基于功能磁共振成像技術(shù)的情感檢測(cè)研究

徐姝悅 周勇杰 李琳玲 張 力 黃 淦 張治國(guó) 梁 臻*

①(深圳大學(xué)醫(yī)學(xué)部生物醫(yī)學(xué)工程學(xué)院 深圳 518071)

②(深圳市康寧醫(yī)院康復(fù)治療部 深圳 518020)

1 引言

情緒是人對(duì)具有積極或消極意義的內(nèi)或外部事件的主觀感受[1]。情緒反映了人類行為的潛在動(dòng)機(jī)和意識(shí)，并且對(duì)建立和維持人際關(guān)系、提高認(rèn)知水平和保證工作效率等有著重要作用[2]。情緒的產(chǎn)生不僅會(huì)帶來心理變化，同時(shí)也會(huì)引起生理變化。當(dāng)人產(chǎn)生某種情緒時(shí)，身體機(jī)能會(huì)發(fā)生變化，比如心跳加速、手心出汗以及面部表情發(fā)生變化等[3]。研究人員可以利用情緒反應(yīng)產(chǎn)生的生理變化進(jìn)行情緒測(cè)量和情緒識(shí)別，其研究成果在臨床醫(yī)學(xué)、腦機(jī)接口和遠(yuǎn)程教育領(lǐng)域具有廣泛的應(yīng)用前景。例如，抑郁癥患者和雙向情感障礙患者存在明顯的情緒功能障礙，通過情緒識(shí)別系統(tǒng)準(zhǔn)確地察覺病患的情緒變化，將有助于醫(yī)生對(duì)患者進(jìn)行及時(shí)有效的診斷與干預(yù)[4-8]。在人機(jī)交互中，若機(jī)器人能夠準(zhǔn)確識(shí)別交互對(duì)象的情緒變化，人機(jī)交互將變得更加友好和自然[9]。又或是在遠(yuǎn)程教育和電子教育方面，若能根據(jù)學(xué)生的情緒狀態(tài)采用不同的教學(xué)手段，可以提高教師的授課效率[10]。因此，開展情緒識(shí)別研究是十分有必要的。近年來，測(cè)量腦功能活動(dòng)信號(hào)的神經(jīng)影像技術(shù)得到了飛速發(fā)展，包括腦電圖(ElectroEncephaloGraphy, EEG)和功能磁共振成像技術(shù)(functional Magnetic Resonance Imaging,fMRI)等[11-13]，情緒識(shí)別研究不斷向前邁進(jìn)。當(dāng)前，情緒解碼研究采用較多的是EEG，原因在于：(1)EEG具有非常高的時(shí)間分辨率，可以準(zhǔn)確地識(shí)別情緒刺激的時(shí)間；(2)EEG操作簡(jiǎn)單，采集情緒信息非常方便。近年來，fMRI由于其高空間分辨率的特點(diǎn)，越來越多地被應(yīng)用在臨床醫(yī)學(xué)和認(rèn)知神經(jīng)科學(xué)的研究中[14-16]。同時(shí)，由于fMRI所具備的優(yōu)點(diǎn)：(1)高空間分辨率能夠準(zhǔn)確定位情緒信息加工相關(guān)的腦區(qū)；(2)情緒加工過程與非皮層的腦活動(dòng)密切相關(guān)，相較于EEG，fMRI可以采集到深部腦信號(hào)。目前fMRI在情緒識(shí)別研究領(lǐng)域中的應(yīng)用日益增多[17-19]。

基于fMRI的情緒識(shí)別研究的主要步驟包括：(1)情緒誘發(fā)，(2)數(shù)據(jù)采集，(3)數(shù)據(jù)預(yù)處理，(4)特征提取，(5)情緒識(shí)別模型(如圖1所示)。具體來說，基于fMRI的情緒識(shí)別研究，首先需要誘發(fā)受試者產(chǎn)生不同的情緒體驗(yàn)，并同時(shí)采集受試者的fMRI數(shù)據(jù)。然后，對(duì)采集到的fMRI數(shù)據(jù)進(jìn)行預(yù)處理，并從中提取與情緒相關(guān)的特征。最后，使用分類模型進(jìn)行學(xué)習(xí)并預(yù)測(cè)最終的識(shí)別結(jié)果。下面將圍繞fMRI的情緒識(shí)別研究的各部分內(nèi)容進(jìn)行詳細(xì)介紹與說明。第2節(jié)將介紹情緒的分類以及情緒的量化模型。第3節(jié)將介紹fMRI的基本原理、情緒相關(guān)的實(shí)驗(yàn)設(shè)計(jì)、情緒相關(guān)的公開f M R I 數(shù)據(jù)集、fMRI數(shù)據(jù)預(yù)處理和fMRI特征提取。第4節(jié)將介紹基于傳統(tǒng)機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的情感智能模型。第5節(jié)將對(duì)基于fMRI的情感智能研究現(xiàn)狀和存在問題進(jìn)行總結(jié)與展望。

2 情緒

自19世紀(jì)以來，心理學(xué)家對(duì)情緒的定義提出了許多見解。例如，美國(guó)心理學(xué)家James認(rèn)為情緒源于身體變化，情緒伴隨著心理活動(dòng)產(chǎn)生[20]。但是心理學(xué)家Cannon否定James的情緒觀點(diǎn)，認(rèn)為下丘腦掌控情緒變化[21]。盡管心理學(xué)家對(duì)情緒的定義仍然不統(tǒng)一，但是心理學(xué)家都認(rèn)為情緒具有基本情緒集，即情緒具有多種類別。關(guān)于基本情緒的種類，心理學(xué)家對(duì)此也有不同的定義。例如，James認(rèn)為基本情緒集包括憤怒、恐懼、悲痛和愛等[22]；Clynes認(rèn)為情緒集包括憤怒、憎恨、悲痛、快樂、愛、浪漫、仇恨和無情緒等[22]；Ekman認(rèn)為情緒集包括憤怒、恐懼、傷心、快樂、厭惡、驚訝和輕蔑7種情緒[23]。盡管不同研究者對(duì)基本情緒的認(rèn)識(shí)不一致，但多數(shù)研究更傾向存在以下6種基本情緒：高興、悲傷、驚訝、恐懼、憤怒和厭惡[24,25]。隨著情緒研究的不斷發(fā)展，人們發(fā)現(xiàn)一些情緒之間存在著一定的關(guān)聯(lián)性，比如憤怒和憎恨有時(shí)會(huì)同時(shí)出現(xiàn)。因此，為了更加準(zhǔn)確地描述情緒，研究人員提出情緒量化模型來實(shí)現(xiàn)精準(zhǔn)情緒表達(dá)。

