|
研究表明，情绪的产生和调节依赖于多个相互作用的大规模脑网络。为了阐明这些不同网络的功能性质，研究者通过元分析方法和聚类分析，确定了4个大规模脑网络。然后使用了Brainmap提供的Scribe工具，进行了任务域和行为域的功能解码，确定了四个大规模的大脑网络所对应的任务特征和行为认知特征。结果发现前两者与调节有关，其功能是更注重反应抑制或执行控制。后两个网络主要与情绪产生、评估和生理过程有关。本文发表在Neuroscience and Biobehavioral Reviews杂志。（可添加微信号siyingyxf或18983979082获取原文）注释：在本文中提到的任务域和行为域映射其实指的是作者通过https://www./scribe/提供的scribe工具对ALE元分析结果的中的激活网络在以往研究中研究结果的反向推理来获得可能的任务范式和认知行为方面的信息。作者使用了Paradigm Class来进行任务范式的解码。该方法基于以下背景：目前，许多任务范式已经被不同的研究人员反复使用，只做了微小的改变，因此其基本结构仍然可以识别。它们已经被脑成像研究者所熟知和接受，并普遍获得了非正式(或正式)的名称。在brainmap中，有多个任务范式可以被解码，可能的选择包括:动作观察，样本延迟匹配，记忆编码，情景回忆，oddball，Stroop，转换任务等。对脑网络的认知功能的解码则使用Behavioral Domain方法来进行，该方法基于brainmap收集的大量经过人工检查和标注的以往研究的脑激活结果和相关任务来对元分析得到的脑图进行认知行为方面的解码，其涉及多个元分析中使用的认知行为方面的术语，包括：Cognition（认知）.Working Memory（工作记忆）, Execution（执行能力）.Speech（语言）, Attention（注意）, Perception（知觉）和Audition（听觉）等等。情绪体验是我们日常生活的一部分。情绪调节(ER)描述了我们管理情绪的能力。有效的ER与一些积极的结果相关，如总体幸福感、工作表现、职业关系的改善。ER的缺陷或许会导致心理障碍如抑郁和焦虑。因此，在过去的二十年里，理解ER的神经基础已成为神经科学中最受欢迎的话题之一。为了研究情绪的调节和感知，前人发展了一种标准的方法。呈现情绪刺激-通常是令人厌恶的图像-并且要求参与者通过使用特定ER策略(例如，分心、重新评估或抑制)来调控他们的情绪。使用这种方法，可以将不同的条件下的情绪生成过程和情绪调节过程分离。本文的几项荟萃分析总结了ER（情绪调节)文献的发现，并确定了在ER期间持续激活的大脑区域。这些区域包括外侧前额叶皮层(背外侧前额皮层（DLPFC）和腹外侧前额叶皮层（VLPFC）)、躯体感觉皮层(辅助运动区，SMA)、脑岛、杏仁核、顶叶和颞区。ER的多个神经模型使用反向推理确定了这些脑区在情感感知、产生和调节的各个方面的功能角色。虽然基于坐标的传统的元分析方法已经能够克服单个fMRI研究的灵敏度限制，但它们在解释方面至少有两方面限制。首先，传统的荟萃分析集中在特定对比的特定任务期间大脑的区域贡献。在ER中，最常见的方法是对来自国际情感图片系统的图片进行重新评估。这种方法针对的是情绪调节的特定方面，对情绪感知、生成和调节的等级组织中的更广泛的内隐互动过程并不敏感。因此，它不能为大规模网络层面的情绪加工提供足量信息。其次，由于传统元分析的推理局限性，脑—认知关联的特殊性，即内隐的心理过程无法量化。