Psychophysiology：脑-心交互如何影响个体的情绪体验？

摘要

情绪的主观体验与对身体(例如心脏)活动变化的情境感知和评估相关。情绪唤醒增加与高频心率变异性(HF-HRV)降低、EEG顶枕区α功率降低以及心跳诱发电位(HEP)振幅较高有关。本研究使用沉浸式虚拟现实(VR)技术来研究与情绪唤醒相关的脑心相互作用，以实现自然而可控的情绪诱发。29名健康成年人(13名女性，年龄：26±3岁)完成了一项VR体验(过山车)，同时记录了EEG和心电图(ECG)。随后，完成情绪唤醒度评分。本研究使用HEPs分析了与情绪唤醒相关的HF-HRV和脑-心交互(BHIs)变化。此外，本研究还利用ECG和EEG中的振荡信息来建模大脑与心脏活动之间的方向性信息流。研究结果发现，较高的情绪唤醒与左额中央电极簇中的HEP振幅降低相关。虽然在较高的情绪唤醒中，心脏的副交感神经调节(HF-HRV)和顶枕区EEG α功率均有所降低，但并没有证据表明大脑与心脏之间的双向信息流存在与情绪唤醒相关的变化。在其他EEG频段(δ、θ、α、β和γ)和HRV(低频LF和高频HF)频段的全脑探索性分析中，发现了一个颞枕簇，其中较高的情绪唤醒与大脑到心脏(即γ→HF-HRV)信息流减少和心脏到大脑(即LF-HRV→γ)信息流增加相关。本研究结果证实了先前的发现，并揭示了情绪唤醒与颞枕区γ功率之间存在脑-心相互作用。

引言

情绪是由内部或外部事件引起的，这些事件被认为与机体的健康有关。情绪具有主观和生理等多个组成部分。本研究旨在利用沉浸式虚拟现实技术，将主观情绪体验与大脑和心脏的生理活动联系起来，并研究它们在自然刺激下的相互作用。

情绪的主观成分，或者更广泛地说，情绪状态是人类经验或意识的基本特征，并与身体变化的情境感知和评估相关。虽然像詹姆斯-朗格理论、坎农-巴德理论或沙赫特-辛格理论强调外周生理反应与(以大脑为中心的)认知评估成分之间不同的时间顺序和相互重要性，但它们都包含身体过程与情绪的主观体验之间的联系。更近期的术语将关于身体内部生理状态的内感觉信息(例如，自主神经、内脏)与关于外部世界物理状态的外感觉信息(例如，听觉、视觉)结合在一起。情绪的主观体验通常使用两个连续维度来描述：效价和唤醒。效价指的是愉快或不愉快的体验，而唤醒则是指体验的强度。

看到蛇时，手掌出汗、心率加快、喉咙紧缩，这些都是与情绪有关的生理反应。这些外周生理反应由自主神经系统(ANS)调节，其中副交感神经的活动与“休息与消化”模式相关，而交感神经的活动与“战斗或逃跑”反应相关。以心血管系统为例，这两条神经支路可以调节心脏窦房结的活动，从而改变心率。这些影响具有不同的时间动态，交感调节相对较慢(秒级)，而副交感调节相对较快(毫秒级)。在实验中很难单独观察和分析交感神经对心脏的具体影响。然而，自主神经阻断剂、心脏去交感神经术(如迷走神经切断术)和身体姿势的调整显示，副交感神经的影响或迷走神经的心脏调节可以通过高频心率变异性(HF-HRV)来量化，即0.15-0.4Hz范围内的心跳时间波动(即搏动间隔，IBI)，而低频心率变异性(LF-HRV；0.04-0.15Hz)反映了交感和副交感神经对心脏的影响。ANS活动与情绪相关，但无法确定只与特定情绪类别相关的特定模式。在关于情绪唤醒和效价这两个维度的核心影响方面，文献中对ANS活动变化的研究结果似乎更加一致；具体来说，不愉快的刺激(即负效价)与心率降低有关，而较高的情绪唤醒则与HF-HRV下降有关，这表明在较高的情绪唤醒状态下，副交感神经对心脏的影响减弱。

大脑整合了外部(外感知)和内部(内感知)信号，这些信号形成了情绪体验。身体与大脑之间信息流动的主要途径是迷走神经，它将来自心脏的感觉信号传递到脑干，在那里产生反射(例如，压力反射)，同时也传递到大脑皮层和小脑。相反，节前自主运动神经元也由迷走神经支配，并受到大脑的控制；特别是中枢自主神经网络(CAN)，包括下丘脑、杏仁核、前扣带回、岛叶和内侧前额叶皮层。这些脑区在情绪的神经影像学研究中也经常被报道。来自啮齿类动物的最新证据表明，特别是岛叶、杏仁核和前额叶皮层，以及脑干回路，能够将心脏和迷走神经活动整合到信息处理中，从而影响情绪感知和适应性行为。对心脏和特定脑区的光遗传学刺激，以及进行迷走神经手术，为心脏与大脑之间双向信息流动及其在情绪处理中的作用提供了因果证据。

