法在心理学研究中，有多种方法和工具可以被用于研究情绪调节。
下面将介绍其中一些常用的方法。
1. 行为观察法行为观察法是指通过观察个体在不同情境中的行为反应，来了解其情绪调节策略和效果。
研究者可以通过视频记录、观察任务完成过程、交互行为记录等方式进行行为观察。
这种方法能够客观地记录个体在情绪调节过程中的实际行为，但也有可能受到观察者主观判断的影响。
2. 自我报告法自我报告法是指通过让个体主动描述和评估自己的情绪状态和情绪调节策略。
研究者可以通过问卷调查、日记记录、面谈等方式获取个体的主观反应和意见。
这种方法能够获得个体的主观体验和自我评价，但也存在主观性和记忆偏差的问题。
3. 生理测量法生理测量法是指通过测量个体生理指标的变化，如心率、皮肤电反应等，来间接评估情绪调节的效果。
这种方法可以提供客观的生理指标，但也需要特定的设备和技术支持。
4. 脑成像技术脑成像技术是指利用神经影像学的方法，如功能性磁共振成像（fMRI）、脑电图（EEG）等，来观察和研究脑区在情绪调节过程中的活动。
事件相关fMRI在重度抑郁症奖赏刺激反应中的研究进展
为关联中，尾状核起关键作用。 ３在重度抑郁症（ｍａｊｏｒ ｄｅｐｒｅｓｓｉｖｅ ｄｉｓｏｒｄｅｒ，ＭＤＤ）ＥＲ－ｆＭＲＩ 中的奖赏刺激研究
刺激处理随着时间而推进，包括多个阶段．即线索识别 （ｃｕｅ ｉｄｅｎｔｉｆｉｃａｔｉｏｎ）、期待（ａｎｔｉｃｉｐａｔｉｏｎ）、行为执行（ｂｅｈａｖｉｏｒａｌ ｅｘｅｃｕｔｉｏｎ）、结果处理（ｏｕｔｃｏｍｅ ｐｒｏｃｅｓｓｉｎｇ）以及调整（ａｄｊｕｓｔ— ｍｅｎｔ）。 ２ ＥＲ－ｆＭＲＩ对奖赏诱发的正常人脑区激活的研究 ２．１奖赏相关脑区的影像解剖 对奖赏刺激有反应的脑区 包括中脑（ｍｉｄｂｒａｉｎ）、腹侧纹状体（ｖｅｎｔｒａｌ ｓｔｒｉａｔｕｍ，ＶＳ）、内 侧杏仁核（ｍｅｄｉａｌ ａｍｙｇｄａｌｏｉｄ ｎｕｃｌｅｕｓ）、眶额皮质（ｏｒｂｉｔａｌ ｆｒｏｎｔａｌ ｃｏｒｔｅｘ，ＯＦＣ）、内侧前额叶皮质（ｍｅｄｉａｌ ｐｒｅｆｒｏｎｔａｌ ｃｏｒｔｅｘ，ＭＰＦＣ）［９州，其中中脑腹侧被盖区（ｖｅｎｔｒａｌ ｔｅｇｍｅｎｔａｌ ａｒｅａ，ＶＴＡ）及其投射区伏隔核（ｎｕｃｌｅｕｓ ａｃｃｕｍｂｅｎｓ，ＮＡｃｃ） 是主要的神经基础，多巴胺（ｄｏｐａｍｉｎｅ，ＤＡ）是最重要的神经 递质。 ２．２正常人基底节区和皮质一边缘系统相关脑Ⅸ的ｆＭＲＩ研 究 大量有关金钱奖赏的研究发现。奖赏期待主要激活皮层 下ＮＡＣＣ，而奖赏反馈主要激活ＭＰＦＣ…；前扣带皮层（ａｎｔｅｒｉ— ｏｒ ｃｉｎｇｕｌａｔｅ ｃｏｒｔｅｘ，ＡＣＣ）的激活出现在涉及风险性的行为 决策中，相对于输钱的奖赏反馈，赢钱能激活额内侧回（ｍｅｄｉ— ａｌ ｆｒｏｎｔａｌ ｇｙｒｕｓ）ｎ“。另有研究指出，ＡＣＣ在冲突监控和行为 选择上有重要作用，其激活出现在行为很有可能出错的条件 下Ｄｚ］。Ｔｒｉｃｏｍｉ等‘１ ３］在研究运动要求和奖赏结果之间的关联 性时发现了背侧尾状核的激活，从运动反应（手指按键）的角 度解释了在奖赏处理中腹侧纹状体的激活。然而，也有研究 表明腹侧纹状体的激活也可在无相关运动要求的奖赏期待中 出现‘…“。
负性情绪研究
负性情绪研究综述摘要情绪是人性的重要组成部分，无论正性情绪还是负性情绪都赋予人以重要的意义，负性情绪对自身身体机能与人格和应激性都有影响，而当前的人们明显对负性情绪的认识还很片面。
本文从一个积极的视角来探讨一下负性情绪。