目前廣泛使用的情緒量化模型主要包括離散情緒模型和維度情緒模型。下面將詳細(xì)介紹這兩種情緒量化模型。在離散模型中，情緒在大腦中的表征空間由離散而有限的基本情緒集構(gòu)成；即情感是稀疏的、相對(duì)獨(dú)立的并且跨越更高的維度[26]。目前許多情緒識(shí)別研究都采用離散模型，例如：文獻(xiàn)[27]使用快樂、憤怒、恐懼、悲傷和中性的圖片誘發(fā)受試者5種離散情緒；文獻(xiàn)[18]采用憤怒、恐懼和厭惡面孔圖片來誘發(fā)受試者不同的情緒狀態(tài)；文獻(xiàn)[28]使用自我誘發(fā)方法讓受試者體驗(yàn)9種離散情緒狀態(tài)(憤怒、厭惡、嫉妒、恐懼、幸福、欲望、驕傲、悲傷和羞恥)。在維度模型中，情緒空間被劃分為效價(jià)-喚醒度(Valence-Arousal, VA)兩個(gè)維度或效價(jià)-喚醒度-掌控度(Valence-Arousal-Dominance,VAD)3個(gè)維度[29]。效價(jià)表示情緒是積極或消極的，范圍從消極情緒到積極情緒。喚醒度反映情緒活動(dòng)的激活程度，范圍從平靜到激動(dòng)。掌控度表示控制某種情緒的程度，范圍從完全不能掌控到完全能掌控。在VA維度模型中，通常以效價(jià)為X軸和以喚醒度為Y軸的2維空間來表征情緒[30,31]。VAD模型跨越了3個(gè)維度，以效價(jià)為X軸、以喚醒度為Y軸和以掌控度為Z軸的3維空間來表征情緒[32]。

圖1 基于fMRI情緒識(shí)別的主要流程圖

常見的情緒誘發(fā)方式主要有兩種。(1)通過圖片、音樂、情感提示詞或視頻等誘發(fā)受試者情緒的外部情緒誘發(fā)方法。這是目前情緒識(shí)別領(lǐng)域中使用最普遍的刺激手段[33-36]。(2)受試者通過回憶或想象體驗(yàn)不同情緒狀態(tài)的內(nèi)部情緒誘發(fā)方法。該方法完全由受試者自己控制[37]。這兩種情緒誘發(fā)方法各有優(yōu)缺點(diǎn)，在實(shí)際實(shí)驗(yàn)中，需要根據(jù)不同的情況選擇合適的方法。例如，當(dāng)實(shí)驗(yàn)采用無刺激設(shè)置時(shí)，可以采用讓受試者自我體驗(yàn)情緒的誘發(fā)方式。當(dāng)實(shí)驗(yàn)采用有刺激設(shè)置時(shí)，可以采用外部誘發(fā)方法。通常，外部誘發(fā)方法具有更高的情緒誘發(fā)效能。

3 情緒任務(wù)下fMRI實(shí)驗(yàn)與數(shù)據(jù)處理

3.1 fMRI的基本原理與實(shí)驗(yàn)設(shè)計(jì)

fMRI是一種用于測(cè)量與血液動(dòng)力學(xué)相關(guān)的神經(jīng)活動(dòng)的成像技術(shù)。當(dāng)大腦接受到外界刺激時(shí)，大腦的神經(jīng)活動(dòng)增加，使得活動(dòng)腦區(qū)的血管耗氧量增加，腦血流速率同時(shí)增加。但腦氧增加速率遠(yuǎn)大于腦氧消耗速率，使得脫氧血紅蛋白比例降低。由于含氧血紅蛋白是抗磁性的，脫氧血紅蛋白是順磁性的，脫氧血紅蛋白比例降低導(dǎo)致磁共振信號(hào)在含氧的血液中顯示高信號(hào)，在脫氧的血液中顯示低信號(hào)，這種信號(hào)稱為血氧水平依賴(Blood Oxygenation Level Dependent, BOLD)信號(hào)[38,39]。一個(gè)短暫的外周刺激(比如情緒刺激)所產(chǎn)生的局部BOLD響應(yīng)稱為血流動(dòng)力學(xué)響應(yīng)函數(shù)(Hemodynamic Response Function, HRF)。HRF模擬BOLD信號(hào)在神經(jīng)活動(dòng)發(fā)生后的4至10s內(nèi)上升至峰值，然后降至基線[40,41]。因此，BOLD fMRI技術(shù)可以通過HRF間接測(cè)量大腦在不同情緒狀態(tài)時(shí)的神經(jīng)元活動(dòng)特性。目前，該技術(shù)已在智能情緒解碼研究中得到廣泛應(yīng)用。

為了獲得受試者在不同情緒狀態(tài)下的大腦功能活動(dòng)信號(hào)，需要將BOLD fMRI腦影像技術(shù)與合適的情緒任務(wù)實(shí)驗(yàn)設(shè)計(jì)相結(jié)合。實(shí)驗(yàn)設(shè)計(jì)是指受試者在fMRI實(shí)驗(yàn)期間執(zhí)行的情緒任務(wù)的構(gòu)造、時(shí)間組織結(jié)構(gòu)和行為預(yù)測(cè)。在情緒識(shí)別研究中，組塊設(shè)計(jì)和事件相關(guān)設(shè)計(jì)是最常用的范式設(shè)計(jì)[42]。組塊設(shè)計(jì)是指在一定的時(shí)間窗內(nèi)，連續(xù)呈現(xiàn)具有相同性質(zhì)的刺激。在組塊設(shè)計(jì)中，研究者會(huì)根據(jù)實(shí)驗(yàn)?zāi)康膶⒋碳し譃椴煌愋?，并將同一類型的刺激組合成一個(gè)組塊，然后交替呈現(xiàn)試驗(yàn)任務(wù)和控制任務(wù)。組塊設(shè)計(jì)的最大優(yōu)點(diǎn)是對(duì)簡(jiǎn)單的任務(wù)具有較強(qiáng)的統(tǒng)計(jì)效力和較高的檢測(cè)效力。事件相關(guān)設(shè)計(jì)是指設(shè)計(jì)中可以控制的最小單元是單個(gè)刺激或事件，而不是組塊。事件相關(guān)設(shè)計(jì)能夠檢測(cè)血液動(dòng)力學(xué)反應(yīng)的瞬時(shí)變化，從而對(duì)BOLD信號(hào)的變化進(jìn)行時(shí)間表征。事件相關(guān)設(shè)計(jì)的最大優(yōu)點(diǎn)是能夠隨機(jī)呈現(xiàn)刺激，且呈現(xiàn)的刺激為單刺激。情緒識(shí)別研究中，研究者根據(jù)實(shí)驗(yàn)?zāi)康倪x擇組塊設(shè)計(jì)或事件相關(guān)設(shè)計(jì)。例如，文獻(xiàn)[43]在研究厭惡情緒激活的腦區(qū)時(shí)，由于需要獲得受試者強(qiáng)烈的厭惡情緒感受，所以采用了組塊設(shè)計(jì)作為該情緒任務(wù)的實(shí)驗(yàn)范式。而文獻(xiàn)[44]為了研究單個(gè)視覺、聽覺和視聽結(jié)合的情緒信號(hào)對(duì)大腦的影響，采用事件相關(guān)設(shè)計(jì)，針對(duì)每個(gè)刺激對(duì)情緒的影響進(jìn)行查看、分析和比較。

