基于 EEG 的 Hopfield 能量度量情绪脑网络稳定性：快乐与悲伤面部表情加工中的能量景观

理解人类大脑如何实例化不同情绪状态是情感神经科学中的关键挑战。虽然网络方法已在情感处理研究中取得进展，但这些方法仍主要是描述性的，留下了对情绪大脑状态动态稳定性的量化度量空缺。本研究引入一种新框架，通过将 Hopfield 网络能量应用于经验派生的功能连接来量化这种稳定性。记录了来自 20 名健康成年人的高密度 EEG，以进行快乐与悲伤面部表情辨识任务。使用加权相位滞后指数 (weighted Phase Lag Index) 估计功能连接，以获得抗干扰、频率特定的矩阵，作为 Hopfield 能量模型中的耦合权重，用于计算每个试验的标量能量值。统计比较显示，悲伤情绪处理与显著降低(更负)的能量相关，尤其在 $\delta$、$\theta$ 和 $\alpha$ 频段，其中 $\alpha$ 频段的效应最为显著 (Cohen's d =0.83)。能量与全球效率呈强烈负相关 (r=-0.72)，表明高度互联且高效的网络对应于更稳定的状态。此外，$\alpha$ 频段的能量与悲伤试验中的反应时间呈正相关 (r=0.61)，将更深的网络稳定性与增加的认知 effort 联系起来。这些发现表明，情绪价值对应于大脑功能景观中不同吸引子浅池的结构，悲伤占据更深、更稳定的配置。Hopfield 能量度量为情绪脑状态稳定性提供了原则性、可量化的度量，为理解健康和疾病中的情感动力学开辟了新 avenue。