从负性情绪的价值和判断、负性情绪的经典范式和生理机制三方面来阐述负性情绪，希望对于我们正确的认负性情绪，从而对控制自我的情绪、理解自我情绪和应用自我情绪有所帮助。
关键词负性情绪负性注意偏向资源限制理论一、认识负性情绪情绪没有好坏之分，任何情绪的产生都是有积极价值的，负性情绪也是人类生存和发展的必要产物，如恐惧、愤怒、痛苦等基本情绪和一些与道德相关的负性情感，不仅对个体发挥保护、生存、信号和动力等基本功能，而且还有其重要的审美和生态价值。
（一）负性情绪著名情绪心理学家埃克曼（Ekmar）和弗里森（Friesen ）研究显示,人类有六种基本情绪：愤怒，快乐，恐惧，惊奇，厌恶和悲伤，这些基本情绪在不同的文化中都能识别，具有跨文化的普遍性［1］。
可见我们的情绪中有多数的负性情绪，那么负性情绪是什么呢？负性情绪（n egative affect , NA），也称消极情绪，是具有负性效价（效价，vale nee ，是指与特定生理或心理状态相联系的正性或负性负荷）的情绪。
它是反映个体主观紧张体验与不愉快投入的一般性情绪维度，包含了一系列令人厌恶的情绪体验，如愤怒、耻辱、厌恶、内疚与恐惧等，低的负性情绪水平表示一种平静的情绪状态［2］。
（二）负性情绪观念的变化以往对负性情绪的作用更多强调其破坏性，人们不愿意接受负性情绪，对负性情绪的调节也倾向于控制减少等消极的应对策略，如本世纪50年代埃利斯（A.Ellis ）在美国创立了合理情绪疗法（Rational-Emotive Therapy ，RET）。
这一理论又称为ABC理论。
A （Activating events ）是指诱发性事件； B （Beliefs ）是指对事件的信念、观念；C（Consequences）是指在特定情景下，个体的情绪及行为的结果［3］。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
（北京体育大学应用心理0942019）1、情绪概述1.1情绪的概念情绪是人类非常重要的一种心理现象，是人对客观事物的态度体验及相应的行为反应。
情绪主要包括主观体验、外部表现和生理唤醒三个成分。
其中生理唤醒即情绪产生的生理反应．涉及了广泛的神经结构，不仅包括中枢神经系统、外周神经系统还包括内外分泌系统。
具有非常复杂的神经生理基础。
并且不同的情绪、情感的生理反应模式是不同的。
情绪还具有很强的主观性、动态性、多成分等特征。
基本情绪论认为情绪在发生上有原型．即存在着数种跨文化的基本情绪类型，每种情绪类型各有其独特的体验特征、生理唤醒模式和外显模式，其不同形式的组合形成了所有的人类情绪 (EKman, 1999)。
Ekman 的许多开创性的研究为基本情绪理论奠定了基础。
对于有哪些基本情绪则有不同看法。
模式分类分析显示除了厌恶以外．不同情绪类型都显示了特定的自主神经活动模式。
但是，并没有足够证据证明个基本情绪具有各自不同的神经生理机制。
对于面部表情识别来说，其识别的基础也并不是基本情绪类型，而是面部表情在情绪体验的双极维度上的位置，或者是面部表情诱发的行为预备模式等 (罗跃嘉 & 吴建辉, 2005)。
维度理论认为几个维度组成的空间包括人类所有的情绪。
维度论把不同的情绪看作是逐渐的、平稳的转变，不同情绪之间的相似性和差异性是根据彼此在维度空间中的距离来显示的 (王亚鹏 & 董奇, 2006)。
维度模式常为两个维度组成：①效价或者愉快度，其理论基础是正负情绪的分离激活；②唤醒度或者激活度，至于感情状态系相联系的集体能量激活的程度，唤醒的作用是调动集体的技能，为行动做准备。