3.2 情緒相關(guān)的fMRI公開數(shù)據(jù)集

為了促進(jìn)情緒識(shí)別研究，科研工作者建立了基于情緒任務(wù)的fMRI公開數(shù)據(jù)集，為不同分類算法或模型提供了性能比較的平臺(tái)。我們對(duì)現(xiàn)有的可用的公開數(shù)據(jù)集做了簡(jiǎn)要概括，包括PAMD(Postnatal Affective MRI Dataset)數(shù)據(jù)集[45]、LEMON(Leipzig Study for Mind-Body-Emotion Interactions)數(shù)據(jù)集[46]和WU-Minn HCP(WU-Minn Human Connectome Project)數(shù)據(jù)集[47]。其中，PAMD和LEMON數(shù)據(jù)集可以從openneuro1)openneuro官網(wǎng)網(wǎng)址：https://openneuro.org/官網(wǎng)上進(jìn)行下載；WU-Minn HCP數(shù)據(jù)集可以從HCP2)HCP官網(wǎng)網(wǎng)址：http://www.humanconnectome.org/(Human Connectome Project)官網(wǎng)上進(jìn)行下載。

PAMD數(shù)據(jù)集由Laurent構(gòu)建，包括了來自25位母親在產(chǎn)后3個(gè)月的fMRI數(shù)據(jù)和心理數(shù)據(jù)。其中，fMRI數(shù)據(jù)在參與者觀看積極或消極情緒的嬰兒面孔時(shí)采集。因此，PAMD數(shù)據(jù)集可用于研究母親的產(chǎn)后抑郁和焦慮[45]。例如，文獻(xiàn)[48]將PAMD數(shù)據(jù)與情感精神病理學(xué)進(jìn)行關(guān)聯(lián)，發(fā)現(xiàn)在產(chǎn)后抑郁和焦慮期間，母親對(duì)嬰兒情緒的偏見處理在很大程度上是由內(nèi)化痛苦造成的。

文獻(xiàn)[49]采集了227名參與者靜息態(tài)fMRI數(shù)據(jù)、EEG數(shù)據(jù)和外周生理信號(hào)數(shù)據(jù)，構(gòu)建了LEMON數(shù)據(jù)集。該數(shù)據(jù)集包含了兩個(gè)年齡段(年輕組和老年組)參與者。年輕組年齡在20～35歲，老年組在59～77歲。LEMON數(shù)據(jù)集是MPILMBB(MPILeipzig MindBrainBody)數(shù)據(jù)集的一部分。LEMON數(shù)據(jù)集適合將認(rèn)知和情緒特征與大腦和身體的生理特征進(jìn)行綜合關(guān)聯(lián)分析，而MPILMBB數(shù)據(jù)集旨在探索與大腦相關(guān)的各種認(rèn)知、情感和生理表型中的個(gè)體差異性問題。文獻(xiàn)[50]使用LEMON數(shù)據(jù)集中的靜息態(tài)fMRI數(shù)據(jù)研究白質(zhì)高信號(hào)(White Matter Hyperintensities, WMH)體積和總海馬體積(total Hippocampal Relative Volume, tHRV)之間的關(guān)系及其對(duì)大腦網(wǎng)絡(luò)的影響。該研究發(fā)現(xiàn)WMH的定位能夠影響健康受試者的大腦活動(dòng)，并且證明了深部WMH的體積與tHRV呈負(fù)相關(guān)。

華盛頓大學(xué)、明尼蘇達(dá)大學(xué)和牛津大學(xué)所創(chuàng)建的WU-Minn HCP數(shù)據(jù)集，用以描繪人類大腦回路與健康成年人行為之間的關(guān)系。該數(shù)據(jù)集包含了1200名健康成年人的4種成像模態(tài)的MRI數(shù)據(jù)：結(jié)構(gòu)MRI、彌散張量MRI、靜息態(tài)和任務(wù)態(tài)fMRI[47]。文獻(xiàn)[51]使用WU-Minn HCP數(shù)據(jù)集中所有參與者(843名)的靜息態(tài)和情緒處理任務(wù)(觀看恐懼和憤怒面孔)的fMRI數(shù)據(jù)，并對(duì)數(shù)據(jù)進(jìn)行處理和分析。該研究發(fā)現(xiàn)大腦活動(dòng)和功能連接存在廣泛變化，這表明所有內(nèi)在連接網(wǎng)絡(luò)都參與了情感處理。

