研究威胁处理过程中认知-情感动作规划的功能神经网络动态

《Frontiers in Psychology》:Investigating the functional neural network dynamics of cognitive-affective action planning during threat processing

【字体: 大 中 小 】 时间:2026年03月27日 来源:Frontiers in Psychology 3.8

编辑推荐:

  引言:本研究利用涉及威胁/恐惧面孔和尖叫声的四项不同任务的功能神经影像数据,以理解神经网络的功能组织。方法:重点采用局部连接(参与系数、中介中心性)和全局连接(全局效率、模块化)的图论指标,评估高度分割(412个节点)脑模板上的网络内和网络间连接。共有124名

  
引言:本研究利用涉及威胁/恐惧面孔和尖叫声的四项不同任务的功能神经影像数据,以理解神经网络的功能组织。方法:重点采用局部连接(参与系数、中介中心性)和全局连接(全局效率、模块化)的图论指标,评估高度分割(412个节点)脑模板上的网络内和网络间连接。共有124名参与者(57%女性;平均年龄=22.06)纳入研究。研究人员采用大规模单变量线性混合效应模型和通过支持向量机(SVM)进行多变量分类,以揭示8个明确描述的内在连接网络(ICNs)中网络动态的性质。结果:研究人员的发现表明,一种扩散的、增强的网络内连接模式定义了社会威胁处理。单变量分析显示体感运动网络内节点占优势,表明社会威胁处理中运动准备的潜力。多变量分类显示来自边缘、默认、视觉、注意、控制和体感运动ICNs的更扩散的局灶参与。结论:研究人员的结论表明网络内和网络间功能组织在应对威胁中的作用,并对通过动态视角审视各种网络具有重要意义。
**论文解读:威胁处理中认知-情感动作规划的功能神经网络动态**

**研究背景与问题**
人类社会互动中,面孔和声音是高度显著的刺激,威胁检测对生存至关重要。威胁刺激(如愤怒或恐惧的面孔、尖叫声)激活包括杏仁核在内的恐惧/威胁回路,并需要认知、情感和运动过程的协调。这种协调依赖于大脑网络中局部(网络内)和全局(网络间)的通信。已有研究利用图论(graph theory)方法揭示威胁处理涉及多个内在连接网络(ICNs),如注意、突显、边缘、运动等网络,但网络动态的组织机制尚不明确。特别是,整合假说(Integration Hypothesis)认为威胁促进网络间连接增加以分配更多认知资源,而另一些研究显示威胁可能增强网络内连接。本研究旨在通过比较威胁与非威胁刺激下的局部和全局图论指标,阐明认知-情感动作规划(cognitive-affective action planning)的神经网络动态。论文发表在《Frontiers in Psychology》。

**研究内容与结论**
研究人员从四组独立数据集(共124名参与者,57%女性,平均年龄22.06岁)中获取功能磁共振成像(fMRI)数据,包含威胁处理任务(Task A)、威胁预期任务(Task B)、社交威胁任务(Task C)和恐惧习得/消退/恢复任务(Task D)。所有参与者均为右利手、英语母语者,无精神或神经疾病史。研究采用图论指标:局部连接(参与系数PC、中介中心性BC)和全局连接(全局效率GE、模块化Mod),结合单变量线性混合效应模型和多变量支持向量机(SVM)分类,分析8个ICNs(视觉、体感运动、背侧注意、腹侧注意、边缘、控制、默认模式及皮层下网络)的网络组织。结论表明,威胁处理导致网络内连接增强、网络间连接减弱,表现为参与系数降低、全局效率降低、模块化增加,这与整合假说相反,提示威胁可能促使各网络更独立地行使功能,支持运动准备和注意力优先化。SVM分类显示参与系数可区分威胁与中性条件(准确率64.45%),重要特征分布于多个网络。