在本研究中，我们的目标是通过挖掘大量研究中标准化的情绪调节任务和不同策略实施中的细微差异，以克服无法分离多成分过程和相关神经网络的限制。我们采用了较为宽泛的情绪认知控制概念，包括多种情绪调节策略(即分心、重新评价、抑制)，并结合不同的调节目标(即上调和下调)和情绪诱导方法(即图片、电影片段、面孔、奖励、疼痛和剧本)来确定和分离情绪产生、感知和调节过程中的一般神经回路。我们想要回答ER领域的以下关键问题：第一，在大规模网络中，哪些脑区支持情绪感知/生成，哪些脑区是情绪调节的基础？第二，在ER过程中，哪些心理过程与不同的大规模网络激活有关？为了解决第一个问题，我们试图利用已建立的元分析聚类技术来识别和表征情绪产生、感知和调节过程下的多个神经回路。与基于坐标的传统的荟萃分析不同，聚类分析方法可以调查所有可能的对比(即调节任务>情绪基线；情绪基线>调节任务；中性基线>情绪基线；调节任务>中性基线；中性基线>调节任务)，并以数据驱动的方式识别出大脑活动收敛的区域/网络。使用这种方法，我们分析了情绪调节研究中所报告的共激活模式的团块，以检测不同情绪调节形式下的大规模大脑网络。为了回答第二个问题，我们量化了不同类型的任务倾向，还量化了与特定网络中的活动相关联的任务倾向。为了表征元分析聚类结果网络的功能关联，我们使用了Brainmap(即任务范式识别和行为域解码)进行了功能解码。基于现有的神经模型，我们希望至少确定三个不同的全脑网络，并假设：第一个网络（额顶叶区域）与自上而下的情绪控制有关；第二个网络（杏仁核、纹状体和前岛叶区域）可能参与情绪的感知和产生；第三个网络被认为是前两个网络之间的纽带。以往的研究表明，选择性注意、工作记忆、反应选择和抑制、冲突监控等多种认知过程在内隐记忆中起着关键作用。同样，动机或情感方面也被发现可以影响内隐记忆，如心理状态的归因、奖励和刺激的价值唤醒的编码、与情绪相关的身体状态的表征以及知觉和语义特征的表征。此外，最近的报道强调了其他潜在的与ER有关的过程，如记忆控制、语言和内稳态/内感觉。(1)阐明支持情绪感知、生成和调节的不同的大脑网络，为未来的研究提供精确的先验感兴趣区的共识，从而为支持ER的神经机制提供一个相对广泛和客观的环路对象；(2)将情绪生成和情绪调节过程中确定的共激活模式网络与潜在的突出心理功能的大脑网络联系起来，并评估它们与ER相关的特异性；(3)评估现有神经ER模型的观点，理解并扩展现有的心理概念。我们查阅了关于情绪调节的荟萃分析的资料，其中93项来自同行评议期刊的研究(截至2015年10月15日)，并使用PubMed(www.pubmed.com)进行了额外的文献搜索(截至2017年7月31日)。我们使用与前一项研究相同的关键词组合：“情绪调节”、 “内隐情绪调节”、“外显情绪调节”、“人际情绪调节”、“外在情绪调节”、“内在情绪调节”、“重新评价”、“抑制”、“分心”、“脱离”、“标签”、“情感标签”、“重新解读”、“沉思”、“功能磁共振成像”、“神经成像”、“功能磁共振”。在下文中，术语“实验”指的是任何单一的对比分析，而术语“研究”指的是科学出版物，通常报告几个对比，即几个实验。（1）在当前的荟萃分析中，我们只选择来自健康成人的研究数据，这些研究中的被试没有关于神经、医学或精神疾病相关的问题，而患者的结果或特定的亚组效应(例如性别差异)没有包括在内。（2）只考虑使用全脑功能磁共振成像的神经成像研究，并报告了在标准解剖参考空间(蒙特利尔神经研究所(MNI))中大脑激活的坐标。