目前的研究大多是以情绪的维度理论为基础的。
1.2FMRI在情绪研究中的应用功能磁共振(functional magnetic resonance imaging，fMRI)是一种无创性、可重复．解剖图像和功能图像结合较好的临床影像学技术。
近10年在许多领域得到广泛应用，包括对脑功能的探索，尤其在探测脑的语言功能方面取得了一些令人瞩目的成果。
fMRI的优点在于不仅应用安全，时间和空间分辨率高，而且成本较低，目前应用范围已超过正电子断层成像(positron emission tomography， PET)。
后者为探测脑局部血流量改变及活性物质的代谢，需要静脉注射昂贵放射性同位素，需要特定的放射防护。
所获得的图像空间分辨率只有4—8mm。
而fMRI则不需要注射同位素，且分辨率高达lmm。
fMR1的基本机理是检测大脑皮层血流动力应答过程的一过性磁场，即检测局部脑血流内去氧血红蛋白变化水平，这种反应叫做血氧水平依赖(blood oxygenation level dependant，BOLD)。
脑成像技术fMRI具有高空间分辨率的特点，能够将各种心理活动的神经生理基础和各种脑功能区域划分出来。
目前在fMRI研究中多采用N—back实验范式。
其做法是在情绪状态下要求被试完成几组循环任务作业和再认作业。
最后的差异信号来自于进行任务作业是的信号减去进行再认作业是的信号。
1.3情绪加工的脑机制脑成像研究证实了正性和负性情绪的分离，即两者各自具有特定的大脑功能系统，分别与左半球和右半球活动相联系，或者说分别是左半球和右半球优势。
但是也有一些研究却并没有得到类似结果,这么研究者认为并没有充分和一致的实验证据支持正负情绪加工的半球差异，情绪活动半球差异是很复杂的，并且具（北京体育大学应用心理0942019）有很大的区域特殊性 (Phan, Wager, & Taylor, 2002)。
在不同的情绪的效价载荷的方面，有研究显示积极情绪激活了丘脑、视丘下部、中脑、前额叶(BA9)以及尾状核前部。
此外消极情绪也激活了杏仁核、海马、旁海马回(BA28)、枕颞皮层(V37)及小脑。
这和以前有关情绪的脑成像的研究结果是一致的。
Paradiso等的研究结果发现相对于消极情绪，被试在加工积极情绪时激活了颢叶内侧fBAS)、背外测皮层(BA9，10)P2及眶回附近的大脑皮层(BA11)。
而在Lalle等的研究中．则没有出现这样的结果。
这些结果似乎显示外显的情绪加工比内隐的情绪加工要求更多的脑区的卷入(郭卉 & 李琳, 2010)。
不同的面部表情是由不同的神经通道负责加工的。
杏仁核，尤其是左侧杏仁核与恐惧的面部表情的加工有关，前脑岛和壳核与厌恶的面部表情的识别有关，而前扣带回和额叶的被测则在愤怒的表情加工中起主导作用 (S & R, 2002)。
2、情绪的fMRI研究成果2.1fMRI与情绪认知情绪是人类的高级认知功能。
对人类情绪认知的研究模式主要建立在认知心理学实验模式基础上。
有研究者以Stroop实验为范式，发现负性语言任务激活的区域较正性语言任务激活的区域广泛。
负性任务趋向于双侧激活，主要激活了双侧额上回，额中回，中央前回，顶上小叶，颞上回，颞中回；正性语言任务主要激活了左侧额上回，中央前回．顶上小叶．颞上回．颞下回及小脑。
负性语言任务还见到扣带前回、杏仁体、丘脑、尾状核头及胼胝体的激活。
正性语言任务及负性语言任务可见到枕叶的双侧激活 (牟君, 谢鹏, 杨泽松, 吕发金, 李勇, & 罗天友, 2006)。
