抑郁倾向对自我关注重评和情境关注重评影响的脑网络研究*

摘 "要""抑郁倾向是介于抑郁情绪和抑郁症之间的轻度抑郁状态， 这种状态被连续诱发则会增加抑郁症的发病率。认知重评是使用广泛且有效的情绪调节策略， 可分为自我关注重评和情境关注重评， 抑郁倾向个体在这两种策略下的调节效果及脑网络特征如何变化尚不清楚。本研究采用复杂网络探讨抑郁倾向个体在自我关注重评和情境关注重评任务期间的调节效果及脑网络特征。结果发现， 抑郁倾向组在认知重评任务期间的效价评分总体上低于健康对照组， 唤醒度评分差异并不显著; 两组被试在自我关注重评和情境关注重评任务期间的聚类系数、局部效率和最大介数中心性存在显著差异; 局部脑区差异主要位于边缘叶、额叶和顶叶等。抑郁倾向组自我关注重评和情境关注重评任务脑网络的异常活动与抑郁倾向的严重程度有关。这表明， 异常的脑网络特征可能表明抑郁倾向个体认知重评功能受损， 这为预防和改善抑郁倾向症状提供新的见解。

关键词""抑郁倾向， 认知重评， 自我关注重评， 情境关注重评， 复杂网络

分类号""B842

1 "引言

抑郁倾向是介于正常的抑郁情绪和已经达到临床诊断标准抑郁症之间的一种状态（Rodríguez et"al.，"2012）。纵向研究表明， 与对照组相比， 患有抑郁倾向的个体经历首次抑郁症发作的风险增加了5倍（Fogel et al.， 2006）。这表明， 抑郁倾向使个体处于抑郁症发作的高风险阶段， 如果抑郁倾向被长期诱发且不能缓解， 很大可能发展为临床抑郁症， 此外， 抑郁倾向作为抑郁症的早期阶段， 其与抑郁症相似，"会对个体的认知能力和社会能力等造成不同程度的影响（Tuithof et al.， 2018）。随着社会竞争力增大， 青年人抑郁倾向的表现越来越多（彭婉晴"等， 2019），"因此， 对尚未达到抑郁症诊断标准， 但社会功能下降， 并伴有较高抑郁症发作风险的抑郁倾向个体， 应给予高度的关注和重视。

Gross （1998）的情绪调节过程模型认为， 情绪的产生是包含一个时间过程， 从心理上相关的情境开始， 包括情境选择、情境修订、注意分配、认知重评和反应调节5个阶段（Dryman amp; Heimberg， 2018）。认知重评作为最常见、最有价值和适应性的情绪调节策略（Dillon amp; Pizzagalli， 2013）， 其定义为个体通过对情境的意义或与自我的相关性进行重新解释， 从而对情绪进行调节（Gross amp; Thompson， 2007; John amp; Gross， 2004）。Ochsner等人（2004）提出认知重评包含两种亚型， 即自我关注重评和情境关注重评。自我关注重评是指增加或降低个体与图片情境的主观距离， 从而调节情境引发的情绪体验; 而情境关注是指个体通过重新解释情境内容的意义， 将关注点放在图片情境中， 为其赋予更加积极或消极的构想来调节情绪体验， 并不涉及直接改变真实情境（Ochsner et al.， 2004; Shiota amp; Levenson， 2009， 2012）。自我关注重评包括两个维度：脱离重评和卷入重评; 情境关注重评同样包括两个维度：积极重评和消极重评， 为降低个体的负性情绪， 现有研究较多使用自我关注重评中的脱离重评和情境关注重评中的积极重评（Moser et al.， 2014; Qi et"al.， 2017; Shiota amp; Levenson， 2002， 2009， 2012; Willroth amp; Hilimire， 2016）。

有研究发现， 实施自我关注重评（脱离）降低消极情绪的能力随年龄升高而下降， 实施情境关注重评（积极）降低消极情绪的能力随年龄增长逐渐增强（Shiota amp; Levenson， 2009）。让不同年龄的群体使用两种重评策略发现， 不同年龄群体运用两种策略均能有效下调消极情绪， 但两种重评策略的调节效果上存在差异（王彩凤"等， 2021）。其中， 老年人的自我关注重评比情境关注重评依赖更多的认知加工资源， 对个体的认知控制能力要求更高（Liang et al.， 2017）。孙岩等（2020）考察两种重评亚型的调节效果以及对随后认知控制的影响， 结果发现无论是对消极情绪的调节效果还是对后续认知控制的影响， 两种重评亚型间均存在差异。在fMRI研究中两种重评策略一方面具有共同的脑机制：都涉及前额皮层和杏仁核系统的共同激活（Ochsner amp; Gross.， 2005; Ochsner et al.， 2004）， 另一方面， 两种重评策略的神经机制存在差异。如自我关注重评能够激活中部前额皮层（PFC）， 其与自我参照的判断和自我监控状态有关（Gusnard et al.， 2001; Kelley et al.， 2002）， 采用自我关注重评策略调节情绪同时也会激活前扣带回（ACC） （kalisch et al.， 2005）。自我关注重评涉及内侧前额叶区域， 而情境关注重评涉及外侧前额叶区域（Ochsner et al.， 2004）。此外两种子策略在改善消极情绪的效果及LPP波幅的变化也有所不同。情境关注重评不仅能够降低个体的负性情绪体验， 其LPP波幅也随之降低， 而自我关注重评则只能改善消极情绪， 其LPP波幅无显著变化（Willroth amp; Hilimire， 2016）。

以往研究表明认知重评能够有效地调节抑郁群体的消极情绪（Ford et al.， 2017; Lindsey et al.， 2020）， 但研究结果缺乏一致性。有研究发现认知重评有利于健康和已康复的抑郁个体减少消极情绪（Ehring et al.， 2010）。同时， 抑郁个体与健康个体在使用认知重评策略时， 显示出高度相似的神经激活模式， 这表明抑郁个体能够使用认知重评策略来改善其消极情绪（Belden et al.， 2015）。Aldao等人（2010）发现， 个体自我报告的认知重评使用频率与抑郁症状呈负相关。认知重评使用频率越低， 预测个体的抑郁症状水平越高（Joormann amp; Gotlib， 2010）。刘岩等人（2023）发现两种重评策略均能有效上调抑郁倾向个体的积极情绪， 同时有效降低抑郁倾向个体的消极情绪， 且积极认知重评策略的效果更好。但也有研究发现认知重评对抑郁个体并不总是有效（Diedrich et al.， 2014; Joormann amp; Gotlib， 2010）， 例如有研究发现抑郁症患者的认知重评效果不如健康对照组， 且持续性较差（Erk et al.， 2010; 张阔"等，"2016）。因此， 本研究推测以往研究对于认知重评调节抑郁个体有效性结果不一致的原因， 可能是未从认知重评的亚型考察其对抑郁个体的有效性。同样， 抑郁倾向作为抑郁的早期阶段， 其认知重评调节效果同样可能受到认知重评亚型的影响。基于此， 本研究假设在不同认知重评条件下， 抑郁倾向组和健康对照组的调节效果存在差异。

大多数研究均发现抑郁个体在认知重评任务期间局部脑区存在异常活动（Davis"et al.， 2018; Doré et al.， 2018; Erk et al.， 2010）。但人脑是由不同大脑区域组成的复杂网络， 仅通过局部脑区异常， 很难了解抑郁个体全局脑网络的功能整合和功能分离（Zhang et al.， 2011）。有研究表明， 脑功能全局网络和局部网络的重要信息， 可以通过复杂网络实现（van den Heuvel amp; Hulshoff Pol， 2010）， 进而了解大脑网络的分离和整合程度（Wong et al.， 2016）。如一些研究通过复杂网络分析发现， 抑郁症个体在静息态下大脑拓扑神经机制遭到破坏（Zhang et al.， 2011）， 抑郁倾向个体在全局和局部水平上功能网络与结构网络都受损（Zhang et al.， 2022）， 其在处理消极情绪时额上回、额中回和扣带回中部的激活显著降低， 且额上回与尾状核、纹状体和岛叶之间的功能连接性显著增加（Zhang， Kranz et al.， 2020）， 眶额皮质和左颞回变化模式与抑郁症患者相似（Zhang， Zhao et al.， 2020）。其次， 抑郁症个体在认知重评任务期间， 默认模式网络区域活动异常（Sheline et al.， 2010）， 这表明抑郁倾向个体在认知重评时同样可能存在神经机制的异常变化。一方面因为认知重评包含自我关注和情境关注两种亚型， 抑郁倾向个体在两种重评任务期间调节效果的差异可能与其脑网络特征的变化有关。另一方面因为抑郁倾向作为一种轻度的抑郁状态， 其抑郁倾向的严重程度是否与其在任务期间脑网络特征的变化有关也尚不可知。因此， 十分必要进一步探讨抑郁倾向组和健康对照组， 在不同认知重评任务下， 全局和局部网络特征的差异， 及脑网络特征与抑郁倾向严重程度的关系。基于此， 本研究假设在不同认知重评条件下， 与健康对照组相比， 抑郁倾向组的全局和局部网络特征存在异常活动， 并且抑郁倾向组的全局和局部网络特征与抑郁严重程度之间存在显著的相关性。