（3）只包括报告全脑分析的研究，而基于部分覆盖或仅采用感兴趣区域分析的研究被排除在外。本文共纳入107项来自同行评审期刊的研究(385项实验，3204名参与者)(补充材料，表S1)。每个实验由两位作者(CM和NK)手动编码，其术语描述了关于对比度(例如，调节任务>情绪基线、情绪基线>中性基线等)、所使用的刺激类型(例如，图片、电影剪辑等)、情绪调节策略(例如，分心、重新评估)、策略的目标(例如，增加、减少)、刺激的价值(例如，积极的、消极的)、应对策略具体实现的方法（例如超然、采取观点、改变现实等)。关于手动注释的细节可以在元分析分组的2.3功能解码中找到。这些术语描述了与实验对比相关的刺激和行为的各个方面。本文分析遵循了前人研究中建立的六步法 (Fig. 1).在参考相关研究之后，提取每个研究的立体定向空间(x，y，z)中报告的三维坐标(仅全脑统计分析)。我们的分析中使用了研究报告中的所有实验对比。即包括了所有可能的任务对比组合，例如[调节任务>情绪基线]、[情绪基线>中性基线]和[调节任务>中性基线]。通过这样的方法，我们能够以纯数据驱动的方式确定所产生的元分析分组(MAG)在对比统计中不同方面的贡献。这意味着来自同一研究的多个对照被独立处理，这样每个对照都有机会被分类到不同的组合中。在特定的背景下，这一点尤其重要，因为同一研究中的不同实验操作会产生不同的大脑激活区域。这与功能分离和实验设计的灵活性和复杂性是一致的，表明不同对比的操纵可以识别出可完成复杂任务(如情绪认知控制)的不同网络。 
图1.数据提取和k-均值聚类分析工作流程，步骤1到6。满足纳入标准的坐标被重建为激活图(步骤1)。然后，每张地图被折叠成一个一维的实验x体素矢量。每对实验向量之间的皮尔逊相关性系数生成了相关矩阵(步骤2)。基于7个不同的模型阶数(2-8)， K-均值聚类分析对实验进行分组(步骤3)。使用四种不同的度量来确定最佳聚类数(步骤4)。接下来，对每个得到的元分析分组(MAG)运行极大似然估计(ALE)元分析(pcluster-level<0.001；pvoxel-level<0.001)，以计算统计一致性的ALE图像(步骤5)。最后，基于BrainMap数据库生成ALE脑图在行为域的映射(步骤6)。将通过p个体素得到的MA图连接成n个实验的一维阵列。换句话说，每个实验的每个MA图都用一个向量表示。所有MA图的所有向量连接成一个实验大小为n*p个体素的矩阵。在此基础上，计算了n×n对称互相关矩阵（CC）。每对MA图之间的皮尔逊相关系数代表了每对可能的实验间MA图的空间地形相关性。在此步骤中，对CC矩阵进行k-均值聚类分析，以确定具有相似激活模式的MA图，并将其解析为元分析分组(MAG)。K-均值聚类过程是在Matlab(Mathworks，R2013b for Linux)中执行的，它按成对相似性对实验进行分组，用1减去MA图之间的相关性(从上述相关矩阵)计算相关距离，并通过最小的相关距离来找到“最佳”分组。该方法首先选择K个任意群集作为K个群集中每个群集的代表质心，并根据最接近的质心将实验指定给每个群集。这个过程反复进行，直到得到稳定的解决方案。本文研究了K = 2--8个群集的范围的解。一旦完成了对所有K个的群集分析，我们就将每个解决方案与相邻解决方案进行比较，并通过使用描述群集分离和稳定性的四个度量来评估这些方案。第一个指标，群集解决方案的轮廓系数（图2a），评估了与其他群集中的MA图、实验的MA图与其自己群集中的其他MA图的相似性程度。