心脏和大脑的激活可以分别用心电图(ECG)和脑电图(EEG)进行电生理记录。这两种信号都包含振荡和非周期性成分(心脏；大脑)。在ECG信号中，心率变异性(HRV)的振荡通常被分解为低频(LF-HRV)和高频(HF-HRV)成分，而在EEG信号中，通常被定义为五个频段：δ(0.3-4Hz)、θ(4-8Hz)、α(8-13Hz)、β(13-30Hz)和γ(30-45Hz)。ECG和EEG振荡均受到非侵入性迷走神经刺激的调节，这与在动物中进行的侵入性研究结果相吻合。由于心脏和大脑的活动在情绪体验中发挥着重要作用，因此它们的多模态或联合分析比单独分析任何一种模态更能全面地捕捉人类体验的生理特征。通常通过电生理记录测量情绪相关的脑-心交互(BHIs)，目前已经采用了不同的方法进行研究：例如，事件相关分析(如心跳诱发电位[HEP])和振荡分析(如定向功能BHIs)。

HEP(心跳诱发电位)是一种事件相关电位(ERP)成分，它可以在EEG信号与ECG中的R峰同步时观察到。HEP被认为反映了大脑皮层对心跳的处理过程，其振幅受到内感受和情绪处理的调节。例如，Luft和Bhattacharya(2015)通过视频和音乐操纵情绪唤醒(注意：未评估主观体验)，发现高情绪唤醒(HA)block中的HEP振幅高于低唤醒(LA) block——特别是在R峰后0.38-0.46s期间，右顶叶电极(P6和P8)上的结果更明显。较高的HEP振幅被认为反映了注意力从外部刺激向内部身体状态的转移。

通过联合分析EEG和ECG数据中的振荡，例如使用合成数据生成(SDG)模型，可以计算出定向功能BHI。该模型基于双向通信环路，其中心率变异性(HRV)可以影响大脑的电活动(EEG)，而反过来，大脑的电活动(EEG)也可以影响心率变异性(HRV)，SDG结合了这两种生理活动的生成模型。Candia-Rivera等人(2022)使用这种方法发现，从迷走神经心脏调节(HF-HRV)到EEG的上行信息流在δ、θ和γ频段的振荡与情绪唤醒等级相关，尤其是在额电极和顶枕电极上。此外，心-脑上行信息流增强先于脑-心下行信息流减弱，这些与情绪唤醒相关的BHI变化与HF-HRV相关，但与LF-HRV无关。

在这里，本研究使用了一种具有情绪唤醒的VR体验(包括两个过山车，中间有休息时间)，同时记录了EEG和ECG信号，并对情绪唤醒度进行了评估。利用空间滤波和非线性机器学习对EEG数据进行分析，我们可以从顶枕区α功率解码主观情绪唤醒。鉴于心脏活动和心脑轴在情绪体验和情绪唤醒中的重要性，本研究将ECG纳入了分析。本研究预期通过联合分析EEG和ECG数据，能够获得关于情绪唤醒生理机制的深入见解，这些见解在仅分析EEG信号时无法获得。

材料与方法

参与者

通过柏林心智与大脑学院的参与者数据库(ORSEE的改编版本)招募受试者。纳入标准包括：右利手、视力正常或矫正至正常、德语流利、过去10年内没有(自我报告)精神或神经疾病诊断，以及虚拟现实(VR)体验少于3小时。要求受试者来实验室前的1小时内不喝咖啡或使用其他兴奋剂。实验持续约2.5小时，受试者的报酬为每小时9欧元。他们在实验前均签署了知情同意书，本研究得到了柏林洪堡大学心理学系伦理委员会的批准。共有45名健康年轻成人(22名男性，平均年龄：23±4岁，范围：20-32岁)来到了实验室。由于技术问题(n=5)、电极故障(EEG：n=1，ECG：n=3)、实验中止(n=1)或未满足纳入标准(n=1)，共有11名受试者的数据被剔除，最终处理了34名受试者的数据。在进行EEG质量评估后，共有29名受试者(16名男性，平均年龄：26±3岁，范围：20-31岁)的数据进一步纳入分析。