脑电图在全局或局部网络上能够成功地测量抑郁症状的神经机制（Greco et al.， 2021）， 而频域分析可以将脑电信号量化为不同频段（Fingelkurts amp; Fingelkurts， 2015）， 且复杂网络分析可以获取不同频段的脑功能网络的相关特征（De Vico Fallani et"al.， 2007）。越来越多的研究基于脑电图数据， 并通过复杂网络分析来探索抑郁症个体在不同频段上脑网络特征的变化（Mohammadi amp; Moradi， 2021; Shao et al.， 2021）。研究表明， alpha频段与抑郁症密切相关（Aleksandra et al.， 2023; Bruder et al.， 2017; Liu， Chen et al.， 2022; Sun et al.， 2021）， 同时也与情绪处理和情绪唤醒的减弱相关（Balconi amp; Mazza， 2009）。Gamma振荡是高级认知功能神经过程中至关重要的部分， 之前已有研究发现它在情绪加工过程中发挥重要作用（Fitzgerald amp; Watson， 2018; Kang et al.， 2014; Li et al.， 2015）。因此， 本研究将通过频域分析提取alpha频段和gamma频段的脑电信号特征， 并结合复杂网络分析探讨抑郁倾向个体在自我关注重评和情境关注重评任务期间脑网络特征的变化。

综上所述， 本研究将通过复杂网络， 结合频域分析来探讨抑郁倾向组和健康对照组在自我关注重评和情境关注重评任务期间的脑网络特征。同时， 通过相关分析来评估抑郁倾向的严重程度与脑网络的全局和局部指标的关系， 以此探索脑网络拓扑神经机制在多大程度上反映了抑郁倾向个体的认知重评行为。

2 "方法

2.1""被试

为了得到更为准确且有效的结果， 本研究采用多个量表对被试进行施测， 以保证所筛选抑郁倾向个体的稳定性。本研究通过在问卷星平台发放并收回1014份贝克抑郁量表（Beck Depression Inventory-II， BDI-Ⅱ）的线上问卷， 用于筛选符合初筛标准的抑郁倾向个体。初筛标准为： 当BDI-II ≥ 14分即为抑郁倾向初筛组， BDI-II ≤ 13分即为健康对照初筛组（De Zorzi et al.， 2021）。通过对初筛的问卷结果进行分析后， 符合初筛标准的抑郁倾向大学生有43名， 并随机选取健康对照初筛组的大学生41名。然后通过电话、微信等方式邀请其到实验室进行再次筛查。在被试到达实验室后用抑郁自评量表（Self-Rating Depression Scale， SDS）对被试进行二次筛查， 二筛标准为：SDS ≥ 50分的个体即为抑郁倾向组， SDS lt; 50分的个体为健康对照组（Benning amp; Ait Oumeziane， 2017）。因有5名抑郁倾向被试符合初筛标准而不符合二筛标准， 故被剔除。最终共有79名被试， 其中抑郁倾向组为38名， 对照组为41名， 所有被试均无情感障碍史和使用精神药物的情况， 均为右利手， 视力或矫正视力正常。所有被试在实验前签署了知情同意书。本研究得到了辽宁师范大学伦理委员会的审批。

2.2""实验材料及程序

2.2.1""实验材料

从国际情感图片系统（IAPS）中选出场景图片共160张， 其中负性图片120张， 中性图片40张。由于中国被试对IAPS图片的情感评估上存在文化差异， 因此在正式实验前， 另外随机选择21名被试（12名女性：平均年龄"= 22.00岁， SD = 2.57）对图片的效价和唤醒度进行1～9等级评级。中性图片效价（M = 5.22， SD = 0.68）和负性图片效价（M = 2.40， SD = 0.72）存在显著差异， t（158） = 21.62， p lt;"0.001; 中性图片唤醒度（M = 4.16， SD = 0.80）和负性图片唤醒度（M = 7.27， SD = 0.87）存在显著差异， t（158） = −19.96， p lt;"0.001。

2.2.2""实验任务及程序

认知重评任务共包含4个blocks， 前两个blocks为被动观看， 后两个blocks为调节条件， 这两个条件在被试间平衡。每个block含40张图片。为避免疲乏， 每个block结束后都有2分钟的休息时间。为帮助被试在不同的任务类型之间有效切换， 本研究根据任务类型对提示屏幕的背景进行颜色编码。每种任务类型屏幕背景颜色如下：灰色为观看中性， 黑色为观看负性， 绿色为重评条件（Pierce et al.， 2022; Sullivan amp; Strauss， 2017; Thiruchselvam et al.， 2011）。

实验中在观看中性图片和负性图片时， 只要求被试认真观看图片即可。在自我关注重评条件下， 屏幕上呈现“脱离”指示词， 要求被试在观看图片过程中拉大主观距离， 以超然的、第三人称的角度看待图片中的事件， 尽量减少自己的消极情绪。比如当看到病人的图片时， 认为自己是以独立的第三人称视角看待病人， 并且这个人物和情境与自己没有关系。在情境关注重评条件下， 背景上呈现“积极”指示词， 要求被试在观看图片过程中， 以乐观的角度看待图片中的事件， 想象图片中的人物和事件正在变得更好。比如：当看到病人的图片时， 可以想象这个病人很快能够康复。

在正式实验前， 要求被试认真阅读指导语并进行12个试次的练习。正式实验中每个block为40个试次。实验首先呈现注视点500 ms， 接着呈现2000 ms的指示词， 再呈现一个300～700 ms的随机空屏， 然后呈现情绪图片3000 ms （Sullivan amp; Strauss，"2017）， 最后让被试根据指示词对刚才进行情绪调节后的效价和唤醒度进行9点评分（Thiruchselvam et al.， 2011）。单个试次流程见图1。

2.3""数据采集及分析

采用德国Brain-Product公司的ERPs记录与分析系统， 按照10-20国际脑电记录系统的"64导电极帽收集EEG信号， AFz为接地电极， FCz为参考电极。右眼下方安置电极记录垂直眼电（VEOG）， 滤波带宽为0.01～100 Hz， A/D采样频率500 Hz/导， 每个电极点电阻低于10 kΩ。用Brain Vision Analyzer 2.0软件离线分析EEG数据。数据重参考使用参考电极标准技术（REST）的无限零参考， 采样率250 Hz。滤波带通0.01～30 Hz （Willroth amp; Hilimire， 2016）， 采用ICA剔除眼动伪迹， 分析时程为2000 ms， 基线为刺激出现前200 ms。分段、基线校正后， 选择无伪迹的数据并导入到sLORETA软件进行源定位分析。

2.4""源定位及图论分析

使用sLORETA对预处理后的数据进行源定位（Jaworska et al.， 2012）。sLORETA实现了84个ROIs （42个左半球布鲁德曼脑区（Brodmann area， BA）和42个右半球布鲁德曼脑区）之间的功能连接。通过计算相位滞后同步（PLI）进行连通性分析， 根据64个电极位置下面的皮质体素的MNI （蒙特利尔神经学研究所）坐标定义了84个感兴趣区域（ROI）作为网络节点， 以此获得84个布鲁德曼脑区的坐标信息， 获得84×84的功能连接矩阵。为了探讨两组被试在认知重评任务期间全局和局部脑网络的差异， 本研究在MATLAB中使用GRETNA工具包将连通性矩阵转换成一个具有固定稀疏度的二值化网络。目前大多数研究为了避免选择网络稀疏性引起的偏差， 往往在整个稀疏范围内整合拓扑属性测量值即AUC （Area under a curve）值。AUC表示计算一系列阈值范围内的网络测量值曲线下的面积（Borges"et al.， 2016）。本研究选择的阈值范围是0.15～0.85 （Arnold et al.， 2014）。