轮廓系数越大表明越大的分离是合理的，每个实验都很适合其集群，边缘实验误分类为相邻集群的可能性较低。其次，我们考虑了实验分配的一致性（图2b），通过比较一致分配给某一群组的最小实验数与一直分配给该群组的平均实验数之比来考虑实验分配的一致性。在这种情况下，只有高于0.5的比率，才被认为是可行的解决方案。第三，对信息量的变化进行量化，将每个解K与K−1和K+1个邻域的信息熵与簇间的共享信息进行比较（图2c）。最后，我们计算了每个解决方案的层次指数（图2d），它评估了集群如何从K−1分裂到K的解决方案以形成额外的群集。这是分组稳定性的另一个指标，其值由低于所有可能解决方案的中值和/或跨K值的局部最小值来表示。最佳集群解决方案是集群之间表现出最小重叠(即，高轮廓值)，同时与邻近解决方案（上一个和下一个解决方案）相比表现出相对稳定性(即，一致性>0.5，信息变化的局部最小值，以及比先前更低的层次索引)的结果。
2.2.4激活似然估计(ALE)荟萃分析图像的生成(分析步骤4)在选用合适的群集解决方案之后，对MAG(元分析分组)内的聚合激活模式进行了检查。为了确定实验中激活的元分析网络，我们使用激活似然估计(ALE)算法的修订版，对神经成像结果进行基于坐标的定量荟萃分析。该算法旨在识别单个MAG内跨实验的激活团块，这些团块显著高于与随机空间关联。计算所有来自实验的MA图的组合，以提取体素级ALE得分，该得分表示整个实验在大脑中每个特定位置激活结果的收敛程度。为了区分研究中的“真正”收敛和随机收敛，研究者将ALE分数与经验零分布进一步进行比较，该经验零分布表明了实验之间的随机空间关联性，其中相同数量的激活焦点被随机重新定位并受灰质概率图的限制。根据大规模ALE模拟的最新指南，ALE图像通过团块水平的FEW校正。对于元分析数据的解剖学标记，使用SPM解剖学工具箱中提供的概率图谱（该图谱基于AAL模板和牛津-哈佛模板糅合而成）。出于可视化目的，我们使用了MRIcroGL(http://www.mccauslandcenter./mricrogl/home).参考BrainMap数据库中每个神经成像实验可用的“行为域(BD)”和“范例类(PC)”元数据类别对MAGS的功能特征进行识别分析。行为域包括认知、行动、知觉、情感和内感等主要范畴，以及与之相关的子范畴。范例类对具体任务进行分类 (参见http:///Scribe/了解完整的脑图分类)。首先，使用正向推理方法，确定MAG(元分析分组)各自的功能图谱。与从大脑活动推断心理功能(“反向推理”)相反，我们在BrainMap数据库中挑选了代表心理状态的数据和由这些数据派生出的分类标签和MAG的地形图，并在它们之间创建了一个全面的映射。正向推理被定义成在给定心理过程知识的情况下，所观察到的大脑区域活动的概率。通过分类标签的识别由此来确定MAG的在行为域的功能。显著性采用二项检验(p<0.05，使用Bonferroni方法进行多重比较校正。也就是说，我们测试了给定特定标签的条件激活概率是否高于该相关区域本身的基线概率。然后通过卡方检验评估显著性（p <0.05，使用Bonferroni方法进行多重比较校正）。我们的手工注释使用了9个元数据类别的列表，这些类别捕获了实验设计的显著特征。我们对哪一项对每个MAG的贡献最大尤其感兴趣。因此，我们计算了每个MAG出现的频率。为了评估每个MAG和每个项的相对贡献，我们通过除以每个MAG的每个项来进行控制。