Identifying Internally Reproducible Neural Biomarkers of Emotional Adaptability Through Quantitative EEG and Explainable Machine Learning
本研究表明，定量脑电图结合可解释机器学习可以识别出健康成年人情绪适应性的稳健且内部可复现的神经生物标志物，揭示了灵活情绪调节的能力是由协调的振荡动力学和额顶网络整合所支撑的。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
人类的情绪并非静态的状态，而是必须不断变化的动态反应，以应对生活不断变化的需求。这种能够灵活调整反应的能力——例如在需要专注时冷静下来，或在计划失败时转换思路——被称为情绪适应性（emotional adaptability）。虽然心理学家长期以来通过调查和行为测试来研究这种能力，但这些方法依赖于人们对自己感受的陈述或事后的行为表现。它们忽略了当一个人应对压力时，大脑内部瞬间闪现的快速电信号。几十年来，科学家们一直试图寻找一种直接观察这种适应性的方法，寻找能够揭示大脑如何处理情绪变化的客观生物标志物。挑战在于如何将大脑真正的适应机制从日常活动的噪声中区分出来，这项任务需要以极高的精度从静电干扰中分离出有效信号。
由伊朗伊玛目侯赛因大学和设拉子大学的研究人员领导的一项新研究，在解决这一难题方面迈出了重要一步。该团队致力于寻找与个人情绪适应能力相对应的特定、可重复的大脑活动模式。他们并没有简单地询问参与者的感受；相反，他们设计了一个动态实验，让32名健康的成年人在观看情绪图像的同时，被要求要么观察图像，要么强化情感，或者抑制情感。研究人员根据参与者在这些策略之间切换的速度和一致性，以及他们实现切换的成功程度，为每个人计算了一个单一的分数，称为“情绪适应性指数”（Emotional Adaptability Index）。至关重要的是，这个分数完全基于行为和自我报告得出，使其与大脑数据完全分离。这种分离确保了当他们随后观察大脑信号时，不会意外发现那些已经预设在他们试图预测的分数中的模式。
研究人员使用高密度电极帽，以毫秒级的精度记录了参与者的大脑电活动。随后，他们应用了旨在保持透明度和可理解性的先进计算机模型，来筛选数百种不同的脑波测量指标。这些模型寻找参与者的适应性评分与特定电信号之间的联系，例如脑波的速度、大脑左右侧活动的平衡度，以及不同大脑区域之间沟通的效率。其目标不仅是预测分数，还要识别哪些特定的脑部特征是情绪灵活性最可靠的指标。
研究发现，情绪适应性并非由大脑中的单一“情绪中心”驱动，而是由整个网络中协调一致的活动交响乐所驱动。最重要的信号来自大脑的前部，在适应能力强的人身上，与认知控制相关的特定节律——theta（西塔）频段的活动显著增强。这些人还表现出alpha（阿尔法）节律的独特活动模式，即额叶左右两侧大脑以特定的平衡方式运作，且大脑后部在处理情绪刺激后能迅速恢复平静状态。此外，高适应性人群的大脑在额叶区域与头顶部的顶叶区域之间表现出更强的连接，特别是在beta（贝塔）频段，这表明他们的大脑在处理复杂任务时，通过跨越远程区域共享信息更加高效。
研究人员确定了六个能持续预测个人适应性评分的具体神经生物标志物。这些标志物包括额头中心theta波的强度、额叶左右两侧alpha波的平衡度、大脑前后部连接的强度，以及大脑恢复基线状态的速度。当计算机模型使用这六个特征时，能够高精度地预测个人的适应性评分，解释了约76%的个体差异。模型还显示，这些具有适应性的脑部结构如同高效的网络，拥有更短的通信路径和不同功能组之间更好的整合，从而能够对情绪挑战做出快速且灵活的反应。
然而，作者谨慎地将这些发现界定为对潜在标志物的发现，而非成熟的诊断工具。该研究是在一个受控实验室环境中进行的，对象是规模相对较小的年轻健康成年人群，研究人员明确指出，在这些结果能够用于临床环境之前，需要在更大规模、更多样化的人群中进行测试。模型在所研究的特定群体中表现良好，但研究人员注意到，对于约四分之一的参与者而言，预测的精确度较低，这凸显了个体大脑差异性仍是一个复杂的因素。这项工作是一次严谨的概念验证，证明了情绪适应性可以作为一种连续的、生物性的特质来衡量，而非简单的“好”或“坏”的类别。通过分离出这六个可重复的信号，该研究为未来研究大脑如何管理情绪变化提供了坚实的证据基础，为未来实现更个性化的心理健康和韧性训练开启了大门。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。