材料

采用国际10-20系统(actiCap和LiveAmp，Brain Products GmbH，Germany)放置的30个Ag/AgCl电极记录EEG信号，以FCz为参考，采样率为500Hz，硬件低通滤波器截止频率为131Hz。另外两个电极用于捕捉眼球运动(眼电图)，分别放置于右眼下方和外眦。

使用双极I导联配置的额外电极同步记录ECG(采样率为500Hz)。接地电极放置在右侧锁骨上，两根被动导电电极则双侧放置在受试者的躯干(下肋骨区域)上。此外，记录左手食指和无名指的皮肤电导反应。由于本文的重点是脑-心或EEG-ECG相互作用，因此此处不考虑皮肤电导数据。

虚拟现实(VR)设备：将带有耳机的HTC Vive HMD(HTC，台湾)连接到脑电帽上，并使用缓冲垫以避免压力伪影。该VR体验在Steam上有售(“Russian VR Coasters”，由Funny Twins Games于2016年发布)。

实验设计

在实验开始时，受试者完成了两个与唤醒相关的量表：(1)状态-特质焦虑量表(STAI-T)的“特质”子量表和(2)冲动行为量表(UPPS)的“感觉寻求”子量表。随后，受试者进行了280s的VR体验，其中包括两次过山车(分别为153s和97s)和一次30s的中间休息，体验进行了两次：一次是保持头部直立以避免脑电数据中的运动伪影(无运动条件)，另一次是自由移动头部(运动条件)。由于预计受试者的动作自由度很高，因此引入了无运动条件来测试与运动相关的噪声或伪影。VR体验顺序是随机的(在分析的29名受试者中，无运动-运动：n=13；运动-无运动：n=16)。在随后的评分阶段(在每个运动条件的VR体验后立即进行)，受试者在虚拟屏幕上观看了他们VR体验的2D录制视频。在观看视频时，受试者回忆了他们的情绪唤醒，并使用旋钮(Griffin PowerMate USB；采样率：50Hz)进行报告，他们通过旋钮调节视频旁边的一个垂直评分条，评分范围从低(0)到高(50)(步长为1)。实验结束后，要求受试者对每个过山车体验在每种运动条件下的存在感(7分李克特量表，1~7分)和效价(7分李克特量表，−3~3分)进行评分(即每个变量共有四个评分)。

预处理

预处理步骤的概述如图1所示。分别对无运动和运动条件(分别指无头部运动和有头部运动)下记录的数据进行预处理。

图1.预处理流程图。

(1)数据裁剪

为了避免与虚拟过山车体验的开始和结束相关的异常值，将EEG数据、ECG数据和唤醒评分以10s的时间间隔进行裁剪。这使得每位受试者具有两个270s的时间序列(无运动和运动条件)。

(2)情绪唤醒评分

通过平均非重叠滑动窗口将主观报告降采样至1Hz，然后将每个受试者的唤醒水平分成三个等级(低、中、高)。为了提高分析的敏感性，并增强本研究结果与以往研究结果的可比性，中等唤醒水平将不纳入分析。最终仅考虑低唤醒和高唤醒两组，每个受试者的样本为180个(低唤醒90个，高唤醒90个)。

(3)心电/ ECG

将ECG记录的采样率降至250Hz。在MATLAB(版本R2022a)中使用EEGLAB扩展包HEPLAB(版本1.0.1)进行自动R峰检测和手动检查/校正。

使用了Python(版本3.10)中的neurokit2包(版本0.2.3)计算IBI时间序列，重采样至4Hz(三次样条插值)，并使用连续小波变换(CWT，母小波：Morlet，ω0=6)对其进行时频表征(TFR)。为了尽量减少半连续性(即休息开始和结束时的过渡效应)引起的伪影，在重采样之前去除休息开始和结束后的第一个R峰。为了最小化时间序列开头和结尾处的边缘伪影，在计算CWT之前，在IBI时间序列的开头和结尾各添加了一个70秒的反向数据作为填充。

TFRs在2秒的滑动窗口(50%的重叠)内进行平均，并降采样至1Hz。通过对0.04-0.15Hz(LF-HRV)和0.15-0.4Hz(HF-HRV)频率范围内的TFRs进行积分，得到高心率变异性和低心率变异性谱功率时间序列。最后，部分移除了IBI和HRV时间序列中的对称填充，保留了35秒的对称填充，以初始化SDG模型。

