Interpretable task-evoked and resting-state EEG signatures of threat-focused and self-focused processing in high social anxiety

大脑的双重模式：社交焦虑的故事

想象一下，你的大脑是一部超先进的智能手机。它有两种主要的运行方式。第一种是“任务模式”，即你正在积极地做某事，比如解决一道数学题，或者在本研究中，观察人脸并猜测他人的情绪。第二种是“休息模式”，即你只是静静地闭眼坐着，让思绪随心而动。科学家们早已发现，对于某些人来说，这部手机会陷入一种故障性的循环。具体来说，具有高社交焦虑的人往往觉得世界正在过度关注他们，并且会花费大量时间担心他人对自己的看法。

为了理解这一点，研究人员观察了大脑的电信号，即脑电图（EEG）。可以将这些信号想象成让你的手机屏幕亮起的微小电火花。当你观察一张脸时，你的大脑会发送一个特定的火花来识别它。当你休息时，你的大脑则会发出一种不同的背景噪音。这项研究提出的核心问题是：通过在“任务模式”和“休息模式”下聆听这些电火花，我们能否区分出仅仅是害羞的大脑与陷入高焦虑模式的大脑？通过结合这两个快照，研究人员希望找到一种超越单纯询问感受的社交焦虑的清晰“指纹”。

研究过程：聆听大脑的电火花

在这项研究中，来自鄂尔多斯理工大学和北京师范大学的科学家团队决定深入探索大学生的脑部活动。他们首先筛选了 1,000 多名学生，以找出两组人群：32 名具有高社交焦虑的学生和 36 名作为对照组的健康学生。为了确保对比的公平性，他们检查了焦虑学生并非仅仅是因为抑郁而感到情绪低落；他们特指对社交情境感到担忧。

随后，学生们戴上了一个带有 64 个传感器的特殊帽子来记录脑波。首先，他们进行了一项“任务”：观看展示快乐或负面情绪的面部短视频，并必须猜测其感受。这就像是一场快速反应的“他们在想什么？”游戏。接着，他们闭眼静坐五分钟以记录“静息态”，让思绪自由漂流。

研究发现：故障的大脑

结果显示，高社交焦虑学生的脑部运行着一套略有不同的操作系统。

1. “任务模式”的故障：启动缓慢，反应过度
当高社交焦虑的学生观察面孔时，他们的脑部在“启动派对”方面显得有些迟缓。通常用于快速识别面孔的电信号（称为 N170、P200 和 N200）触发得较慢。这就像是在播放视频前，大脑正在缓冲。然而，一旦大脑处理完一张负面面孔（如愤怒或悲伤的面孔）后，它就会进入过载状态。后期的信号（P3a）以及大脑的“theta”波（这就像是大脑在说：“嘿，注意看这个！”）比健康组要强得多。

本质上，焦虑的大脑在注意到面孔时反应迟钝，但一旦意识到该面孔是负面的，它就无法停止盯着它看。这就像是一个监控摄像头，虽然需要一点时间才能对焦，但一旦捕捉到可疑的影子，就会过度放大，以至于遮挡了其他所有东西。

2. “休息模式”的故障：困在忧虑循环中
当学生闭上眼睛休息时，差异变得更加显著。焦虑组的大脑表现出陷入“自我关注”模式的迹象。

• 微状态（Microstates）： 通常与思考自身相关的脑电模式（微状态 C）持续时间更长且发生频率更高。与此同时，与关注外界相关的模式（微状态 D）发生频率较低。
• Alpha 功率： 大脑的“alpha”波（类似于一种屏蔽外界噪音以便专注于内在的护盾）明显增强。这表明他们的大脑正在积极屏蔽外界，转而关注内在的忧虑。
• 复杂性： 大脑的电信号缺乏复杂性且更具重复性，就像一首陷入循环的单调歌曲，而非丰富多变的旋律。
• 网络： 帮助实现自我控制的不同脑区之间的连接较弱。

3. 获胜组合：数据融合
研究人员尝试使用计算机程序（机器学习）根据数据来预测谁患有社交焦虑。

• 如果仅使用“任务”数据，计算机的预测效果尚可。
• 如果仅使用“休息”数据，效果更好。
• 但当他们将这两类数据融合在一起时，计算机变成了一个超级侦探。它能以约 83% 的准确率正确识别高焦虑组，并拥有极高的准确度评分（AUC 为 92.67%）。

“现象”背后的“原因”

为了理解计算机是如何做出这些判断的，研究人员使用了一种名为 SHAP 的工具，它像放大镜一样展示哪些脑电信号最为关键。事实证明，计算机并非随机猜测，它观察的正是在理论中所预见的特征：

• 静息态 Alpha 功率： 高水平的这种“内在关注”信号是一个巨大的线索。
• 微状态 C： 大脑停留在“自我忧虑”模式的时间越长，该学生患有社交焦虑的可能性就越高。
• P200 潜伏期： 识别面孔时的延迟是另一个关键指标。
• N170 幅度： 初始面部识别信号的强度也是关键。

这意味着什么（以及它不意味着什么）

这项研究表明，高社交焦虑不仅仅是一件事，它是两种问题的结合。首先，大脑在快速处理社交威胁方面效率低下；其次，即使在什么也没发生时，大脑也会陷入自我关注的忧虑循环中。通过结合“任务”和“休息”数据，研究人员找到了比单一观察更清晰的全貌。

然而，作者也谨慎地指出，这目前还不是一种神奇的疗法或最终的诊断工具。该研究的对象是具有高焦虑感但不一定被诊断为某种障碍的大学生。该计算机模型需要在更大规模的人群中进行测试，包括那些被诊断出患有社交焦虑障碍的人，以验证其在现实世界中的有效性。此外，由于该研究仅观察了大脑的电活动，因此无法直接观察到大脑深层结构（如负责恐惧中心的杏仁核）的情况。

简而言之，这项研究表明，如果你想了解一个高社交焦虑者的脑部情况，你必须既聆听他们如何对外界做出反应，也聆听他们在独处时如何表现。这是朝着更客观地理解这种极其主观的感受迈出的重要一步。