全局网络特征指标主要包括聚类系数、特征路径长度、全局效率、局部效率和最大介数中心性。聚类系数指某个节点的相邻节点之间现有连接数目与可能的最大连接数目的比值， 可以衡量网络中节点在局部水平的集团化程度（梁夏"等， 2010）。局部效率是给定节点的最短路径长度的倒数， 用来衡量局部信息交换的效率（Latora amp; Marchiori， 2001）， 这两者主要是量化网络的功能分离， 即在紧密相连的大脑区域中进行专门处理的能力。而特征路径长度、全局效率和最大介数中心性主要用于量化网络的功能整合， 即从分布的大脑区域快速组合专门信息的能力。特征路径长度是网络中所有节点对之间最短路径长度之和的平均值， 用来衡量网络并行信息传递效率和功能整合程度（Rubinov amp; Sporns，2010）。全局效率是网络中所有节点对之间的并行信息传输的平均指标， 可以衡量脑网络传递和信息处理过程是否高效（Achard amp; Bullmore， 2007）。最大介数中心性是核心中枢节点（hub）， 主要负责大脑信息的沟通与恢复（Hasanzadeh et al.， 2020）。在局部网络特征中， 本研究使用介数中心性（BC）作为单个节点重要性的度量， 它可以更好地衡量大脑区域对网络中信息传递的影响（Li et al.， 2018）。

2.5""统计分析

统计分析采用SPSS Statistics 22.0。采用2 （组别：抑郁倾向组、健康对照组） × 4 （认知重评条件：观看中性、观看负性、自我关注重评、情境关注重评）重复测量方差分析， 研究抑郁倾向组和健康对照组在不同认知重评条件的主观情绪评级、全局网络特征差异， 其中组别为组间变量， 认知重评条件为组内变量; 因变量为效价和唤醒度评级、全局网络特征， 当球形检验结果不符合球形假设时， 使用Greenhouse-Geisser校正调整自由度， 采用Bonferroni方法对全局网络特征多重比较结果进行校正; 独立样本t检验比较两组在不同频段下， 不同认知重评条件下局部网络特征的差异， 采用False discovery rate （FDR）方法对多重比较结果进行校正， p lt;"0.05表示校正后仍存在显著差异， 皮尔逊相关系数用于分析两组全局网络特征和局部网络特征与贝克抑郁量表得分、抑郁自评量表得分的相关程度， 相关结果均进行多重检验Bonferroni方法校正。相关分析使用GRETNA完成。

3 "结果

3.1""行为结果

3.1.1""被试基本信息

两组被试的人口学信息和量表得分结果见表1。两组被试在年龄（t（77） = 1.43， p = 0.156）和性别（c²（1）"= 0.777， p = 0.378）上都没有显著差异。抑郁倾向组的贝克抑郁量表分数（20.34 ± 5.32）显著高于健康对照组（4.51 ± 4.04）， t（77） = −14.97， p lt; 0.001; 抑郁倾向组的抑郁自评分数（60.13 ± 6.63）显著高于健康对照组（40.69 ± 7.46）， t（77） = −12.21， p lt; 0.001; 此外， 对两组被试的积极消极情绪量表得分进行分析发现， 抑郁倾向组的积极情绪（27.55 ± 4.86）与健康对照组（34.34 ± 6.88）存在显著差异， t（77） = 5.03， p lt; 0.001。同样， 抑郁倾向组的消极情绪（25.63 ± 7.61）与健康对照组（17.90 ± 6.97）存在显著差异， t（77） = −4.71， p lt; 0.001。

3.1.2""主观情绪评级

抑郁倾向组和健康对照组的主观情绪评级结果见表2。对两组被试在不同实验任务条件的效价评分进行分析， 球形检验结果表明不符合球形假设， p lt;"0.001， 使用Greenhouse-Geisser方法校正。认知重评条件的主效应显著， F（2.37， 182.18） = 114.03， p"lt; 0.001， η_p²"= 0.60。组别主效应显著， F（1， 71） = 6.08， p = 0.016， η_p²"= 0.07， 总体上抑郁倾向组效价评分比健康对照组更低。认知重评条件与组别之间交互作用不显著（p"= 0.669）。

对两组被试在4种认知重评条件的唤醒度评分进行分析。球形检验结果表明不符合球形假设， p lt;"0.001， 使用Greenhouse-Geisser方法校正。认知重评条件的主效应显著， F（2.73， 210.27） = 48.63， p lt;"0.001，"η_p²"= 0.39， 组别无显著主效应（p"= 0.736）， 组别与认知重评条件之间交互作用不显著（p = 0.963）。

3.2""脑网络结果

3.2.1""抑郁倾向组自我关注重评和情境关注重评全局网络特征的结果

抑郁倾向组认知重评全局网络特征结果见表3、表4和图2。结果发现， alpha频段中， 聚类系数（C）的组别主效应存在边缘显著差异， F（1， 71） = 3.04， p = 0.085， η_p²"= 0.04; 局部效率（E_loc）的组别主效应存在边缘显著差异， F（1， 71） = 2.81， p"= 0.098， η_p²"= 0.04; 最大介数中心性（maxBC）的组别主效应存在边缘显著差异， F（1， 71） = 3.11， p = 0.082， η_p²"= 0.04， 其他指标的组别主效应均不显著（p"gt; 0.05）; gamma频段中， 聚类系数（C）的组别主效应存在显著差异， F（1， 71） = 8.29， p"= 0.005， η_p²"= 0.10; 局部效率（E_loc） 的组别主效应存在显著差异， F（1， 71） = 8.33， p"= 0.005， η_p²"= 0.10; 最大介数中心性（maxBC）的组别主效应存在显著， F（1， 71） = 7.16， p = 0.009， η_p²"= 0.10， 其他指标的组别主效应均不显著（p"gt; 0.05）; 聚类系数（C）的认知重评条件主效应存在边缘显著差异， F（1， 71） = 2.58， p = 0.055， η_p²"= 0.03; 局部效率（E_loc） 的认知重评条件主效应存在显著差异， F（1， 71） = 3.04， p"= 0.030， η_p²"= 0.04; 最大介数中心性（maxBC）的认知重评主效应存在显著差异， F（1， 71） = 3.33， p = 0.020， η_p²"= 0.04， 其他指标的认知重评条件主效应均不显著（p gt; 0.05）， 组别与认知重评条件的交互作用均不显著（p gt; 0.05）。

3.2.2""抑郁倾向组自我关注重评和情境关注重评局部网络特征的结果

抑郁倾向组和健康对照组在不同认知重评条件下， 介数中心性指标存在显著差异的脑区， 见表5、表6和图3。alpha频段中， 与健康对照组相比， 抑郁倾向组左侧前扣带回（ACC） （BA32， p"= 0.001）、右侧海马旁回（PHG） （BA30， p"= 0.010）、两侧后扣带回（PCC） （BA29， p"= 0.029、p"= 0.035）的介数中心性更大， 而两侧颞上回/颞中回（MTG/STG） （BA38， p"= 0.014、BA39， p"= 0.034）、两侧中央后回（PoCG） （BA2， p"= 0.021、BA43， p"= 0.046）、左侧颞下回（ITG）"（BA20， p"= 0.046）的介数中心性则更小。

gamma频段中， 与健康对照组相比， 抑郁倾向组的两侧海马旁回（PHG） （BA35， p"= 0.002、p"= 0.004、p"= 0.021; BA36， p"= 0.023、p"= 0.007、p"= 0.030; BA28， p"= 0.031、p"= 0.018; BA27， p"= 0.043、p"= 0.029、p"= 0.030、p"= 0.037; BA30， p"= 0.039）、左侧前扣带回（ACC） （BA24， p"= 0.014）、两侧后扣带回（PCC） （BA30， p"= 0.017、p"= 0.032; BA29， p"= 0.021、p"= 0.023、p"= 0.024、p"= 0.003、p"= 0.009、p"= 0.032; BA23， p"= 0.003）、两侧颞上回（STG） （BA22， p"= 0.027; BA42， p"= 0.031）、左侧额中回（MFG） （BA8， p"= 0.021）、右侧中央前回（PreCG） （BA4， p"= 0.048、p"= 0.035）、右侧中央后回（PoCG）（BA3， p"= 0.033、p"= 0.045）的介数中心性增加， 而右侧颞中回（MTG） （BA37， p"= 0.012）、左侧顶下叶（IPL） （BA40， p"= 0.018）的介数中心性则降低。