(4)脑电/EEG

使用基于EEGLAB工具箱(版本2023.0)和MNE(版本1.1.0)的自定义MATLAB和Python脚本对脑电数据进行预处理和分析。连续数据被降采样至250Hz，并应用PREP管道(v.0.56.0)程序去除线噪声(50Hz)、平均参考、检测噪声通道以及进行球面插值。在无运动和运动条件下，每个受试者平均插值了2.08和2.47个通道。然后对数据进行带通滤波(0.3-45Hz；使用汉明窗sinc FIR滤波器)，在数据集中加入与唤醒评分和R峰时序信息相关的事件标记。采用ICA来识别和去除由眼动、眨眼、心脏和肌肉活动引起的EEG伪影。删除通道幅值大于100μV的时段(除了与眼球运动有关的通道，即EOG通道、Fp1、Fp2、F7、F8)。被删除的时段超过90个的受试者(占数据的33%)将不纳入后续分析(无运动：n=5；运动：n=9)。使用EEGLAB的SASICA扩展程序(版本1.3.8)和目视检查选择ICA伪影成分。将剩余ICA权重反向投影到连续时间序列上。

使用连续小波变换(CWT；母小波：Morlet，周期数=7)计算TFRs。为了最小化边缘伪影和过渡效应，分别对每个部分(过山车1、休息、过山车2)进行CWT计算，然后将结果重新连接在一起。TFRs在2秒的滑动窗口(50%的重叠)内进行平均，并降采样至1Hz。每个电极的EEG谱功率时间序列是通过在五个经典频段内(δ：0.3-4Hz、θ：4-8Hz、α：8-13Hz、β：13-30Hz和γ：30-45Hz)对TFRs进行积分得到的。在时间序列开始时保留35秒的对称填充，以初始化SDG模型。

(5)大脑-心脏

除了上述预处理步骤外，还对心脑信号进行了联合分析：

心跳诱发电位(HEP)。在时域中，预处理后的EEG数据时段范围为每个R峰前300ms到后800ms。然后，对每个时段进行基线校正，基线校正时间窗为[−125~25]ms。

合成数据生成(SDG)。每个受试者的IBI、LF-HRV、HF-HRV和α谱功率时间序列以及头部运动条件被用作SDG模型的输入。

在该方法中，ECG的R峰被建模为一个Dirac delta函数序列，该序列由两个代表心脏自主调节活动的振荡器(LF和HF)进行积分而产生。振荡器的振幅取决于脑-心耦合系数。该系数量化了从特定EEG频段到特定HRV频段的信息流强度。反过来，EEG信号(基于自适应马尔可夫过程)被建模为多个振荡器(每个频段一个：δ、θ、α、β、γ)。该系数量化了从特定HRV频段到特定EEG频段的信息流强度。因此，EEG和HRV时间序列是相互依赖的，它们的相互作用由耦合系数调节。最后，通过逆建模，得到脑-心耦合系数和心-脑耦合系数。

结果

参与者

在对EEG进行预处理和质量检查后，共有29名被试(16名男性，平均年龄：26±3岁，年龄范围为20到31岁之间)的数据被纳入后续分析。更具体地说，在排除9名(运动，mov)和5名(无运动，nomov)被试数据后，结果为：Nmov=25和Nnomov=29。

状态和特质报告

所有被试特质焦虑得分(STAI-T，特质子量表，可能得分范围为20-80)的平均值(±标准差)为44.34±3.56(范围：37-51)，感觉寻求得分(UPPS，感觉寻求子量表，可能得分范围为1-4)的平均值为3.01±0.38(范围：2.08-3.67)。

在运动(mov)条件下，所有被试的存在感评分均值±标准差为4.53±1.81(范围：1-7)；而在无运动(nomov)条件下，存在感评分均值±标准差为4.34±1.80(范围：1-7)。两种条件之间没有显著差异(p=.225）。

所有被试在运动条件和无运动条件下的平均效价评分分别为1.36±1.42(范围：−3至3)、1.16±1.52(范围：−3至3)。两种条件之间无显著差异(p=.176)。

情绪唤醒评分

在运动条件下，所有时间点的情绪唤醒评分均值为27±12(范围：0-50)，在无运动条件下为24±13(范围：0-50)。描述性分析显示，Andes Coaster的情绪唤醒最高，Space Coaster的唤醒相对较低，而休息时的唤醒评分最低。

心电/ECG

在高频心率变异性(HF-HRV)上，唤醒水平存在显著的主效应(p=.021)(图2)。但未发现头部运动的主效应(p=.218)以及它们之间的交互效应(p=.245)。事后成对比较显示，在头部运动条件下(mov)，HA组的HF-HRV显著低于LA组(p=.007)，但在无头部运动条件下(nomov)没有显著差异(p=.285)。