我们的手工注释按照以下专业术语进行操作：“任务”((例如:调节或反应)、“对比”(例如:调节任务>情绪基线、情绪基线>中性基线、调节任务>中性基线以及反向对比)、“策略”(即“监管目标”)。例如:减少、维持、增加)、刺激的“效价”(即:“刺激源”(例如，视觉、听觉、电生理/生理、语言)、“刺激源-类别”(例如，图片、电影片段、其他)、“刺激源”(例如，IAPS、面孔、疼痛、电影等)、“具体方法”(例如，分离、透视等)和“参与者的性别”(即，女性，男性，两者，差别)。为了评估每项MAG的相对贡献，我们用每项MAG计数除以每个MAG的所有数目来控制基本水平。为每个对比创建meta分析(MA)地图，然后将具有相似激活拓扑的组聚类在一起。为了完整性，我们对K = 2—8个聚类数进行实验与计算，以确定一个最优解(图2)。并发现平均轮廓度量值通常随着K的增加而增加。分配实验指标的一致性如图2B，K = 2—6的所有解都满足稳定性要求，即在任何迭代求解中包含的最小实验次数至少为均值的50%。当K = 7/8时，集群实验的次数小于集群平均实验次数的一半。信息度量的变化（图2C）表明，当聚类数分别从K=3移动到4，5和6的时候，随着参数值的降低，4和6簇解的稳定性随之降低。层次指数度量（图2D）进一步证实了k=4的聚类解决方案，因为它包含的层次索引数量小于所有可能解决方案的中值。由于这些指标的一致性，我们选择继续使用K=4解决方案。基于群集指标的一致性，为四个群集解决方案的每个元分析分组(MAG)生成了ALE图。关于这四个MAGs的详细信息，如哪些研究和对比对每个MAG有多大贡献，可以在表S2的补充材料中找到。第一个MAG涉及左侧额上回（SFG）/背外侧前额叶皮层(DLPFC)、双侧顶叶(IPL)、补充运动区(SMA)、右侧岛叶、扣带回和楔前叶的聚集激活区(表1，图3A, MAG1蓝色表示)。第二个MAG显示双侧下额回（IFG）/腹外侧前额叶皮层（VLPFC），左侧颞上回（STG）/颞顶叶交界处（TPJ），左侧颞中回（MTG），左侧额中回（MFG），SMA和左侧尾状(表1，图3B, MAG2以绿色表示)。双侧杏仁核、梭状回、左侧海马旁回、额内侧回/腹内侧前额叶皮层(VMPFC)、导水管周围灰质(PAG)、枕下回(表1，图3C, MAG3为紫色)均有明显会聚。最后，第四个MAG显示双侧中央后回、左侧脑岛、左侧顶叶上叶(SPL)、楔叶和楔前叶、后扣带皮层(PCC)和PAG的聚合激活(表1，图3D, MAG4为红色)。
图3：大规模的元分析网络。共鉴定了四个荟萃分析分组(MAG)。MAG1(以蓝色表示)由背外侧前额皮层（DLPFC）和IPL、右侧岛叶、扣带回、楔前叶和SMA组成。MAG2(以绿色表示)涉及双侧VLPFC、左侧TPJ和颞中回、SMA和左侧DLPFC。MAG3(以紫色表示)位于双侧杏仁核和梭状回、左侧海马旁回、PAG和VMPFC。MAG4(用红色表示)由左侧SPL、双侧中央后回、左侧岛叶、PAG、楔前叶和PCC组成。表1 四个荟萃分析分组的ALE激活map的脑区定位
为了确定空间上不同MAG的功能和行为特征，本文使用了正向推理分析的方法。图4说明了BrainMap元数据库对四个不同MAG的功能解码，报告了MAG区域内活跃性较高的脑区。这些与单个MAG相关的行为域下的不同功能有助于我们对MAG相关的认知，情感和感知过程进行理解。MAG1主要由一个额顶叶网络组成，其中包括DLPFC，它与BrainMap的正向和反向推理分析中的认知和行动域有关(图4)。在这组MAG中，工作记忆、外显记忆、推理和抑制的范式被显著地识别出来。