3.2.3""抑郁倾向组认知重评脑网络与抑郁倾向严重程度的相关结果

在不同频段上， 对抑郁倾向组的全局网络特征存在差异的指标进行分析， 即聚类系数（C）、局部效率（E_loc）、最大介数中心性（maxBC）与贝克抑郁量表分数（BDI）、抑郁自评量表分数（SDS）进行皮尔逊相关分析， 并采用Bonferroni方法对相关结果进行校正， 结果见图4。结果表明， alpha频段中， 观看负性条件下， 抑郁倾向组的抑郁自评量表分数与聚类系数（C）呈显著负相关（r"= −0.375， p"= 0.020）、与局部效率（E_loc） 呈显著负相关（r"= −0.375， p"= 0.020）、与最大介数中心性（maxBC）呈显著正相关（r"= 0.376， p"= 0.020）; gamma频段中， 自我关注重评条件下， 抑郁倾向组的抑郁自评量表分数与聚类系数（C）呈显著的负相关（r"= −0.320， p"= 0.050）， 与局部效率（E_loc） 呈显著的负相关（r"= −0.363， p"= 0.025）。

在不同频段上， 对局部网络特征与抑郁倾向组的BDI、SDS进行皮尔逊相关分析， 并采用Bonferroni方法对相关结果进行校正， 见图5。结果表明， alpha频段中， 观看负性条件下， 抑郁倾向组的抑郁自评量表分数与左侧颞中回/颞上回（MTG/STG）呈显著正相关（BA38， p"= 0.014）、与左侧中央后回（PoCG）呈显著正相关（BA43， p"= 0.029）; gamma频段中， 观看负性条件下， 抑郁倾向组的贝克抑郁量表分数与右侧颞中回（MTG）呈显著正相关（BA37， p"= 0.019）。

4 "讨论

本研究采用复杂网络分析， 探讨抑郁倾向组自我关注重评和情境关注重评的调节效果和脑网络特征， 及这种特征与抑郁倾向严重程度的关系。结果发现：（1）抑郁倾向组在认知重评任务过程中的效价评分总体上低于健康对照组; （2）两组被试在自我关注重评和情境关注重评任务期间， 聚类系数、局部效率和最大介数中心性存在显著差异; 局部脑区差异主要位于前、后扣带回、海马旁回、中央前回、中央后回、额中回、额上回、颞上回和颞中回等; （3）抑郁倾向组在自我关注重评任务期间全局网络特征与抑郁倾向严重程度相关， 在观看负性任务期间全局和局部网络特征与抑郁倾向严重程度相关。这表明， 全局网络的功能分离和整合， 及局部脑区重要性的变化可能会影响抑郁倾向个体的认知重评效果。

4.1""抑郁倾向个体自我关注重评和情境关注重评的有效性

本研究探讨了抑郁倾向组和健康对照组自我关注重评和情境关注重评的效价和唤醒度差异。结果发现， 整个实验任务过程中抑郁倾向组的效价评分显著低于健康对照组， 即抑郁倾向个体在进行认知重评任务的过程中更多地体验到了消极情绪， 我们推测抑郁症状可能会影响个体情绪调节过程（Liu， Ma et al.， 2022）。以往研究发现， 早期不良的生活经历促成抑郁个体形成消极的认知图式， 其特征是自动的且不消耗认知资源（Beck， 2008）， 当其在抑郁发作之前或期间被反复激活， 导致个体在面对相似的负性刺激时， 自动地采用消极的情绪调节策略来调节情绪（Ehring et al.， 2010）。由于两种重评子策略需要个体有意识地对消极情绪刺激进行重新解释， 并且需要调动认知资源来调节情绪（Gyurak et al.， 2011）， 而抑郁个体在进行认知重评任务时的认知资源是有限的（Joormann amp; Gotlib， 2010）。因此， 与健康对照组相比， 抑郁倾向组可能无法更好地使用两种子策略来调节消极情绪， 这也可能进一步导致抑郁的发展和维持。但总体来说， 两种子策略能够在一定程度上降低抑郁倾向个体和健康个体的消极情绪， 并且两组个体在使用效果上没有显著差异。由于抑郁倾向个体对快乐刺激的趋近动机和对悲伤刺激的回避动机都弱于正常个体， 因此无论是使其脱离于消极情绪还是关注负性事件积极的一面， 都具有相似的效果。此外， 本研究尚未发现抑郁倾向组和健康对照组在两种重评任务期间的唤醒度评分存在显著差异， 分析原因可能因为抑郁倾向个体对负性刺激的精细加工能力减弱（李红"等， 2019）， 引起了抑郁倾向个体对较高强度负性刺激的低动机反应。对此， 未来研究可将负性情绪图片分为不同类型和不同刺激强度对抑郁倾向个体的情绪唤醒度进行深入研究。

4.2""抑郁倾向个体自我关注重评和情境关注重评的全局网络特征

本研究探讨了抑郁倾向组和健康对照组在自我关注重评和情境关注重评期间的全局网络特征。结果发现， 抑郁倾向组的大脑全局网络特征， 在自我关注重评和情境关注重评任务过程中， alpha和gamma频段存在异常活动。这些结果与以往研究结果相一致。例如有通过探索抑郁症并且伴有认知障碍的个体， 在对负性刺激进行认知重评的过程中， 发现其alpha频段存在异常活动（Liu， Ma et al.， 2022）， 这表明， 抑郁个体的认知重评受到影响可能与低频带的异常活动有关。此外， 有研究通过探索抑郁症患者在处理情绪刺激时的大脑功能网络， 发现gamma频段存在异常活动（Li et al.， 2015）。因此， 抑郁倾向个体的认知重评效果， 可能受到大脑全局网络alpha和gamma频段异常活动的影响。

聚类系数量化了相邻区域间的相连程度， 因此可以衡量大脑网络处理局部信息的能力（梁夏"等， 2010）。研究结果发现， 与健康对照组相比， 抑郁倾向组在自我关注重评和情境关注重评任务期间， 聚类系数呈显著下降趋势， 与以往研究结果相一致。有研究发现抑郁症个体在认知重评任务期间， 聚类系数显著下降， 这代表大脑局部信息的处理能力下降， 进而影响其情绪调节效果（Liu， Chen et al.， 2022）。局部效率衡量大脑网络中信息的传输效率（Latora amp; Marchiori， 2001）， 而抑郁倾向个体在两种重评任务期间表现出局部效率显著低于健康对照组的趋势， 这表明抑郁倾向个体在处理负性情绪刺激时效率受到影响， 认知重评的能力可能会受到抑郁情绪的影响（Liu， Chen et al.， 2022）。最大介数中心性是具有高度中心性的节点（Hasanzadeh et al.， 2020）， 代表大脑区域在网络间的信息传递（Bullmore amp; Sporns， 2009）。结果发现， 抑郁倾向组在自我关注重评和情境关注重评任务期间， 最大介数中心性呈现显著低于健康对照组的趋势。由此推测， 抑郁倾向个体大脑网络整合效率和认知重评效果均低于健康个体。

4.3""抑郁倾向个体自我关注重评和情境关注重评的局部网络特征

相关研究认为大脑局部特征代表脑网络中跨区域信息传递的能力（Wong et al.， 2016）， 反映了信息传递和整合的神经生物学基础（Olaf et al.， 2007）。本研究通过计算节点的介数中心性（BC）来评估大脑皮层网络局部特征的变化。

通过分析gamma频段两组被试的介数中心性（BC）可以发现， 抑郁倾向组在自我关注重评和情境关注重评任务期间， 其后扣带回、海马旁回、中央前回、中央后回、额中回等脑区呈现异常活动。两种认知重评子策略存在脑机制的差异， 与情境关注重评任务期间相比， 自我关注重评涉及更多脑区的异常活动。