3.3 fMRI數(shù)據(jù)預(yù)處理

由于fMRI信號(hào)在采集過程中容易受到受試者頭部運(yùn)動(dòng)以及其他噪聲(機(jī)器噪聲和外周生理信號(hào))的干擾，因此需要對(duì)采集到的fMRI信號(hào)進(jìn)行預(yù)處理。fMRI信號(hào)的預(yù)處理主要包括時(shí)間層校正、頭動(dòng)校正、配準(zhǔn)、分割、標(biāo)準(zhǔn)化和空間平滑等。預(yù)處理第1步通常是時(shí)間層校正。時(shí)間層校正是將構(gòu)成全腦圖像的不同時(shí)間點(diǎn)的腦切片處理為相同時(shí)間點(diǎn)的腦切片的一種技術(shù)。由于核磁掃描儀在一個(gè)時(shí)間點(diǎn)只能掃描一張或多張腦切片，而數(shù)據(jù)分析是基于全腦圖像在相同時(shí)間下采集的假設(shè)上進(jìn)行的，所以需要進(jìn)行時(shí)間層校正。預(yù)處理第2步一般是頭動(dòng)校正。頭動(dòng)校正是指選定一張參考圖像，將其余的圖像按照參考圖像進(jìn)行評(píng)估和對(duì)齊。由于受試者在掃描過程中會(huì)有頭部運(yùn)動(dòng)，導(dǎo)致MRI圖像質(zhì)量差，所以需要進(jìn)行頭動(dòng)校正。頭動(dòng)校正以時(shí)間序列的第1張圖像或者時(shí)間序列的平均圖像作為參考圖像，使用傅里葉變換來確定其他圖像對(duì)比參考圖像的相對(duì)旋轉(zhuǎn)和平移參數(shù)，并根據(jù)這些參數(shù)對(duì)圖像進(jìn)行頭動(dòng)校正[52]。預(yù)處理的第3步是將圖像進(jìn)行標(biāo)準(zhǔn)化。標(biāo)準(zhǔn)化通常使用結(jié)構(gòu)像先進(jìn)行配準(zhǔn)。然后，將配準(zhǔn)后的結(jié)構(gòu)像放入一個(gè)標(biāo)準(zhǔn)空間中，用一個(gè)公共的坐標(biāo)系去描述大腦的具體位置，并將配準(zhǔn)到標(biāo)準(zhǔn)空間中的線性變換關(guān)系應(yīng)用到功能像中。標(biāo)準(zhǔn)化的目的是降低個(gè)體差異性的影響，使得數(shù)據(jù)可以在不同的被試間進(jìn)行合理比較。該缺點(diǎn)是降低了空間分辨率，并可能引入插值誤差[48]。預(yù)處理的最后一步是進(jìn)行空間平滑。在統(tǒng)計(jì)分析前對(duì)采集到的數(shù)據(jù)進(jìn)行空間平滑，其目的是提高信噪比，消除偽影[53]。

3.4 fMRI特征提取

特征提取是從情緒任務(wù)下的fMRI信號(hào)中提取出與情緒信息加工相關(guān)的代表性特征。在基于fMRI的情緒識(shí)別研究中，特征提取是非常重要的環(huán)節(jié)之一，可以為后續(xù)的情緒識(shí)別準(zhǔn)確度提供保證。已有研究中用到的特征主要包括BOLD時(shí)間序列、反應(yīng)情緒任務(wù)激活強(qiáng)度的β值和腦功能網(wǎng)絡(luò)。

(1) BOLD時(shí)間序列

在基于fMRI情緒識(shí)別研究中，可以將情緒誘發(fā)狀態(tài)下的BOLD時(shí)間序列作為腦功能活動(dòng)的特征。提取BOLD時(shí)間序列方法包括基于全腦和基于ROI(Region of Interest)兩種方法?；谌X提取BOLD時(shí)間序列方法是指提取全腦中每個(gè)體素的BOLD時(shí)間序列?；赗OI提取BOLD時(shí)間序列方法通常選擇一個(gè)合適的大腦結(jié)構(gòu)分割模板，或依據(jù)先驗(yàn)知識(shí)選擇特定的結(jié)構(gòu)區(qū)ROI，然后提取所選取腦區(qū)內(nèi)所有體素的平均BOLD信號(hào)[54,55]。例如，基于先驗(yàn)知識(shí)，文獻(xiàn)[54]提取了24個(gè)ROI腦區(qū)的BOLD信號(hào)，作為分類器的輸入。文獻(xiàn)[55]的研究，同樣是將基于先驗(yàn)知識(shí)的腦區(qū)BOLD信號(hào)作為情緒特征?；趂MRI情緒識(shí)別研究中一般采用基于ROI提取BOLD時(shí)間序列方法。因?yàn)榛谌X的體素?cái)?shù)量多達(dá)5萬個(gè)，容易造成維度災(zāi)難問題。

(2) 任務(wù)態(tài)激活強(qiáng)度β值

對(duì)于情緒任務(wù)態(tài)fMRI信號(hào)，可以先采用通用線性模型(General Linear Models, GLM)進(jìn)行功能激活分析，然后將反映激活強(qiáng)度的β值作為特征。GLM模型是一種基于先驗(yàn)的單變量方法，并假設(shè)每個(gè)體素之間是相互獨(dú)立的。文獻(xiàn)[56]對(duì)GLM的定義為

其中，矩陣Y是包含全腦體素的BOLD信號(hào)的數(shù)據(jù)。矩陣X稱為設(shè)計(jì)矩陣，包含與實(shí)驗(yàn)條件相關(guān)的解釋變量。β是參數(shù)矩陣，包含每個(gè)體素在該模型下的估計(jì)參數(shù)。e是一個(gè)正態(tài)分布誤差項(xiàng)的矩陣。GLM的目標(biāo)是找到最優(yōu)的一組β值。使用最小二乘估計(jì)得到其最優(yōu)解為

其中，β?是所求得的最優(yōu)參數(shù)矩陣，是每個(gè)體素在先驗(yàn)知識(shí)的條件下得到的估計(jì)參數(shù)。XT是X轉(zhuǎn)置矩陣。通過GLM得到的β值可以作為情緒特征，輸入到分類模型中。例如，文獻(xiàn)[57]使用GLM方法得到全腦體素的β值作為情緒特征，并基于喚醒度、效價(jià)和掌控度3種情緒維度進(jìn)行情緒回歸，分別獲得52%,51%和51%的情緒識(shí)別準(zhǔn)確率。文獻(xiàn)[58]同樣基于GLM方法得到先驗(yàn)ROI的β值作為情緒特征，對(duì)憤怒、悲傷、中性、遺憾和愉悅5種情緒進(jìn)行分類，獲得5種情緒的分類準(zhǔn)確識(shí)別度為31.8%。

(3) 腦功能網(wǎng)絡(luò)