MAG2在左侧前额叶网络（包括VLPFC在内）中表现出收敛性激活，根据元数据项的分析，该网络主要与认知域相联系（图4）。与语言过程有关的范例在本MAG中得到了很好的体现。MAG3由双侧杏仁核、左侧海马旁、双侧梭状回、VMPFC和PAG等皮层下区域组成。Brainmap的分析清楚地表明了与情绪和记忆领域行为的相关(图4)。MAG4是基于脑岛、左SPL、PAG、楔前叶和PCC的聚合激活，这与动作、感知和内感受域有关 (图4)。这种激活模式与运动、疼痛、部分知觉和感受野的研究有关。
A是认知和行动领域，B是感知和情感领域，雷达图的边缘是与这四个领域相关的认知功能。对每个MAG进行分析，以确定哪些心理过程最能预测其激活。显示的是与四个MAG显著相关的认知概念术语(经pFDR校正后<0.05)。每个心理概念旁边的意义由对应于每个MAG的颜色编码点表示。表2 手动对4个MAG图进行认知行为和任务范式所占比重进行标注的结果
除了这些独特的Brainmap，我们还对MAGs的特征感兴趣，即哪些任务、策略、调节目标,刺激(价态、刺激类型)和样本特征(例如性别)对每个MAG的贡献最大。因此，我们使用分配给每个实验的手动注释来计算每个MAG词语的出现比例。所有术语的详细结果如表2所示。任务，策略，调节目标，价态，情感输入来源，刺激类别和性别的术语频率如图5所示。Brainmap和手动注释的联合评估允许为每个MAG生成功能和行为的解释文件。在MAG1中，对任务的分析表明了该网络对与情绪调节相关的任务指令的重视。在MAG1参与的实验中，91%的实验与调节阶段有关(主要是对比情绪调节>情绪基线[68%]或对比两种调节条件[18%])(表2，图5A)。对MAG1贡献最大的实验将重新评价作为调节策略[69%]，其目标是在对观看情绪图片[83%]和电影片段[11%]的过程中能够降低[83%]负面情绪[67%]。在MAG2中，发现任务贡献率与93％的情绪调节阶段之间有明确的关联（主要是进行情绪调节>情绪基线的对比[75％]）（表2，图5B）。与MAG1相似，MAG2主要展现的是重新评估[82％]，其目标是下调[56%]和上调[17%]对图片[74%]和电影片段的负面情绪[89%]。总之，这些结果表明，MAG1和MAG2的重新评价与情绪反应的调节有关。与前两个MAGs相比，我们发现，72%的实验测试了相反的条件---情绪反应，即MAG3的情绪感知 (主要比较了情绪基线，情绪调节与情绪基线和中性基线。)(表2，图5C)。绝大多数实验都进行了以控制条件为策略的任务设计，以保持观看负面图片时的情绪反应[85%]。这表明MAG3主要与记忆相关的情绪处理和情绪产生有关。与其他MAG相比，MAG4所反映出的认知功能最为复杂(表2，图5D)。MAG4的任务促成与调节阶段[42%]以及情绪反应性[58%]有关。因此，MAG4是基于情绪调节>情绪基线的对比[24%]，反之亦然[38%]。这也与任务设计有关，既实施了重新评价[33%]，也实施了控制条件[58%]，目标是减少[26%]或保持[58%]负面情绪反应[78%]。而且，对MAG4有贡献的实验进行了更多样化的刺激，如图片[72%]、电影剪辑[12%]和其他刺激[16%](即电生理刺激、金钱/奖励、面孔、句子、剧本、记忆和疼痛)。因此，MAG4似乎参与了情绪刺激的生成感知过程，也潜在地参与了情绪反应的调节。