与alpha频段相比， 抑郁倾向个体在gamma频段存在更多脑区的异常活动。由于gamma振荡在情绪加工过程中发挥重要作用（Fitzgerald amp; Watson， 2018）， 在此频段有助于识别个体情绪状态变化（Murugappan et al.， 2021）。在gamma频段中， 抑郁倾向个体在自我关注重评任务期间， 除两侧后扣带回、左侧海马旁回、左侧额中回、右侧中央前回表现出异常活动外， 还在右侧海马旁回、右侧中央后回表现出异常活动。具体来说， 后扣带回主要接受来自顶叶皮层的输入， 并参与空间记忆系统（Rolls， 2019）。由于以往消极情绪事件的影响（Beck， 2008）， 抑郁倾向个体在进行两种重评任务时， 可能会激活某些消极回忆， 从而影响其认知重评的效果。海马旁回受损可能影响抑郁倾向个体在自我关注重评和情境关注重评期间， 根据上下文线索对负性情境进行重新解释的能力（Frank et al.， 2014）。自我关注重评任务期间同时受到两侧海马旁回的影响， 此过程更依赖于个体对负性情境重新解释的能力， 一旦这种能力受损， 自我关注重评对消极情绪的调节效果将降低。中央后回与情绪的感知和处理有关（Kassam et al.， 2013）， 这一区域受损可能会导致个体出现异常的情绪反应， 尤其影响抑郁倾向个体自我关注重评的效果。中央前回与负性认知风格有关（Picó-Pérez et al.， 2017）。抑郁症认知模型提出早期不良事件会促进个体形成消极认知图式， 当个体面对消极情绪事件时会激活这种图式， 导致记忆和情绪等方面消极偏好（Beck， 2008）。此外， 额中回负责调节情绪加工（Zhang et al.， 2020）， 额中回与注意力的灵活调节有关（Song et al.， 2019）， 其活动异常可能对负性刺激的注意导向发挥作用， 使得个体在面对足够的消极刺激时， 容易重新激活消极图式（Davidson et al.， 2002）。因此， 这两个区域受损， 可能是抑郁个体偏好消极认知的神经基础。如果额中回存在加工异常， 将极大程度影响抑郁倾向个体运用情境关注重评策略的能力， 但对自我关注重评效果影响较小。

此外， 研究结果表明， 与健康对照组相比， 抑郁倾向组在alpha频段认知重评任务期间， 右侧颞上回、右侧颞中回、后扣带回、两侧额下回、右侧中央后回和右侧顶上叶表现出异常活动。颞上回的异常激活与以往研究一致（Ramezani et al.， 2014）。颞上回（STG）属于颞叶， 颞叶反映对情绪相关特征的注意， 这些特征对于触发个体情绪并对其进行重新解释至关重要（Bebko et al.， 2011）。个体在认知重评任务中不仅需要识别情绪刺激的信息， 还需要认知努力来下调消极情绪， 因此颞上回的异常活动可能反映了抑郁倾向个体的认知控制能力下降。顶叶主要负责个体的认知控制能力（Anderson amp; Huddleston， 2012）， 这部分异常活动表明， 抑郁倾向个体在观看负性图片时无法抑制消极情绪， 并会影响情境关注重评的调节效果。额下回主要负责下调消极情绪反应（Kravitz et al.， 2011）， 在反应抑制中起重要作用（Aron et al.， 2004; Hampshire et al.， 2010）。以往研究也发现， 抑郁症患者存在抑制控制障碍（Langenecker et al.， 2007）， 由此推测， 抑郁倾向个体可能受额下回的影响， 难以抑制消极情绪， 从而影响情境关注重评下的任务表现， 但不会影响自我关注重评的调节效果（Dai amp; Feng， 2011）。综上所述， 抑郁倾向个体在后扣带回、海马旁回、中央前回、中央后回、额中回、额上回、顶叶、颞上回和颞中回等脑区的介数中心性发生改变， 表明这些脑区受到影响较大（Long et al.， 2015）， 并在自我关注重评和情境关注重评任务期间存在差异。

4.4""抑郁倾向个体自我关注重评和情境关注重评脑网络与抑郁倾向严重程度的相关

抑郁倾向组的全局网络特征与抑郁严重程度的相关， 进一步证实了抑郁会影响大脑拓扑神经机制。具体来说， 本研究发现抑郁倾向个体的严重程度与聚类系数、局部效率呈负相关。由于聚类系数和局部效率主要是了解大脑区域在网络间的信息传递（Rubinov amp; Sporns， 2010）， 这表明抑郁倾向个体的严重程度越高， 其大脑信息传输效率可能越慢（Meng et al.， 2014）。局部网络特征也与抑郁倾向个体的严重程度存在相关。抑郁倾向组的严重程度与颞中回/颞上回、左侧中央后回呈正相关。因此， 本研究推测抑郁倾向个体的症状发展可能与这些脑区的神经活动有关， 并以此了解脑网络属性在多大程度上反映了抑郁倾向个体的认知重评行为和抑郁的严重程度。

4.5""研究不足与展望

综上所述， 本研究有助于揭示抑郁倾向个体使用认知重评策略的效果及对应的大脑神经机制的变化， 补充抑郁倾向的相关研究， 但仍存在以下不足：

（1）本研究仅通过脑电数据研究抑郁倾向个体认知重评任务状态的脑网络， 未来可采用多模态脑电/fMRI集成方法（Lioi et al.， 2020; Zhang et al.， 2011）探讨更丰富的结果。

（2）本研究只测量静态脑网络， 而忽略动态脑网络。在进一步的研究中， 将探讨大脑网络的动态分析和时间网络特性（Liu et al.， 2019）。

（3）本研究主要是从认知重评的有意识层面入手进行探究， 未来可以考虑从认知重评的无意识层面来丰富相关研究。

5 "结论

本研究采用复杂网络分析探讨了抑郁倾向个体自我关注重评和情境关注重评的效果和脑网络特征， 及这种特征与抑郁倾向严重程度的关系。结果发现， 抑郁倾向个体的全局和局部网络特征均发生了改变， 这也与抑郁倾向严重程度有关。这表明， 异常的拓扑神经机制可能暗示着抑郁倾向个体认知重评功能受损， 并为预防和改善抑郁倾向症状提供新的见解。

参""考""文""献

Achard， S.， amp; Bullmore， E. （2007）. Efficiency and cost of economical brain functional networks. PLoS Computational Biology， 3（2）， e17.

Aldao， A.， Nolen-Hoeksema， S.， amp; Schweizer， S. （2010）. Emotion regulation strategies across psychopathology： A meta-analytic review. Clinical Psychology Review， 30（2）， 217−237.

Aleksandra， M.， Neil， W. B.， Oscar， W. M.， Prabhavi， N. P.， amp; Paul， B. F. （2023）. Alterations in EEG functional connectivity"in individuals with depression： A systematic review. Journal of Affective Disorders， 328， 287−302.

Anderson， M. C.， amp; Huddleston， E. （2012）. Towards a cognitive"and neurobiological model of motivated forgetting. Nebraska Symposium on Motivation. Nebraska Symposium on Motivation， 58， 53−120.

Arnold， A. E.， Protzner， A. B.， Bray， S.， Levy， R. M.， amp; Iaria， G. （2014）. Neural network configuration and efficiency underlies individual differences in spatial orientation ability. Journal of Cognitive Neuroscience， 26（2）， 380−394.

Aron， A. R.， Robbins， T. W.， amp; Poldrack， R. A. （2004）. Inhibition and the right inferior frontal cortex. Trends in Cognitive Sciences， 8（4）， 170−177.

Balconi， M.， amp; Mazza， G. （2009）. Brain oscillations and BIS/BAS （behavioral inhibition/activation system） effects on processing masked emotional cues. ERS/ERD and coherence measures of alpha band. International Journal of Psychophysiology， 74（2）， 158−165.

Bebko， G. M.， Franconeri， S. L.， Ochsner， K. N.， amp; Chiao， J. Y. （2011）. Look before you regulate： Differential perceptual strategies underlying expressive suppression and cognitive reappraisal. Emotion， 11（4）， 732−742.

Beck， A. T. （2008）. The evolution of the cognitive model of depression and its neurobiological correlates. The American Journal of Psychiatry， 165（8）， 969−977.