大腦是一個(gè)有機(jī)統(tǒng)一的整體，不同腦區(qū)之間相互協(xié)調(diào)和相互配合構(gòu)成了腦功能網(wǎng)絡(luò)。腦功能網(wǎng)絡(luò)分析通常用于靜息態(tài)fMRI。靜息態(tài)下的腦功能網(wǎng)絡(luò)反映了大腦固有的、自發(fā)的神經(jīng)活動(dòng)時(shí)的腦功能活動(dòng)模式。腦功能網(wǎng)絡(luò)主要包括功能連接和有效連接兩種描述。在基于fMRI的情緒識(shí)別領(lǐng)域中，功能連接是最常用的腦功能網(wǎng)絡(luò)描述。

功能連接是指空間上分離的神經(jīng)單元，其神經(jīng)活動(dòng)在時(shí)間上的關(guān)聯(lián)性或統(tǒng)計(jì)依賴關(guān)系。主要的度量方法分為線性和非線性[59]。線性方法包括皮爾遜相關(guān)和偏相關(guān)，非線性方法包括極大信息系數(shù)等。其中，皮爾遜相關(guān)系數(shù)是用來度量?jī)蓚€(gè)腦區(qū)之間線性關(guān)聯(lián)的最常見的方法。計(jì)算皮爾遜相關(guān)系數(shù)的公式為

x,y表示兩組腦區(qū)數(shù)據(jù)。n表示數(shù)據(jù)量。xˉ表示樣本數(shù)據(jù)x的平均值。yˉ表示樣本數(shù)據(jù)y的平均值。rxy表示兩兩變量之間的相關(guān)性，計(jì)算結(jié)果介于-1和1之間。結(jié)果為正值，表示變量之間呈正相關(guān)。越趨近于1，正相關(guān)性越強(qiáng)。反之，呈負(fù)相關(guān)。越趨近于-1，負(fù)相關(guān)性越強(qiáng)。

偏相關(guān)系數(shù)是排除其他腦區(qū)信號(hào)的影響后，計(jì)算目標(biāo)腦區(qū)之間關(guān)聯(lián)性的一種算法。與皮爾遜相關(guān)系數(shù)相比，能更準(zhǔn)確地分析到所有變量之間的相關(guān)程度。偏相關(guān)系數(shù)的計(jì)算公式為

目前情緒識(shí)別領(lǐng)域中應(yīng)用最為廣泛的相關(guān)系數(shù)是皮爾遜相關(guān)系數(shù)，在此基礎(chǔ)上可以得到基于功能連接的腦功能網(wǎng)絡(luò)特征。例如，文獻(xiàn)[60]采用小波變換的功能連接作為情緒特征，來探究積極和消極情緒對(duì)后續(xù)靜息狀態(tài)的影響。文獻(xiàn)[61]采集受試者靜息態(tài)下的fMRI數(shù)據(jù)，將杏仁核細(xì)分下的ROI之間的功能連接作為情緒特征。

有效連接是另一種腦功能網(wǎng)絡(luò)的描述方法。它描述了一個(gè)神經(jīng)系統(tǒng)施加在另一個(gè)神經(jīng)系統(tǒng)上的因果效應(yīng)。與功能連接不同，有效連接強(qiáng)調(diào)腦區(qū)之間的相互影響和相互作用的強(qiáng)度與方向性[62]，需要模型支持。有效連接的主要計(jì)算方法包括結(jié)構(gòu)方程模型(Structural Equation Modeling, SEM)、格蘭杰因果模型(Granger CausalityModeling,GEM)和動(dòng)態(tài)因果模型(Dynamic Causal Modeling, DCM)等。SEM是一種依賴線性統(tǒng)計(jì)的建模分析方法。該方法通過計(jì)算協(xié)方差相關(guān)矩陣表示變量之間的關(guān)系[63]。GEM最初是分析兩個(gè)腦區(qū)的因果關(guān)系的一種方法，后來發(fā)展為同時(shí)分析多個(gè)腦區(qū)之間的因果關(guān)系[64]。相比于SEM，GEM的優(yōu)點(diǎn)在于把時(shí)間對(duì)實(shí)驗(yàn)結(jié)果的影響考慮在內(nèi)，并且不需要先驗(yàn)知識(shí)。DCM結(jié)合SEM和GEM模型，即將神經(jīng)動(dòng)力學(xué)模型和血液動(dòng)力學(xué)模型相結(jié)合，構(gòu)建一個(gè)動(dòng)態(tài)的、非線性的模型，能更加真實(shí)地模擬大腦功能機(jī)制原理[65]。DCM是目前研究腦功能有效連接最常用的方法，已應(yīng)用在探索腦功能網(wǎng)絡(luò)研究中[66-68]。DCM同樣廣泛應(yīng)用于fMRI情緒識(shí)別領(lǐng)域。例如，文獻(xiàn)[69]使用杏仁核-眶額葉皮層的DCM作為情緒特征，達(dá)到識(shí)別社交障礙患者和健康人的目的。文獻(xiàn)[70]使用右外側(cè)前額葉皮層、杏仁核和Broca腦區(qū)的DCM作為情緒特征，用以識(shí)別中性和負(fù)性情緒標(biāo)簽。

4 機(jī)器學(xué)習(xí)方法的情感智能模型

目前，機(jī)器學(xué)習(xí)不僅廣泛應(yīng)用于自然語言理解和機(jī)器視覺等領(lǐng)域中，而且在基于fMRI情緒識(shí)別領(lǐng)域中同樣得到廣泛應(yīng)用。在情緒識(shí)別中，通常將不同情緒狀態(tài)下的腦功能活動(dòng)信號(hào)作為特征，刺激類型或受試者對(duì)刺激的評(píng)分作為標(biāo)簽，大腦對(duì)情緒刺激的反應(yīng)是分類的對(duì)象[71]。研究者通常使用機(jī)器學(xué)習(xí)算法訓(xùn)練模型來完成情緒識(shí)別任務(wù)，因?yàn)闄C(jī)器學(xué)習(xí)算法能夠有效地學(xué)習(xí)到不同情緒狀態(tài)與fMRI特征之間的關(guān)系。目前常用的fMRI情緒識(shí)別模型包括傳統(tǒng)機(jī)器學(xué)習(xí)模型和深度學(xué)習(xí)模型。常見的傳統(tǒng)機(jī)器學(xué)習(xí)模型包括支持向量機(jī)、高斯樸素貝葉斯、K均值和高斯混合模型；常見的深度學(xué)習(xí)模型包括線性神經(jīng)網(wǎng)絡(luò)、深度神經(jīng)網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)。不同分類器具有不同的優(yōu)勢(shì)和局限性(如表1所示)。下面將介紹每種機(jī)器學(xué)習(xí)方法的原理和在fMRI情緒識(shí)別中的應(yīng)用。