图5手动注释特定MAG的涵义 这些术语说明了跨MAG(A-D)的实验设计的显著特征。这些百分比表示每个MAG在每个元数据类别中的出现比例。任务(黄色)：调节(对照：[调节任务>情绪基线]；[调节任务>调节任务]；[调节任务>中性基线])，反应性(对比：[情绪基线>调节任务]；[中性基线>调节任务]；[中性基线>情绪基线])。 策略(绿色)：重新评价、分心、压抑、控制(维持)、其他策略(对比：[重新评价>分心]；[分心>重新评价]；[抑制>重新评价]；[重新评价>抑制]；[重新评价+分心+抑制]；[重新评价+分心])。目标(蓝色)：减少、增加、维持、其他目标(对比：[减少>增加]；[增加>减少]；[减少+增加])。价态(紫色)：负、正、中性、混合。输入来源(粉色)：视觉、语言、生理、其他来源([视觉+语言]；条件刺激。刺激类别(红色)：图片、电影、电影+图片、其他刺激(剧本；金钱/奖励；痛苦；脸/句子；句子/记忆；电子电击)。受试者性别(橙色)：女性、男性、两者(女性和男性)、差异(对比：[女性>男性]；[男性>女性])。 人们普遍认为情绪反应在性别上得到很明显的差异。通常认为女性比男性更情绪化。所以，有关情绪调节的早期研究只测试了女性，很少有研究测试男性。因此，对于上述MAGs的特征，我们将参与者的性别作为MAG构成中的一个关键贡献特征因素。对MAG1和MAG3有明显贡献的实验显示出相似的性别分布，分别有34%和33%的实验只使用女性样本，64%和65%的实验使用混合样本(即男性和女性参与者)。对于MAG2和MAG4的实验，分别有73%和75%的实验基于混合样本，其余的26%和19%被分配给以女性样本为重点的实验。综上所述，这些发现表明，在MAG内观察到的汇聚活动模式可能与性别无关。在这项研究中，我们在已发表的107篇论文中（涉及385个实验）进行了数据挖掘，根据ER过程中报告的收敛的脑激活模式，识别出情绪产生、感知和调节所依赖的大规模神经网络。并提供了经验证据，支持由大规模大脑网络支持的ER的多成分观点。我们不仅定义了这些网络的空间拓扑，而且为相关的心理过程提供了一个基于经验的定性标签。使用k-Means聚类方法和功能解码分析，识别了四个不同的网络和相关的心理过程。综上所述，我们观察到了两个与调节有关的主要皮层网络(MAG1和MAG2)，一个与情绪感知和生成相关的皮质下网络(MAG3)，以及一个与情绪调节过程和情绪反应都相关的网络(MAG4)。还根据分布式大规模网络相关的行为特征提出了这样的假设，即这些大脑网络在ER过程中扮演着不同的角色。总体而言，研究情绪调节的实验设计在四个网络上出现了一个趋同的模式。基于实验观察到的MAG，使用重新评估来下调情绪，以应对负面图片。这代表了情绪调节研究中的一种标准方法，也暗示了同质的数据的优势，但同时也限制了确定调节策略、调节目标、刺激类型和特征之间的差异的可能性。我们的结果对ER的多组分过程有了新的认识，并为研究ER的功能结构提供了一个连贯的框架。前两个网络主要由偏侧的大脑皮层区域组成。这些大脑区域几乎完全与大脑地图数据库中的认知域联系在一起。基于行为特征和网络拓扑结构，我们假设这两个网络对负面刺激的重新评估起着非常重要的调控作用，以下调其负面影响。有趣的是，这两个调控网络沿着背侧-腹侧梯度分离，这在以前的ER文献中已经讨论过。侧背侧PFC网络(MAG1)与工作记忆和反应抑制有关，而腹侧PFC网络(MAG2)与语言加工有关。网络拓扑结构和功能之间的这种关联很早以前就已经被提出，我们的结果很好地证实了之前的一些假设。相反，另外两个网络主要包括皮层下的大脑区域，与大脑地图数据库中的知觉和情感领域联系最紧密。