**主要关键技术方法**(不超过250字)
研究人员使用功能磁共振成像(fMRI)数据,基于Schaefer-Yeo图谱(400个皮层区域+12个皮层下区域)将大脑划分为412个节点,对应8个内在连接网络(ICNs)。采用加权邻接矩阵和比例阈值(1%-50%)构建连接矩阵。局部连接通过参与系数(participation coefficient, PC)和中介中心性(betweenness centrality, BC)评估;全局连接通过全局效率(global efficiency, GE)和模块化(modularity, Mod)评估。单变量分析使用线性混合效应模型,以条件(威胁/中性)为固定效应,年龄为协变量,参与者嵌套在四个数据集中的随机效应。多变量分析采用线性核支持向量机(SVM)进行4折嵌套交叉验证(1000次置换),分类特征为各图论指标。样本来源为路易斯维尔大学四个独立数据集(Task A-D)。

**研究结果**
**3.1 单变量分析**
单变量线性混合效应模型显示,参与系数(PC)在威胁条件下显著降低(共52个节点,经FDR校正p<0.05),表明网络内连接增强。其中体感运动网络贡献最多节点(24个,占46.2%),其次为默认模式网络(10个)和视觉网络(6个)。杏仁核(皮层下网络)也呈现PC降低。中介中心性(BC)在威胁与中性条件间无显著差异(所有p>0.26)。全局指标方面,全局效率(GE)在威胁条件下显著降低(平均差=-0.023,t=11.281,p<0.001),而模块化(Mod)显著增加(平均差=0.004,t=-2.613,p=0.01)。这些结果一致表明威胁处理促进网络内通信而非网络间整合。

**3.2 多变量SVM分类**
基于参与系数(PC)的SVM分类准确率为64.45%(显著高于随机,p1000=0.003),Dice系数为0.629。16个节点的特征权重超过z=1.96,被认为是分类的重要特征,这些节点广泛分布于所有皮层ICNs,但无皮层下节点。最重要节点为右侧体感运动区(RH SomMot_34,z=3.95)。与单变量分析重叠的区域包括体感运动(SomMot_34)、默认模式(PFC_8)和腹侧注意/突显(FrOperIns_7)网络。基于中介中心性(BC)的分类准确率为45.88%(与随机无差异,p1000=0.681)。全局效率(GE)和模块化(Mod)的分类准确率均为50%(所有特征被预测为中性类),表示无法区分条件。

**讨论与结论**
讨论部分指出,研究结果不支持整合假说(Godwin et al., 2015),而是显示威胁处理下更模块化的网络组织:网络内连接增强(PC降低、GE降低、Mod增加)。体感运动网络的高度参与可能反映威胁引发的运动准备(与Gordon et al., 2023的“体感-认知动作网络”概念一致);默认模式网络的内连接增强可能与自我参照处理安全信号有关;腹侧注意/突显网络和背侧注意/视觉网络则分别支持突显性检测和注意力优先化。中介中心性无显著差异,提示在威胁条件下节点枢纽功能未发生明显变化,可能与威胁情境的动态性有关。多变量SVM结果进一步表明,分类特征虽分布广泛,但只有少数区域(如体感运动、默认、腹侧注意)在单变量和多变量分析中均显著,突显这些区域在威胁处理中的特异性。局限性包括样本量有限(特征数>样本数可能导致过拟合)、不同任务间刺激差异(如Task C仅面孔无声音)、以及未包含负连接权重的潜在影响。

结论部分翻译:在本研究中,研究人员比较了来自四个社交威胁/恐惧任务中恐惧与中性刺激的功能网络组织。通过单变量图论指标和多变量分层SVM分类,发现所有研究的ICNs在威胁/恐惧刺激下均显示网络间连接减少,从而网络内连接和模块化增加。这证明这些网络不需要强烈互连即可适应不断变化的环境。相反,分析表明每个网络内一致性的增强支持相应网络的功能,以实现对环境适应性的反应。然而,考虑到SVM结果中稀疏节点对威胁的分类,这种一致性增强可能是网络特异性的。例如,控制网络仅少数区域在单变量和多变量分析中出现,表明该网络总体上不依赖一致性增强来适应反应。此外,威胁反应可能诱发了对明显模块化的“增强”需求,因为其被视为与生存紧密相关的过程。最后,不同网络的层级性可能影响网络间与网络内连接的程度:更依赖于具体感觉处理需求的网络可能表现更强的网络内连接,而处理抽象整体表征的上游网络则可能表现更强的网络间连接。未来使用图论理解网络组织的研究有待开展,以从全脑视角剖析网络内与网络间连接的动态变异。
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