表1 不同分類模型的優(yōu)劣勢(shì)

4.1 傳統(tǒng)機(jī)器學(xué)習(xí)模型

傳統(tǒng)機(jī)器學(xué)習(xí)模型首先對(duì)樣本數(shù)據(jù)的特征進(jìn)行選擇，然后將選擇后的特征運(yùn)用到分類器上，最終得到輸出結(jié)果。

(1) 支持向量機(jī)(Support Vector Machine, SVM)

SVM是傳統(tǒng)機(jī)器學(xué)習(xí)模型中最常見的一種模型，也是目前情緒識(shí)別領(lǐng)域中使用最為廣泛的一種模型。SVM的核心思想是通過尋找最能將向量空間劃分為不同類別(即決策邊界)的超平面，即“最大間隔”超平面達(dá)到分類目的[72]。通過控制核函數(shù)可以實(shí)現(xiàn)決策邊界的線性或非線性。非線性核函數(shù)相對(duì)線性核函數(shù)復(fù)雜程度較高，往往可以更好地?cái)M合不同類別的決策邊界。常見的核函數(shù)包括線性核、多項(xiàng)式核和徑向基核函數(shù)等。SVM具有較強(qiáng)的魯棒性和泛化能力，對(duì)小樣本高維度訓(xùn)練集的分類性能表現(xiàn)良好[73]。文獻(xiàn)[54]使用在線SVM，對(duì)12名受試者的兩種情緒狀態(tài)(快樂和厭惡)和4名受試者的3種情緒狀態(tài)(快樂、厭惡和悲傷)進(jìn)行識(shí)別。該實(shí)驗(yàn)結(jié)果顯示SVM在二分類中的平均準(zhǔn)確率為65%，在多分類中的平均準(zhǔn)確率為60%。文獻(xiàn)[74]采集了38名受試者觀看恐懼和中性面孔圖片時(shí)的fMRI數(shù)據(jù)，并使用腦功能連接和SVM作為情緒特征和情緒識(shí)別分類器。該結(jié)果顯示SVM模型的分類準(zhǔn)確率高達(dá)90%。文獻(xiàn)[75]采集了20名受試者在5種情緒(憤怒、快樂、悲傷、驚奇和中性)聲音刺激下的fMRI數(shù)據(jù)，使用先驗(yàn)ROI下的BOLD信號(hào)和線性SVM作為情緒特征和分類器。該結(jié)果顯示SVM對(duì)不同ROI的解碼精度范圍為25.3%～28.5%。

(2) 高斯樸素貝葉斯(Gaussian Naive Bayes, GNB)

GNB是一種基于貝葉斯定理與特征條件獨(dú)立假設(shè)的分類方法[76]。與SVM不同，GNB無須訓(xùn)練過程。GNB在給定觀測(cè)條件X下，假設(shè)樣本Xj是條件獨(dú)立的，通過評(píng)估情緒狀態(tài)Ci的概率P(Ci|X)，來實(shí)現(xiàn)情緒分類功能。GNB對(duì)小規(guī)模的數(shù)據(jù)表現(xiàn)良好，能處理多分類任務(wù)和高維數(shù)據(jù)分析[77]。fMRI數(shù)據(jù)通常都是高維數(shù)據(jù)，因此GNB在基于fMRI情緒識(shí)別領(lǐng)域得到了廣泛應(yīng)用。例如，文獻(xiàn)[28]使用GNB對(duì)9種情緒狀態(tài)(憤怒、厭惡、嫉妒、恐懼、快樂、性欲、驕傲、悲傷和羞愧)進(jìn)行分類。實(shí)驗(yàn)結(jié)果顯示GNB對(duì)每種情緒狀態(tài)的識(shí)別準(zhǔn)確率都高于75%。文獻(xiàn)[78]使用GNB分類器對(duì)5種情緒狀態(tài)(厭惡、憤怒、恐懼、悲傷和快樂)進(jìn)行分類。結(jié)果顯示GNB的平均分類準(zhǔn)確率為66%(浮動(dòng)范圍43%～86%)。

(3) K均值(K-means)

與SVM和GNB模型不同，K-means算法屬于聚類算法。聚類算法是按照某個(gè)特定的標(biāo)準(zhǔn)把一個(gè)數(shù)據(jù)集分割成不同的類或簇，使得同一個(gè)簇內(nèi)的數(shù)據(jù)相似性盡可能大，同時(shí)不同簇間的數(shù)據(jù)差異性盡可能大。K-means的主要思想是將樣本劃分為K個(gè)簇，使得距離相近的樣本盡可能被分到同一個(gè)簇中，同時(shí)不同簇之間的距離盡可能大[79]。K-means算法的優(yōu)點(diǎn)是簡(jiǎn)單和通俗易懂；缺點(diǎn)是需要事先確定K的值，并且計(jì)算量大。K-means聚類在fMRI情緒識(shí)別領(lǐng)域中得到廣泛應(yīng)用。例如，文獻(xiàn)[80]采集了5名受試者在觀看2181個(gè)情緒視頻(34個(gè)情緒類別和14個(gè)情緒維度標(biāo)簽)時(shí)的fMRI數(shù)據(jù)，并使用Kmeans模型進(jìn)行情緒聚類。結(jié)果顯示聚類出27個(gè)簇，該結(jié)果與文獻(xiàn)[81]使用相同的視頻所引發(fā)的情緒體驗(yàn)的結(jié)果一致。這些結(jié)果表明由情感視頻引起的大腦活動(dòng)模式具有類簇分布，并且存在重疊分布現(xiàn)象。

(4) 高斯混合模型(Gaussian Mixture Model,GMM)

與K-means聚類方法不同，GMM是基于分布而不是基于距離的一種聚類方法。GMM采用了高斯分布作為參數(shù)模型，并使用最大期望算法進(jìn)行參數(shù)學(xué)習(xí)[82]。與傳統(tǒng)的聚類方法相比，GMM可以獲得更優(yōu)秀的聚類表現(xiàn)。GMM也廣泛應(yīng)用于基于fMRI的情緒識(shí)別中。例如，文獻(xiàn)[83]采集了16名受試者在聽到恐懼、悲傷和幸福聽覺刺激下的fMRI數(shù)據(jù)。文獻(xiàn)[84]使用文獻(xiàn)[83]采集的數(shù)據(jù)，將BOLD信號(hào)作為特征輸入到GMM中，獲得40%的分類準(zhǔn)確率。