Belden， A. C.， Pagliaccio， D.， Murphy， E. R.， Luby， J. L.， amp; Barch， D. M. （2015）. Neural activation during cognitive emotion regulation in previously depressed compared to healthy children： Evidence of specific alterations. Journal of the American Academy of Child and Adolescent Psychiatry， 54（9）， 771−781.

Benning， S. D.， amp; Ait Oumeziane， B. （2017）. Reduced positive emotion and underarousal are uniquely associated with subclinical depression symptoms： Evidence from psychophysiology， self-report， and symptom clusters. Psychophysiology， 54（7）， 1010−1030.

Borges， A. M.， Kuang， J.， Milhorn， H.， amp; Yi， R. （2016）. An alternative approach to calculating area-under-the-curve （auc）"in delay discounting research. Journal of the Experimental Analysis of Behavior， 106（2）， 145−155.

Bruder， G. E.， Stewart， J. W.， amp; McGrath， P. J. （2017）. Right brain， left brain in depressive disorders： Clinical and theoretical implications of behavioral， electrophysiological and neuroimaging findings. Neuroscience and Biobehavioral Reviews， 78， 178−191.

Bullmore， E.， amp; Sporns， O. （2009）. Complex brain networks： Graph theoretical analysis of structural and functional systems."Nature Reviews Neuroscience， 10（3）， 186−198.

Dai， Q.， amp; Feng， Z. （2011）. Dysfunctional distracter inhibition and facilitation for sad faces in depressed individuals. Psychiatry Research， 190（2-3）， 206−211.

Davidson， R. J.， Lewis， D. A.， Alloy， L. B.， Amaral， D. G.， Bush， G.， Cohen， J. D.， ... Peterson， B. S. （2002）. Neural and behavioral substrates of mood and mood regulation. Biological Psychiatry， 52（6）， 478−502.

Davis， E. G.， Foland-Ross， L. C.， amp; Gotlib， I. H. （2018）. Neural correlates of top-down regulation and generation of negative affect in major depressive disorder. Psychiatry Research： Neuroimaging， 276， 1−8.

De Vico Fallani， F.， Astolfi， L.， Cincotti， F.， Mattia， D.， Tocci， A.， Capitanio， S.， ... Babiloni， F. （2007）. Features extraction from time-varying cortical networks adopting a theoretical graph approach. Annual International Conference of the IEEE Engineering in Medicine and Biology Society， 2007， 5198−5201.

De Zorzi， L.， RanFaing， S.， Honoré， J.， amp; Sequeira， H. （2021）. Autonomic reactivity to emotion： A marker of sub-clinical anxiety and depression symptoms？ Psychophysiology，"58（4）， e13774.

Diedrich， A.， Grant， M.， Hofmann， S. G.， Hiller， W.， amp; Berking， M. （2014）. Self-compassion as an emotion regulation strategy in major depressive disorder. Behaviour Research and Therapy， 58， 43−51.

Dillon， D. G.， amp; Pizzagalli， D. A. （2013）. Evidence of successful modulation of brain activation and subjective experience during reappraisal of negative emotion in unmedicated depression. Psychiatry Research， 212（2）， 99−107.

Doré， B. P.， Rodrik， O.， Boccagno， C.， Hubbard， A.， Weber， J.， Stanley， B.， ... Ochsner， K. N. （2018）. Negative autobiographical"memory in depression reflects elevated amygdala- hippocampal reactivity and hippocampally associated emotion"regulation. Biological Psychiatry： Cognitive Neuroscience and Neuroimaging， 3（4）， 358−366.

Dryman， M. T.， amp; Heimberg， R. G. （2018）. Emotion regulation in social anxiety and depression： A systematic review of expressive suppression and cognitive reappraisal. Clinical Psychology Review， 65， 17−42.

Ehring， T.， Tuschen-Caffier， B.， Schnülle， J.， Fischer， S.， amp; Gross， J. J. （2010）. Emotion regulation and vulnerability to depression： Spontaneous versus instructed use of emotion suppression and reappraisal. Emotion， 10（4）， 563−572.

Erk， S.， Mikschl， A.， Stier， S.， Ciaramidaro， A.， Gapp， V.， Weber， B.， amp; Walter， H. （2010）. Acute and sustained effects of cognitive emotion regulation in major depression. The Journal of Neuroscience， 30（47）， 15726−15734.

Fingelkurts， A. A.， amp; Fingelkurts， A. A. （2015）. Altered structure"of dynamic electroencephalogram oscillatory pattern in major depression. Biological Psychiatry， 77（12）， 1050−1060.

Fitzgerald， P. J.， amp; Watson， B. O. （2018）. Gamma oscillations as a biomarker for major depression： An emerging topic. Translational Psychiatry， 8（1）， 177.

Fogel， J.， Eaton， W. W.， amp; Ford， D. E. （2006）. Minor depression as a predictor of the first onset of major depressive disorder over a 15-year follow-up. Acta Psychiatrica Scandinavica， 113（1）， 36−43.

Ford， B. Q.， Karnilowicz， H. R.， amp; Mauss， I. B. （2017）. Understanding reappraisal as a multicomponent process： The psychological health benefits of attempting to use reappraisal depend on reappraisal success. Emotion， 17（6）， 905−911.

Frank， D. W.， Dewitt， M.， Hudgens-Haney， M.， Schaeffer， D. J.， Ball， B. H.， Schwarz， N. F.， ... Sabatinelli， D. （2014）. Emotion regulation： Quantitative meta-analysis of functional activation and deactivation. Neuroscience and Biobehavioral Reviews， 45， 202−211.

Greco， C.， Matarazzo， O.， Cordasco， G.， Vinciarelli， A.， Callejas， Z.， amp; Esposito， A. （2021）. Discriminative power of EEG-based biomarkers in major depressive disorder： A systematic review. IEEE Access， 9， 112850−112870.

Gross， J. J. （1998）. The emerging field of emotion regulation： An integrative review. Review of General Psychology， 2（3）， 271−299.

Gross， J. J.， amp; Thompson， R. A. （2007）. Emotion regulation： Conceptual foundations. In J. J. Gross （Ed.）， Handbook of emotion regulation"（pp. 3−24）. New York， NY： Guilford Press.

Gusnard， D. A.， Akbudak， E.， Shulman， G. L.， amp; Raichle， M. E. （2001）. Medial prefrontal cortex and self-referential mental activity： Relation to a default mode of brain function. Proceedings of the National Academy of Sciences， 98（7）， 4259−4264.

Gyurak， A.， Gross， J. J.， amp; Etkin， A. （2011）. Explicit and implicit emotion regulation： A dual-process framework. Cognition amp; Emotion， 25（3）， 400−412.

Hampshire， A.， Chamberlain， S. R.， Monti， M. M.， Duncan， J.， amp; Owen， A. M. （2010）. The role of the right inferior frontal gyrus： Inhibition and attentional control. NeuroImage， 50（3）， 1313−1319.

Hasanzadeh， F.， Mohebbi， M.， amp; Rostami， R. （2020）. Graph theory analysis of directed functional brain networks in major depressive disorder based on EEG signal. Journal of Neural Engineering， 17（2）， 026010.

Jaworska， N.， Blier， P.， Fusee， W.， amp; Knott， V. （2012）. α Power， α asymmetry and anterior cingulate cortex activity in depressed males and females. Journal of Psychiatric Research，"46（11）， 1483−1491.

John， O. P.， amp; Gross， J. J. （2004）. Healthy and unhealthy emotion regulation： Personality processes， individual differences， and life span development. Journal of Personality，"72（6）， 1301−1334.

Joormann， J.， amp; Gotlib， I. H. （2010）. Emotion regulation in depression： Relation to cognitive inhibition. Cognition amp; Emotion， 24（2）， 281−298.

Kalisch， R.， Wiech， K.， Critchley， H. D.， Seymour， B.， O’Doherty， J. P.， amp; Oakley， D. A. （2005）. Anxiety reduction through detachment： Subjective， physiological， and neural effects. Journal of Cognitive Neuroscience， 17（6）， 874−883.

Kang， J.-H.， Jeong， J. W.， Kim， H. T.， Kim， S. H.， amp; Kim， S.-P. （2014）. Representation of cognitive reappraisal goals in frontal gamma oscillations."PLoS ONE， 9（11）， e113375.