图2.在头部运动条件下，高、低情绪唤醒之间存在显著的HF-HRV差异。

在LF-HRV中可以观察到相同的模式，即唤醒水平的主效应显著(p=.005)，运动条件的主效应不显著(p=.152)，且唤醒与运动之间无显著交互作用(p=.492)。事后成对比较显示，在运动条件下，HA的LF-HRV显著降低(p=.004)，但在无运动条件下没有显著差异(p=.124)。

脑电/EEG

唤醒水平对受试者的顶枕区α功率有显著影响(p＜.001)(图3)。头部运动的主效应未达到显著性水平(p=.128)，交互效应也不显著(p=.101)。事后成对比较显示，在自由运动(p=.004)和无运动(p＜.001)条件下，高唤醒(HA)组的顶枕区α功率显著低于低唤醒(LA)组。

图3.高唤醒组的顶枕区α功率显著低于低唤醒组。

大脑-心脏

心跳诱发电位(HEP)

基于聚类的置换检验显示，高唤醒(HA)与低唤醒(LA)的HEP存在显著差异，表现为R峰后328到360ms左侧额中央区域(C3、FC1、FC5、Fz、F3电极；蒙特卡罗p=.019；见图4a)有明显的簇，HA组的HEP振幅显著低于LA组(即更负)(见图4b)。

图4.在左侧额中央电极上，HA组和LA组之间的HEP振幅有显著差异。

通过eLORETA进行的源定位分析显示了源分布情况，其中最大值位于中央沟附近以及内部，主要集中在前运动区、感觉运动区和辅助运动区(图4c)。本研究还观察到在右侧颞顶电极(P8、TP10、T8电极，R峰后352到356ms)上出现了另一个簇，HA组的HEP振幅高于LA组。然而，该簇在多重比较校正后不显著(蒙特卡罗p=.310)。

SDG

总的来说，所有受试者在头部运动(mov)条件下的心脏、脑部和感兴趣的脑-心指标的平均时间序列如图5所示。无头部运动(nomov)条件下的时间序列详见补充材料。

图5.所有受试者在头部运动(mov)条件下的平均时间序列，包括心跳间期(IBI)、低频心率变异性(LF-HRV)、高频心率变异性(HF-HRV)、感兴趣区域(ROI：电极Pz、P3、P4、P7、P8、O1、O2和Oz)的平均对数α功率、脑-心耦合系数(α→HF-HRV；平均ROI)、心-脑耦合系数(HF-HRV→α；平均ROI)以及情绪唤醒评分。

唤醒对BHI双向耦合系数的主效应不显著(HF-HRV→α：p=.934；α→HF-HRV：p=.619)(图6)。同样，运动对BHI双向耦合系数的主效应也不显著(HF-HRV→α：p=.371；α→HF-HRV：p=.339)，并且没有发现唤醒与运动之间的交互效应(HF-HRV→α：p=.217；α→HF-HRV：p=.930)。

图6.高、低情绪唤醒之间无明显的脑心交互作用(BHI)差异。

结论

本研究在沉浸式VR中考察了情绪唤醒体验期间的脑-心交互情况。特别是，本研究分析了与情绪唤醒相关的心脏活动(特别是其迷走神经调节)，以及它在多大程度上促进了情绪唤醒与顶枕区α功率之间的关联。研究结果发现，在高唤醒(HA)和低唤醒(LA)状态之间，心脏活动、大脑活动以及较不稳定的脑-心相互作用方面存在差异。更具体地说，本研究在事件相关分析(即HEPs)中观察到了与情绪唤醒相关的显著脑心交互(BHI)差异，但在振荡分析(即SDG建模)中并未发现相应差异，尽管全脑探索性分析显示，在高情绪唤醒期间，心-脑上行信息流(即低频心率变异性(LF-HRV)→伽马波(γ))增加，而脑-心下行信息流(即伽马波(γ)→高频心率变异性(HF-HRV))减少。本研究的发现扩展了以往的经典研究结果，并证实了在更自然的条件下，情绪唤醒与HF-HRV、顶枕区α功率和HEP振幅之间的关系。总的来说，本研究展示了VR结合多模态生理记录可以作为一种有价值的方法，以全面地研究情绪的不同方面。此外，要更好地理解情绪过程，我们必须同时考虑心脏和大脑的相互作用，因为它们在情绪中都扮演着不可或缺的角色。

参考文献：Fourcade, A., Klotzsche, F., Hofmann, S. M., Mariola, A., Nikulin, V. V., Villringer, A., & Gaebler, M. (2024). Linking brain–heart interactions to emotional arousal in immersive virtual reality. Psychophysiology, 00, e14696. https://doi.org/10.1111/psyp.14696

小伙伴们关注茗创科技，将第一时间收到精彩内容推送哦～