4.2 深度學(xué)習(xí)模型

如今，越來越多的深度學(xué)習(xí)模型被用于分類應(yīng)用。隨著樣本數(shù)據(jù)的增加，深度學(xué)習(xí)模型往往可以獲得優(yōu)于傳統(tǒng)機(jī)器學(xué)習(xí)模型的性能。

(1) 線性神經(jīng)網(wǎng)絡(luò)(Linear Neural Network, LNN)

神經(jīng)網(wǎng)絡(luò)是具有輸入層、輸出層和多個(gè)隱藏層的網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)模型是感知機(jī)，因此神經(jīng)網(wǎng)絡(luò)也稱為多層感知機(jī)。通常，具有1～2個(gè)隱藏層的神經(jīng)網(wǎng)絡(luò)稱為淺層神經(jīng)網(wǎng)絡(luò)，具有超過5個(gè)隱藏層的神經(jīng)網(wǎng)絡(luò)稱為深度學(xué)習(xí)模型。相較于傳統(tǒng)機(jī)器學(xué)習(xí)模型，深度學(xué)習(xí)模型更適用于大樣本數(shù)據(jù)。LNN是深度學(xué)習(xí)模型中的一種，是由多個(gè)線性神經(jīng)元組成的神經(jīng)網(wǎng)絡(luò)。每個(gè)神經(jīng)元的傳遞函數(shù)都是線性函數(shù)[85]。LNN以fMRI特征作為輸入，通過LNN分類器得到不同情緒的分類結(jié)果。文獻(xiàn)[55]采集了21名受試者在觀看5種情緒電影(厭惡、恐懼、幸福、悲傷和中立)和觀看6種情緒(憤怒、恐懼、幸福、悲傷、驚喜和厭惡)單詞圖片時(shí)的fMRI數(shù)據(jù)，并使用LNN作為情緒分類器。結(jié)果顯示，LNN對(duì)5種情緒狀態(tài)的平均情緒分類準(zhǔn)確率為47%，對(duì)6種情緒狀態(tài)的平均情緒分類準(zhǔn)確率為55%。

(2) 深度神經(jīng)網(wǎng)絡(luò)(Deep Neural Networks, DNN)

與LNN不同，DNN是一種非線性分類方法。它是由輸入層、多個(gè)隱藏層和輸出層構(gòu)成的人工神經(jīng)網(wǎng)絡(luò)。DNN已在計(jì)算機(jī)視覺、語音處理和fMRI等多個(gè)應(yīng)用領(lǐng)域中展示了較好的性能[86-89]。DNN在基于fMRI的情緒識(shí)別分類中也得到較為廣泛的應(yīng)用。文獻(xiàn)[57]對(duì)3種情緒維度(效價(jià)、喚醒度和掌控度)進(jìn)行情緒識(shí)別，將全腦β值作為SVM和DNN的輸入，受試者在情緒刺激下的情緒評(píng)分作為輸出，最后使用皮爾遜相關(guān)系數(shù)評(píng)估SVM和DNN分類器的性能。實(shí)驗(yàn)結(jié)果顯示，DNN對(duì)3種情緒維度識(shí)別的錯(cuò)誤率(喚醒度31.2%±1.3%、掌控度29.0%±1.7%和效價(jià)28.6%±3.0%)顯著低于SVM的錯(cuò)誤率(喚醒度44.7%±2.0%、掌控度50.7%±1.7%和效價(jià)分別為47.4%±1.9%)。

(3) 卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks, CNN)

CNN是DNN的一種類型，是由輸入層、卷積層、池化層、全連接層和輸出層構(gòu)成的人工神經(jīng)網(wǎng)絡(luò)[90]。C N N 比較著名的網(wǎng)絡(luò)有L e N e t[91],AlexNet[92], ZFNet[93], VGGNet[94]和ResNets[95]。近年來，隨著CNN網(wǎng)絡(luò)的不斷發(fā)展，其在基于fMRI的情緒識(shí)別領(lǐng)域得到廣泛應(yīng)用。例如，文獻(xiàn)[96]采集了抑郁癥患者和正常受試者在聽正性音樂和負(fù)性音樂的fMRI數(shù)據(jù)，然后使用SVM、邏輯回歸、K近鄰、DNN和CNN進(jìn)行分類比較。結(jié)果顯示，聽正性音樂比聽負(fù)性音樂的分類準(zhǔn)確度高，并且CNN在5種分類器中表現(xiàn)最佳(正性音樂分類準(zhǔn)確率93.61%，負(fù)性音樂分類準(zhǔn)確率89.36%)。

4.3 分類模型總結(jié)

在上述提到的模型中，SVM模型由于在fMRI數(shù)據(jù)中的良好的分類性能，在基于fMRI情緒識(shí)別研究中應(yīng)用最為廣泛。例如，文獻(xiàn)[97]使用SVM和內(nèi)核規(guī)范相關(guān)分析(Kernel Canonical Correlation Analysis, KCCA)來區(qū)分積極和消極的fMRI數(shù)據(jù)。該結(jié)果顯示，SVM分類性能(91%)優(yōu)于KCCA的分類性能(87%)。文獻(xiàn)[98]使用SVM模型來區(qū)分憤怒和中性兩種情緒狀態(tài)，SVM模型展現(xiàn)了69%～92.3%的分類準(zhǔn)確性能。

我們將上述提到的文獻(xiàn)中使用的分類模型和基于分類模型得到的結(jié)果進(jìn)行匯總(如表2和表3所示)。表2顯示了文獻(xiàn)中提出的實(shí)驗(yàn)設(shè)計(jì)，使用的情緒誘發(fā)方法，提取的fMRI特征，采用的分類模型以及不同情緒的識(shí)別準(zhǔn)確率。可以看出，在基于fMRI情緒識(shí)別領(lǐng)域中，傳統(tǒng)機(jī)器學(xué)習(xí)模型SVM是最為常用的分類方法。原因在于SVM具有較好的魯棒性，能夠較好地識(shí)別不同的情緒狀態(tài)。表3顯示了基于這些分類模型得到的與情緒相關(guān)的腦區(qū)和對(duì)這些腦區(qū)的討論與解釋。結(jié)果顯示，參與情緒的腦區(qū)主要分布于內(nèi)側(cè)前額葉皮質(zhì)(Medial Prefrontal Cortex, MPFC)、前扣帶皮層(Anterior Cingulate Cortex, ACC)、額下回(Inferior Frontal Gyrus,IFG)、后扣帶皮層(Posterior Cingulate Cortex,PCC)、丘腦、腦島和杏仁核等腦區(qū)。值得注意的是，多個(gè)文獻(xiàn)中提出杏仁核有助于情緒的加工處理。