Kassam， K. S.， Markey， A. R.， Cherkassky， V. L.， Loewenstein， G.， amp; Just， M. A. （2013）. Identifying emotions on the basis of neural activation. PloS ONE， 8（6）， e66032.

Kelley， W. M.， Macrae， C. N.， Wyland， C. L.， Caglar， S.， Inati， S.， amp; Heatherton， T. F. （2002）. Finding the self？ An event-related fMRI study."Journal of Cognitive Neuroscience，"14（5）， 785−794.

Kravitz， D. J.， Saleem， K. S.， Baker， C. I.， amp; Mishkin， M. （2011）. A new neural framework for visuospatial processing."Nature reviews. Neuroscience， 12（4）， 217−230.

Langenecker， S. A.， Kennedy， S. E.， Guidotti， L. M.， Briceno， E. M.， Own， L. S.， Hooven， T.， ... Zubieta， J. K. （2007）. Frontal and limbic activation during inhibitory control predicts treatment response in major depressive disorder. Biological Psychiatry， 62（11）， 1272−1280.

Latora， V.， amp; Marchiori， M. （2001）. Efficient behavior of small-world networks. Physical Review Letters， 87（19）， 198701.

Li， F.， Lui， S.， Yao， L.， Ji， G. J.， Liao， W.， Sweeney， J. A.， amp; Gong， Q. （2018）. Altered white matter connectivity within and between networks in antipsychotic-naive first-episode schizophrenia. Schizophrenia Bulletin， 44（2）， 409−418.

Li， H.， Yang， X. G.， Zheng， W. Y.， amp; Wang， C. （2019）. Emotional regulation goals of young adults with depression inclination： An event-related potential study. Acta Psychologica Sinica， 51（6）， 637−647.

[李红， 杨小光， 郑文瑜， 王超. （2019）. 抑郁倾向对个体情绪调节目标的影响——来自事件相关电位的证据. 心理学报， 51（6）， 637−647.]

Li， Y.， Cao， D.， Wei， L.， Tang， Y.， amp; Wang， J. （2015）. Abnormal"functional connectivity of EEG gamma band in patients with depression during emotional face processing. Clinical Neurophysiology， 126（11）， 2078−2089.

Liang， X.， Wang， J. H.， amp; He， Y. （2010）. Human connectome： Structural and functional brain networks. Chinese Science Bulletin， 55（16）， 1565−1583.

[梁夏， 王金辉， 贺永. （2010）. 人脑连接组研究： 脑结构网络和脑功能网络. 科学通报， （16）， 1565−1583.]

Liang， Y.， Huo， M.， Kennison， R.， amp; Zhou， R. L. （2017）. The role of cognitive control in older adult cognitive reappraisal： Detached and positive reappraisal."Frontiers in Behavioral Neuroscience， 11，"27.

Lindsey， M. R.， Katherine D. M. L.， James， O.， Jaclyn， B. D.， Michelle， Q.， Hunter， P. D.， amp; Jennifer， B. （2020）. Effects of a brief interpersonal conflict cognitive reappraisal intervention on improvements in access to emotion regulation strategies and depressive symptoms in college students."Psychology amp; Health. 35（10）， 1207−1227.

Lioi， G.， Cury， C.， Perronnet， L.， Mano， M.， Bannier， E.， Lécuyer， A.， amp; Barillot， C. （2020）. Simultaneous eeg-fmri during a neurofeedback task， a brain imaging dataset for multimodal data integration. Entific Data， 7（1）， 173.

Liu， M.， Ma， J.， Fu， C. Y.， Yeo， J.， Xiao， S. S.， Xiao， W. X.， ... Li， Y. X. （2022）. Dysfunction of emotion regulation in mild cognitive impairment individuals combined with depressive disorder： A neural mechanism study. Frontiers in Aging Neuroscience， 14， 884741.

Liu， S.， Chen， S. T.， Huang， Z. N.， Liu， X. Y.， Li， M. J.， Su， F. Y.， Hao， X. Y.， amp; Ming， D. （2022）. Hypofunction of directed brain network within alpha frequency band in depressive patients： A graph-theoretic analysis. Cognitive Neurodynamics， 16（5）， 1059−1071.

Liu， X.， Li， T.， Tang， C.， Xu， T.， Chen， P.， Bezerianos， A.， amp; Wang， H. （2019）. Emotion recognition and dynamic functional"connectivity analysis based on EEG. IEEE Access， 7， 143293−143302.

Liu， Y.， Ren， G. Q.， amp; Qu， K. J. （2023）. The emotion regulation"effect of cognitive reappraisal strategies on college students with depression tendency."Chinese Journal of Clinical Psychology， （1）， 39−44.

[刘岩， 任桂琴， 曲可佳. （2023）. 认知重评策略对抑郁倾向大学生的情绪调节研究. 中国临床心理学杂志， （1）， 39−44.]

Long， Z.， Duan， X.， Wang， Y.， Liu， F.， Zeng， L.， Zhao， J. P.， amp; Chen， H. （2015）. Disrupted structural connectivity network in treatment-naive depression. Progress in Neuro- Psychopharmacology and Biological Psychiatry， 56， 18−26.

Meng， C.， Brandl， F.， Tahmasian， M.， Shao， J.， Manoliu， A.， Scherr， M.， ... Sorg， C. （2014）. Aberrant topology of striatum’s connectivity is associated with the number of episodes in depression. Brain， 137（2）， 598−609.

Mohammadi， Y.， amp; Moradi， M. H. （2021）. Prediction of depression severity scores based on functional connectivity and complexity of the EEG signal."Clinical EEG and Neuroscience， 52（1）， 52−60.

Moser， J. S.， Hartwig， R.， Moran， T. P.， Jendrusina， A. A.， amp; Kross， E. （2014）. Neural markers of positive reappraisal and their associations with trait reappraisal and worry. Journal of Abnormal Psychology， 123（1）， 91−105.

Murugappan， M.， Zheng， B. S.， amp; Khairunizam， W. （2021）. Recurrent quantification analysis-based emotion classification"in stroke using electroencephalogram signals. Arabian Journal for Science and Engineering， 46， 9573−9588.

Ochsner， K. N.， amp; Gross， J. J. （2005）. The cognitive control of emotion. Trends in Cognitive Sciences， 9（5）， 242−249.

Ochsner， K. N.， Ray， R. D.， Cooper， J. C.， Robertson， E. R.， Chopra， S.， Gabrieli， J. D.， amp; Gross， J. J. （2004）. For better or for worse： Neural systems supporting the cognitive down-and up-regulation of negative emotion. Neuroimage， 23（2）， 483−499.

Olaf， S.， Honey， C. J.， Rolf， K.， amp; Marcus， K. （2007）. Identification and classification of hubs in brain networks. PLoS ONE， 2（10）， e1049.

Peng， W. Q.， Luo， W.， amp; Zhou， R. L. （2019）. HRV evidence for the improvement of emotion regulation in university students with depression tendency by working memory training."Acta Psychologica Sinica， 51（6）， 648−661.

[彭婉晴， 罗帏， 周仁来. （2019）. 工作记忆刷新训练改善抑郁倾向大学生情绪调节能力的HRV证据. 心理学报， 51（6）， 648−661.]

Picó-Pérez， M.， Radua， J.， Steward， T.， Menchón， J. M.， amp; Soriano-Mas， C. （2017）. Emotion regulation in mood and anxiety disorders： A meta-analysis of fMRI cognitive reappraisal studies. Progress in Neuro-Psychopharmacology"amp; Biological Psychiatry， 79（Pt B）， 96−104.

Pierce， J. E.， Haque， E.， amp; Neta， M. （2022）. Affective flexibility as a developmental building block of cognitive reappraisal： An fMRI study. Developmental Cognitive Neuroscience， 58， 101170.

Qi， S. Q.， Li， Y. P.， Tang， X. M.， Zeng， Q. H.， Diao， L. T.， Li， H.， amp; Hu， W. P. （2017）. The temporal dynamics of detached versus positive reappraisal： An ERP study. Cognitive， Affective， amp; Behavioral Neuroscience， 17（3）， 516−527.

Ramezani， M.， Johnsrude， I.， Rasoulian， A.， Bosma， R.， Tong， R.， Hollenstein， T.， ... Abolmaesumi， P. （2014）. Temporal- lobe morphology differs between healthy adolescents and those with early-onset of depression. NeuroImage： Clinical， 6， 145−155.