总体来说，情感的处理具有偏侧性。
负性情感更易被诱发。
井伴随更多的脑区被激活。
枕叶可能参与情感处理。
当代情绪心理学家将情绪按照几种方式划分，其中维度模型法(dimensional mode1)最常用于脑功能成像研究，该模型将不同情绪按照两个维度——唤醒度和情绪效价进行划分。
KensingerL提出了情绪记忆的“双通路模型”假设，该假设认为：高唤醒度的情绪信息加工主要依靠杏仁核—海马网络；低唤醒度情绪信息主要依靠额叶—海马网络。
王海宝等通过fMRI检测参与情绪性图片编码加工相应激活脑区，探讨不同唤醒度的情绪图片加工所涉及的特异性神经机制，发现高唤醒度主要激活杏仁核、海马、前额眶回和扣带回，而中唤醒度主要激活颞中回、前额背外侧、海马、额上回和枕部皮层 (王海宝, 谌业荣, 余永强, 张诚, 赵本胜, & 张达人, 2007)。
不同唤醒度情绪加工涉及不同的神经通路，杏仁核和前额叶不同亚区与情绪的唤醒程度有关，这进一步验证了双通道假设。
2.2fMRI与病态情绪加工近年来一些研究者发现在情绪加工过程中存在大脑功能活动差异。
李丽等运用功能磁共振成像(fMRI)技术，采用适合中国人情绪加工特点的表情图片(愉快、悲伤和中性表情)作为刺激材料，选取15名严格入组的未服药单相抑郁症女性患者与15名条件匹配的正常志愿者，对其情绪加工的大脑活动进行了对比研究。
结果发现，与中性表情相比，在加工愉快表情时，抑郁症患者激活了右侧前额叶，而正常对照组激活的是左侧前额叶；在悲伤表情条件下，抑郁症患者激活了双侧颞下回，而正常对照组激活的是双侧前额叶。
研（北京体育大学应用心理0942019）究表明单相抑郁症病人不仅在情绪加工相关脑区的功能上出现异常，而且加工情绪的脑区也可能出现了转移 (李丽, 丁妮, 梅磊磊, 薛峰, & 董奇)。
2.3fMRI与情绪的面部表情加工精神分裂症在语言、社会交往、思维和情感各方面都表现出一定的损伤。
许多研究发现，精神分裂症在情绪的面部表情加工上也存在损伤。
Kosaka等采用fMRI技术，检验了精神分裂症病面孔再认中杏仁核的特异性反应。
成像实验任务要求被试观看情绪面孔（包括高兴，或生气、厌恶、难过）和中性面孔，呈现3ms，然后判断哪个面孔更情绪化。
在判断准确性上，病人和正常被试之间没有显著差异。
正性情绪面孔激活精神分裂症和正常人的双侧杏仁核，而精神分裂症的右侧杏仁核激活更加明显。
负性情绪面孔辨别激活了精神分裂症的双侧杏仁核，而正常人只激活了右侧杏仁核。
研究者认为这种过度的杏仁核激活可能反映了精神分裂症对面孔情绪加工损伤的感觉输入门控特征。
Gur等在对精神分裂症面部情绪加工的fMRI研究中，检验了边缘系统激活减少是否与面孔刺激的情绪效价（指的是正性vs负性情绪）判断有关。
研究发现精神分裂症在面部情绪加工中不能激活边缘系统区域，在从正性面部情绪中区别出负性情绪时，表现出左侧杏仁核和双侧海马的激活减少。
说明精神分裂症在完成这种任务时，有关神经通路没有充分激活，但这不影响简单效价辨别任务（simple valence discrimination task）的成绩，推测它可能引起更有挑战性的情绪辨别任务的困难。
在情绪效价（valence）辨别任务中海马区域的激活可能与记忆助长（memory facilitation）有关，而病人不能激活海马，从假设上来看可能导致记忆缺损，从而引起情绪辨别任务困难 (莫书亮 & 陈楚侨, 2008)。