5 總結(jié)與展望

雖然近年來有很多基于fMRI的情緒識(shí)別研究，但大多數(shù)研究都處于實(shí)驗(yàn)室階段，距離臨床應(yīng)用還有很長(zhǎng)的路要走。從實(shí)驗(yàn)室階段走到臨床應(yīng)用階段，主要有下列問題需要解決。

(1) 情緒誘發(fā)的有效性。由于現(xiàn)有的情緒識(shí)別研究中呈現(xiàn)的刺激時(shí)間普遍很短，通常在幾秒到十幾秒的范圍。而情緒的誘發(fā)往往需要較長(zhǎng)時(shí)間，尤其是悲傷情緒狀態(tài)的誘發(fā)，需要更長(zhǎng)時(shí)間。短時(shí)間的刺激使得受試者的情緒并沒有被有效激活，導(dǎo)致后續(xù)分析或分類的效果不佳。例如，許多情緒識(shí)別研究對(duì)悲傷情緒的分類準(zhǔn)確率較低，可能原因是悲傷情緒沒有被有效誘發(fā)[53,71]。針對(duì)無法有效激活情緒問題，可以盡量選取故事性完整、刺激效果好的情緒刺激材料，并延長(zhǎng)刺激呈現(xiàn)時(shí)間。

表2 基于fMRI情緒識(shí)別的情緒模型及其識(shí)別準(zhǔn)確率(%)

表3 基于fMRI情緒識(shí)別研究中的情緒相關(guān)腦區(qū)及其解釋

(2) 個(gè)體差異。目前大多數(shù)情緒識(shí)別研究都基本處在實(shí)驗(yàn)室階段，通過刺激材料引發(fā)受試者的情緒狀態(tài)。然而，不同受試者對(duì)同一刺激材料的情緒主觀感受與腦功能活動(dòng)之間的關(guān)系存在個(gè)體差異，這是目前基于fMRI的情緒識(shí)別亟需解決的一個(gè)非常具有挑戰(zhàn)性的問題，可能的解決方法是采用靜息態(tài)fMRI，通過計(jì)算大腦功能網(wǎng)絡(luò)區(qū)別患者與健康人。近些年來，靜息態(tài)fMRI已經(jīng)成為fMRI個(gè)體差異研究的“主力軍”，可能原因是靜息態(tài)fMRI不需要情緒刺激材料誘發(fā)受試者情緒，避免了不同受試者的情緒主觀感受差異。

(3) 情緒標(biāo)簽的主觀性。不同受試者對(duì)同一刺激材料的主觀感受不同，導(dǎo)致受試者對(duì)于同一情緒刺激材料的情緒標(biāo)簽不一致。例如，對(duì)于同一段悲傷標(biāo)簽的視頻，一些受試者將該視頻標(biāo)簽為悲傷情緒，而另一些受試者則可能將該視頻標(biāo)簽為中性情緒。針對(duì)情緒標(biāo)簽的主觀性問題，可能的解決方法是讓多名觀眾觀看情緒刺激材料后進(jìn)行情緒評(píng)分，選取評(píng)分一致性高的刺激材料，并將多名觀眾的情緒評(píng)分取平均作為該刺激材料的情緒標(biāo)簽。已有研究使用這種方法來克服情緒標(biāo)簽的主觀性問題。例如，文獻(xiàn)[99]讓資深專家和另外兩名成年男性對(duì)每張圖片刺激評(píng)分(正性、負(fù)性和中性)，并采用該評(píng)分標(biāo)簽作為每張圖片的情緒標(biāo)簽。

情緒識(shí)別研究有著十分重要的理論意義和現(xiàn)實(shí)意義，在臨床領(lǐng)域有著廣泛的應(yīng)用前景，尤其對(duì)抑郁癥和雙向情感障礙患者有著非常重要的作用。在臨床實(shí)際應(yīng)用中，醫(yī)生可以通過神經(jīng)反饋訓(xùn)練，實(shí)現(xiàn)調(diào)控抑郁癥患者和雙向情感障礙患者情緒的目的。或通過分析離線狀態(tài)下患者與健康人的fMRI數(shù)據(jù)，實(shí)現(xiàn)精神疾病早篩的目標(biāo)。例如，文獻(xiàn)[100]采集了重度抑郁癥(Major Depressive Disorder,MDD)患者在休息狀態(tài)、回憶快樂狀態(tài)和計(jì)數(shù)狀態(tài)下的fMRI數(shù)據(jù)，進(jìn)行離線分析和在線分析。該結(jié)果表明，fMRI神經(jīng)反饋訓(xùn)練顯著降低了抑郁癥患者的抑郁癥狀。文獻(xiàn)[8]采集了55名精神分裂癥患者、54名雙向情感障礙患者和50名健康參與者的靜息態(tài)fMRI數(shù)據(jù)與情緒感知測(cè)試數(shù)據(jù)。結(jié)果分析顯示，精神分裂癥患者比雙向情感障礙患者具有更低的情緒感知，而情緒感知能力的中斷可能與額-顳-枕腦回路的功能連接中斷有關(guān)。另外，相較于健康被試，雙向情感障礙患者和精神分裂癥患者的情緒感知都呈現(xiàn)明顯下降，并且精神分裂癥患者下降得更為顯著。同時(shí)，研究還發(fā)現(xiàn)精神分裂癥患者較少使用額葉皮層，雙向情感障礙患者則使用頂葉作為面部情緒識(shí)別代償。隨著近年來fMRI技術(shù)和機(jī)器學(xué)習(xí)分析算法的快速發(fā)展，基于fMRI的情緒識(shí)別研究已經(jīng)成為一個(gè)重要的研究課題，受到越來越多的研究者的關(guān)注。在已有心理學(xué)和認(rèn)知科學(xué)研究成果的基礎(chǔ)上，不斷開發(fā)和優(yōu)化情緒識(shí)別方法、找出與情緒最相關(guān)的腦區(qū)、找到情緒的共同模式和實(shí)現(xiàn)更精確識(shí)別情緒障礙患者，都是將基于fMRI的情緒識(shí)別技術(shù)真正用于臨床實(shí)際中的下一步工作。