面孔感知是人类社交互动的基础，具有复杂且高度专业化的过程和机制。对面孔的研究为探究大脑如何处理细微的多维度的信息提供了一个很好的案例。已经有许多文献探究了面孔加工的时间动态，但其所涉及的空间机制仍不清楚。因此，从空间上探究年龄、性别、情绪和身份等不同维度面孔信息的加工脑区能够让我们更好地理解大脑的信息加工机制。此外，本研究还依据情感的环形模型，将情绪细分为效价和唤醒度，详细探究了大脑不同区域对效价和唤醒度信息加工的差异。
近日，脑与认知神经科学研究中心情绪与社会认知课题组开展了一项fMRI研究，详细探究了在内隐任务条件下，大脑区域与区域间的连接对不同维度面孔信息（如年龄、性别、情绪和身份）的表征方式。本研究对fMRI数据使用了支持向量机（SVM）解码，功能连接（functional connectivity; FC）和基于模型的表征相似性分析（RSA）来获得不同维度面孔信息在大脑中的表征方式。
本研究的实验设计如下图所示：
具体而言，在每个block中，被试都需要观看10张面孔图像，同时执行一项检测任务，在面孔图像与线索刺激不相同时（即目标刺激）做出按键反应。每个图像呈现400 ms，随后是600 ms的刺激间隔（ISI）。为了避免被试的期望，目标刺激在每个block的10张面孔图像中以相等的概率出现0次、1次或2次。
首先将fMRI数据与血液动力学响应函数（HRF）进行卷积并进行GLM建模，得到相应面孔刺激的Beta值作为后续多变量模式分析（MVPA）的输入。根据不同的Run对面孔刺激进行分类，其中两次Run用于训练，其余一次Run用于测试。对任意两张不同的面孔刺激对进行二元分类以获得解码准确率，产生一个24×24的解码矩阵，称为表征差异矩阵（RDM），并在每个ROI上重复整个过程。同样，使用CONN来进行ROI-ROI功能连接（FC）分析并生成相应的FC RDM。最后，将获得的ROI RDM和FC RDM分别与不同维度面孔信息的模型RDM进行表征相似性分析。
实验结果表明，相比与其他面孔信息，即使在内隐任务条件下，情绪信息依旧能够被大脑表征，且表征方式主要依赖于内侧杏仁核与海马旁回之间的功能连接。另外，本研究还发现，在内隐任务条件下，情绪中效价与唤醒度信息的表征方式存在差异，唤醒度的表征发生在海马旁回，而效价信息的表征则依赖于初级视觉皮层与海马旁回间的连接。
总之，本研究揭示了面孔中不同维度信息加工的精确空间模式，并为情绪面孔的感知计算提供了强大的支撑。
该研究获得国家自然科学基金（31871106）资助。文章已在线发表于NeuroImage。脑中心毕业硕士生李轶文为论文第一作者，通讯作者为罗文波教授。
论文信息
Li, Y., Li, S., Hu, W., Yang, L., Luo, W.*(2024). Spatial representation of multidimensional information in emotional faces revealed by fMRI.NeuroImage. 290, 120578.
文章地址链接：https://doi.org/10.1016/j.neuroimage.2024.120578
