- 2 次围观
我们采用情感研究中最全面的多模态生物传感数据集之一，对个体进行密集采样，以探究情绪如何在每个人的大脑和身体中形成。4名参与者在接受128通道脑电图（EEG）及28项自主神经、眼动和面部记录的同时，观看了168段诱发情绪的视频。经交叉验证的弹性网分类器能够在每位参与者中将15种积极情绪及中性情绪分别与基线区分开来（平均准确率为87%—97%）。我们发现，没有任何一种情绪能够由单一指标预测；每种情绪都体现为由皮层活动和自主神经活动构成的多模态组合，且其组成在很大程度上因人而异。然而，基于生理指标得到的情绪分组与自我报告仅在特定情况下趋于一致：基于生理指标，兴趣—敬畏—愉悦—满足，以及沉浸感—审美欣赏这两组情绪在不同个体间反复出现。在不同情绪组中，额区与后部的δ波、后部α波以及皮肤电活动构成了共同的基础特征，可能反映了情感和感觉投入；而心血管和面部信号则因人而异。该框架可提供个体化、客观的情绪神经生理指标，有望助力个性化诊断。
基于情感研究中最全面的多模态生物传感数据集之一，并在个体内进行密集采样，我们探究了情绪如何在每个人的大脑和身体中体现。四名参与者在接受 128 导联脑电图及 28 项自主神经、眼动和面部记录的同时，观看了 168 段能够引发情绪的视频。经交叉验证的弹性网分类器能够在每位参与者中将 15 种积极情绪和中性情绪分别与基线区分开来（平均准确率为 87%–97%）。我们发现，没有任何一种情绪可由单一指标预测；每种情绪都体现为皮层活动与自主神经活动构成的多模态组合，其组成在很大程度上因人而异。然而，基于生理信号划分的情绪类别与自我报告仅在特定情况下趋于一致：基于生理信号，兴趣—敬畏—愉悦—满足，以及沉浸—审美欣赏这两组情绪在不同个体中反复出现。在不同情绪组别中，额部和后部 δ 波、后部 α 波及皮肤电活动构成共同的基础模式，可能反映情感投入和感觉投入；而心血管与面部信号则因人而异。这一框架提供了个体化、客观的情绪神经生理指标，有望助力个性化诊断。
作者声明不存在任何利益冲突。
感谢您有意帮助传播 bioRxiv 的信息。
注意：要求提供您的电子邮件地址，仅用于确认您是本文的发送者。
关键词：积极情绪 · 多模态神经生理记录 · 脑—身体特征 · 情绪识别 · 个体差异
原文链接：https://www.biorxiv.org/content/10.64898/2026.10.23.761434v1?rss=1