上述研究表明，与正常被试相比，过度的杏仁核激活，在对负性面部表情加工中左侧杏仁核和双侧海马激活减少，可能与情绪面部表情加工障碍有关。
3、小结虽然人类情绪产生和加工的脑功能机制仍然不清楚．但是功能核磁共振成像(functional Magnetic Resonance Image． fMRI)技术为情感障碍的神经解剖基础及功能机制的研究提供了新的途径。
近年来fMRI 在情绪研究上的应用带来了丰硕的研究成果，研究者们对情绪的神经机制更加地了解。
但是我们发现在一些研究中依然存在很多问题，例如：在情绪的加工研究中，研究所用材料大多是从面部表情库中提取的几种基本情绪状态或自制的人物情绪面部表情，方法的差异也较大，这就要求研究者考虑其效度和结果的可比性，另外，采用元分析方法来进行研究，可能会发现比较一致的结果。
有研究者发现面部情绪表情的知觉和表达之间的可能存在着分离现象，那么在社会交往情境中研究绪面孔表情知觉，有可能更好地解决生态学效度问题。
脑的功能异常复杂，这是大家公认的，很多问题现在，甚至许多年以后还无法研究清楚，还需要进一步研究。
这需要多学科的研究者加强合作，共同努力，心理学、脑科学、影像医学等做出应有的贡献。
参考文献EKman. (1999). P H andbook of Cognition and Emotion. In W. John, & Sons (Eds.). U.K: Susse.（北京体育大学应用心理0942019）Phan, L. K., Wager, D. T., & Taylor, F. S. (2002). Functional Neu2roanatomy of Emotion ：A Meta Analysis of Emotion Act invation Studies in PET and fMRI. Neuroimag, 16, pp. 331-348.S, B., & R, J. B. (2002). Emotions：From neuropsychology to functional imaging. International Journal of Psycholog, 37, pp. 193-203.郭卉, & 李琳. (2010). 情绪的神经生物研究. SCIENCE＆TECHNOLOGYINFORMATION, 19.李丽, 丁妮, 梅磊磊, 薛峰, & 董奇. 基于功能磁共振成像方法的单相抑郁症情绪的加工特点研究.首都医科大学附属北京友谊医院；北京师范大学认知神经科学与学习国家重点实验室, 北京.罗跃嘉, & 吴建辉. (2005). 情绪的心里控制与认知研究策略. 西南师范大学学报：人文社会科学版, 31（2）, pp. 26-29.莫书亮, & 陈楚侨. (2008). 精神分裂症对情绪的面部表情加工及其神经机制. 心理科学进展, 16（2）, pp. 266-273.牟君, 谢鹏, 杨泽松, 吕发金, 李勇, & 罗天友. (2006). 情感语言语境联想刺激模式的fMRI研究. Chinese Journal of Clinical Psychology, 1（14）, pp. 100-103.王海宝, 谌业荣, 余永强, 张诚, 赵本胜, & 张达人. (2007). 情绪加工中唤醒度的作用功能磁共振成像研究. 中国医学影像技术, 10（23）, pp. 1425-1429.王亚鹏, & 董奇. (2006). 情绪加工的闹机制研究及其现状. 心理科学, 29（6）, pp. 1512-1514.。