MAG3网络包括杏仁核、海马旁回和VMPFC，与不同情绪质量的感知密切相关，因此这些网络似乎在情绪反应的产生以及潜在的情绪刺激的评估中起着核心作用。MAG4与情绪生成和调节有关，但它代表的是对内在感觉的感知，因此与内感、身体意识、感官预测和某些人的合成有更强的联系。MAG4可能作为一个中枢，在重新评估中起中介作用，并整合来自前额叶网络(MAG1和MAG2)以及皮质下网络(MAG3)的信息，以便产生情绪和调节这些反应。这与最近提出的构建情绪的模型一致，该模型假设PAG是大脑内部模型的核心。MAG3和MAG4重叠在一个区域，即PAG，它可能作为一个枢纽，并对调节两个网络之间的信息流和整合至关重要。PAG代表了一个高度连接的大脑区域，与下行边缘系统和上升感觉系统相连，因此不仅参与情绪处理，而且通过自动神经系统参与自我平衡调节的情绪方面的整合。我们的发现与Smith和Lane提出的调节情绪的六级调节层次(图6)得到了很好的映射。该模型提出了一个支持情绪调节的六个层次的大规模脑网络组织。我们的结果很好地匹配了其中四个等级水平及其各自的心理过程。由于全脑功能磁共振成像的空间分辨率、脑干区域的信噪比以及HRF的潜在时间分辨率的限制，在我们的研究中，我们不能确定躯体和内脏水平(第一水平)的身体状态和行为调节的最低水平，以及基于脑干亚核的动态平衡调控(第二水平)。然而，涉及离散身体状态的第三级监管控制相关刺激的表征和感知与MAG4部分匹配。在这一调控阶段中似乎发挥重要作用的一个主要区域是PAG，我们在MAG3和MAG4中发现了它。然而，请注意，下丘脑不是MAG4的一部分。第四级监管通常与快速、自动的评估机制有关。在相关情况下，杏仁核对于检测和评估情绪刺激和计算刺激的凸显性非常重要。由于杏仁核在MAG3中有很强的特征，我们将第四级调控过程归因于这个大规模的大脑网络。第五级调控整合了内感知觉表征，评估了当前的内部情绪状态，并跟踪了岛叶(MAG4)的实际生理变化。此外，有人认为VMPFC(MAG3)代表稳定的、高水平的、受语境调节的评价，从而产生“情感意义”。最后，在最高级别的调控--自愿ER(第6级)上，两个皮层大规模网络(MAG1和MAG2)开始发挥作用。综上所述，我们认为分级监管控制的可区分级别是基于可分离但却又是相互作用的大规模网络。
图6 Smith和Lane提出的调节情绪的六级调节层次模型本文提出了大规模脑网络组织在情绪调节中的证据，这与以往研究中提出的调节层次保持了很好的一致性。总体上，调节网络沿腹背轴分离。它们在功能上的特点是更注重反应抑制或执行控制，而不是评价或语言处理。本文发现的4个不同的大脑网络为参与情绪产生和调节的多个大规模网络提供了一个连贯的框架。本文的突出贡献之一是为大规模脑网络中的组织提供了经验证据，这些证据不仅在空间上证实了先前的假设，而且与心理过程的假设联系也是重叠的。该发现可能会为未来基于网络的成像分析提供更可靠的信息。本文已经确定的皮层和皮质下网络之间的连通性分析，例如前额叶区域和杏仁核和PAG等结构，可能会对不同人群之间的情绪调节/调节失调差异产生新的见解。因此，这些网络提供了对大脑区域的先验选择，以模拟它们之间和它们之间有效连接的因果方向，并且通过Brainmap提供的行为域映射和任务域映射方法，有效的理解了这4个网络的认知功能和任务范式。这可以为现有的ER研究提供信息，因此，可能在临床工作中具有特别相关的应用，例如用于焦虑症和抑郁症的干预。总而言之，本文是一篇优秀的脑激活meta分析文献，值得细细品读。
|