Rodríguez， M. R.， Nuevo， R.， Chatterji， S.， amp; Ayuso-Mateos， J. L. （2012）. Definitions and factors associated with subthreshold"depressive conditions： A systematic review. BMC Psychiatry， 12， 1−7.

Rolls， E. T. （2019）. The cingulate cortex and limbic systems for emotion， action， and memory. Brain Structure amp; Function， 224（9）， 3001−3018.

Rubinov， M.， amp; Sporns， O. （2010）. Complex network measures of brain connectivity： Uses and interpretations. Neuroimage， 52（3）， 1059−1069.

Shao， X.， Sun， S.， Li， J.， Kong， W.， Zhu， J.， Li， X.， amp; Hu， B. （2021）. Analysis of functional brain network in MDD based on improved empirical mode decomposition with resting state EEG data. IEEE Transactions on Neural Systems and Rehabilitation Engineering， 29， 1546−1556.

Sheline， Y. I.， Price， J. L.， Yan， Z.， amp; Mintun， M. A. （2010）. Resting-state functional MRI in depression unmasks increased connectivity between networks via the dorsal nexus. Proceedings of the National Academy of Sciences of the United States of America， 107（24）， 11020−11025.

Shiota， M. N.， amp; Levenson， R. W. （2002）. Turn down the volume or change the channel？ Emotional effects of detached versus positive reappraisal. Journal of Personality and Social Psychology， 103（3）， 416−429

Shiota， M. N.， amp; Levenson， R. W. （2009）. Effects of aging on experimentally instructed detached reappraisal， positive reappraisal， and emotional behavior suppression. Psychology and Aging， 24（4）， 890−900.

Shiota， M. N.， amp; Levenson， R. W. （2012）. Turn down the volume or change the channel？ Emotional effects of detached versus positive reappraisal. Journal of Personality and Social Psychology， 103（3）， 416−429.

Song， P.， Lin， H.， Liu， C.， Jiang， Y.， Lin， Y.， Xue， Q.， Xu， P.， amp; Wang， Y. （2019）. Transcranial magnetic stimulation to the middle frontal gyrus during attention modes induced dynamic"module reconfiguration in brain networks. Frontiers in Neuroinformatics， 13， 22.

Sullivan， S. K.， amp; Strauss， G. P. （2017）. Electrophysiological evidence for detrimental impact of a reappraisal emotion regulation strategy on subsequent cognitive control in schizophrenia. Journal of Abnormal Psychology， 126（5）， 679−693.

Sun， X. F.， Zheng， X. W.， Xu， Y. H.， Cui， L. Z.， amp; Hu， B. （2021）. Major depressive disorder recognition and cognitive analysis based on multi-layer brain functional connectivity networks. arXiv - CS - Machine Learning， 2111， 01351.

Sun， Y.， Lv， J. J.， Lan， F.， amp; Zhang， L. N. （2020）."Emotion regulation strategy of self-focused and situation-focused reappraisal and their impact on subsequent cognitive control. Acta Psychologica Sinica， 52（12）， 1393−1406.

[孙岩， 吕娇娇， 兰帆， 张丽娜. （2020）. 自我关注重评和情境关注重评情绪调节策略及对随后认知控制的影响. 心理学报， 52（12）， 1393−1406.]

Thiruchselvam， R.， Blechert， J.， Sheppes， G.， Rydstrom， A.， amp; Gross， J. J. （2011）. The temporal dynamics of emotion regulation： An EEG study of distraction and reappraisal. Biological Psychology， 87（1）， 84−92.

Tuithof， M.， Ten Have， M.， van Dorsselaer， S.， Kleinjan， M.， Beekman， A.， amp; de Graaf， R. （2018）. Course of subthreshold"depression into a depressive disorder and its risk factors. Journal of Affective Disorders， 241， 206−215.

van den Heuvel， M. P.， amp; Hulshoff Pol， H. E. （2010）. Exploring the brain network： A review on resting-state fMRI"functional connectivity. European Neuropsychopharmacology，"20（8）， 519−534.

Wang， C. F.， Zhang， Q.， amp; Zhang， X. X. （2021）. The differences in regulatory effect and success degree of negative emotions"between detached and positive cognitive reappraisals in juveniles， youths， diddle and elderly peoples. Journal of Psychological Science， 44（6）， 1376−1382.

[王彩凤， 张奇， 张笑笑. （2021）. 积极与分离认知重评负性情绪调节效果和成功程度的差异：青年、中老年和少年的实验结果. 心理科学， 44（6）， 1376−1382.]

Willroth， E. C.， amp; Hilimire， M. R. （2016）. Differential effects of self- and situation-focused reappraisal. Emotion， 16（4）， 468−474.

Wong， N. M.， Liu， H. L.， Lin， C.， Huang， C. M.， Wai， Y. Y.， Lee， S. H.， amp; Lee， T. M. （2016）. Loneliness in late-life depression： Structural and functional connectivity during affective processing. Psychological Medicine， 46（12）， 2485−2499.

Zhang， J.， Wang， J.， Wu， Q.， Kuang， W.， Huang， X.， He， Y.， amp; Gong， Q. （2011）. Disrupted brain connectivity networks in drug-naive， first-episode major depressive disorder. Biological"Psychiatry， 70（4）， 334−342.

Zhang， K.， Wang， C. M.， amp; Wang， J. X. （2016）. The Effect of Reappraisal and Distraction for Patients of Depression：ERPs Study. Psychological Exploration， （3）， 245−250.

[张阔， 王春梅， 王敬欣. （2016）. 抑郁症患者认知重评和分心情绪调节的有效性： ERPs研究. 心理学探新， （3）， 245− 250.]

Zhang， R.， Kranz， G. S.， Zou， W.， Deng， Y.， Huang， X.， Lin， K.， amp; Lee， T. （2020）. Rumination network dysfunction in major depression： A brain connectome study. Progress in Neuro- psychopharmacology amp; Biological Psychiatry， 98， 109819.

Zhang， T.， Zhao， B.， Shi， C.， Nie， B.， Liu， H.， Yang， X.， ... Shan， B. （2020）. Subthreshold depression may exist on a spectrum with major depressive disorder： Evidence from gray matter volume and morphological brain network. Journal of Affective Disorders， 266， 243−251.

Zhang， W.， Zou， Y.， Zhao， F.， Yang， Y.， Mao， N.， Li， Y.， Huang， G.， Yao， Z.， amp; Hu， B. （2022）. Brain network alterations in rectal cancer survivors with depression tendency： Evaluation"with multimodal magnetic resonance imaging. Frontiers in Neurology， 13， 791298.

A brain network study on the influence of a depressive tendency on self-focused reappraisal and situation-focused reappraisal

SUN Yan， WANG Yijin， HOU Peiyu， FENG Xue， LAN Fan

（School of Psychology， Liaoning Normal University， Dalian"116029， China）

Abstract

Depression inclination is the state between normal depressed mood and depression that meets clinical diagnostic criteria. If a depressed mood is continuously induced and cannot be transferred， it increases the likelihood of the development of clinical depression. Cognitive reappraisal， which includes self-focused reappraisal and situation-focused reappraisal， is the most widely used and effective emotion regulation strategy. The regulatory effects of these two strategies and the changes in brain network characteristics in individuals with an inclination towards depression are still unclear.""""In this study， complex networks were used to investigate the moderating effects and brain network characteristics of individuals inclined toward depression during self-focused reappraisal and situation-focused reappraisal tasks.

The results of the cognitive reappraisal task indicated that undergraduate students inclined toward depression had lower emotional valence scores overall compared to the control group， although there was no significant difference in arousal scores. The results of the brain network analysis for the cognitive reappraisal task revealed that clustering coefficients， local efficiency， and maximum mediated centrality were significantly different between the depression inclination group and the control group; local brain area differences between the two groups of subjects were mainly located in the limbic lobe， frontal lobe and parietal lobe.""""These findings suggest that abnormal topological neural mechanisms may impair negative emotion regulation in individuals with an inclination towards depression and provide new insights into the prevention and improvement of depression symptoms.

Keywords "depression inclination， cognitive reappraisal， self-focused reappraisal， situation-focused reappraisal， complex network