在日常生活中，我們經(jīng)歷了一系列連續(xù)發(fā)生的事件，但我們自然地將這一流程解析為有意義的單元，以支持感知、理解和記憶。事件分割理論認(rèn)為，大腦利用多種層次的信息來識別正在進(jìn)行體驗(yàn)中的邊界，從低層次的感知線索（如運(yùn)動或視覺特征的變化）到高層次的線索（如目標(biāo)、意圖或情境背景的變化）（Zacks等人，2007年）。這些線索在多個時間尺度上起作用，產(chǎn)生了細(xì)粒度和粗粒度事件的層次結(jié)構(gòu)。情緒變化是敘事和日常體驗(yàn)的顯著特征；這些動態(tài)通常反映了角色在變化的目標(biāo)或情境中評估模式的變化（Scherer和Moors，2019年）。越來越多的證據(jù)表明，動態(tài)情緒波動增強(qiáng)了人們對事件邊界的敏感性（Antony等人，2021年；Chen和Swallow，2025年；McClay等人，2023年），表明情緒可能作為事件構(gòu)建中的高級預(yù)測信號。然而，大多數(shù)研究使用廣泛的維度模型（如情緒價值和喚醒度）來描述情緒（Clewett等人，2019年；Rouhani等人，2020年），尚未明確特定情緒類別在信號傳遞有意義情境變化方面的能力是否存在差異。此外，不同形式的情緒信息（包括離散情緒類別、動態(tài)情緒波動和情緒價值）如何貢獻(xiàn)于事件分割，以及它們是否以不同的方式傳遞有意義的情境變化，目前仍不清楚。

越來越多的研究表明，大腦通過層次化組織結(jié)構(gòu)來分割體驗(yàn)（Hard等人，2006a年；Speer等人，2003年；Zacks等人，2001年，2007年）。早期感覺皮層在數(shù)百毫秒的尺度上編碼快速、短暫的信息，而更高層次的關(guān)聯(lián)區(qū)域則整合更長時間窗口內(nèi)的信息，構(gòu)建更粗略的事件表征（Aly等人，2018年；Hasson等人，2015年）。這些層次結(jié)構(gòu)不僅支持感知和記憶過程，還使感覺流轉(zhuǎn)化為連貫的整合事件模型（Baldassano等人，2017年；Ben-Yakov和Henson，2018年）。除了這些感知和結(jié)構(gòu)標(biāo)記外，敘事還充滿了社會情感線索，這些線索編碼了意義、意圖和情境評估的變化（Kleres，2011年）。由于離散情緒類別源于不同的評估模式（Scherer和Moors，2019年）并具有敘事意義，它們可能為更新內(nèi)部事件模型提供高級信號。

越來越多的證據(jù)表明，情緒調(diào)節(jié)事件分割。例如，在觀看體育比賽時，驚訝情緒的峰值與主觀事件邊界一致（Antony等人，2021年）；與恐懼相關(guān)的線索劃分了情節(jié)片段（Dunsmoor等人，2018年）。關(guān)鍵的是，負(fù)面或高幅度的喚醒度和情緒價值變化促進(jìn)了事件分割為離散事件，而積極的變化則加強(qiáng)了信息在時間上的整合（McClay等人，2023年）。自然主義的觀影研究進(jìn)一步表明，觀眾追蹤的情緒喚醒水平與他們自發(fā)報告的事件邊界緊密同步（Chen和Swallow，2025年）。同時，最近的fMRI研究利用對所有2185個視頻的fMRI反應(yīng)，確定了這種高維情緒體驗(yàn)的神經(jīng)基礎(chǔ)；他們的分析表明，情緒類別比情感維度更好地預(yù)測了皮層和皮下反應(yīng)（Horikawa等人，2020年）。由于以往的研究主要依賴于維度情感或孤立的情緒操作，離散情緒類別（每個類別都攜帶不同的意義和評估模式）是否對大腦層次結(jié)構(gòu)中的事件分割產(chǎn)生不同影響仍不清楚。

為了解決這些空白，本研究采用了一種自然主義的觀影范式，將幀級多類別情緒注釋（Camacho等人，2022年）與嵌套的行為和fMRI事件分割任務(wù)相結(jié)合（圖1）。這種方法產(chǎn)生了一個連續(xù)的時間序列動態(tài)情緒類別，使我們能夠測試特定情緒語義如何預(yù)測主觀邊界對齊和皮層層次結(jié)構(gòu)中的神經(jīng)狀態(tài)轉(zhuǎn)換。基于事件結(jié)構(gòu)的層次模型，我們假設(shè)情緒類別將在粗時間尺度上支持更廣泛的整合過程，而在細(xì)粒度層面上發(fā)揮更局部化、依賴上下文的影響，并且不同形式的情緒信息（包括離散情緒類別、基于情緒價值的維度和動態(tài)情感波動）可能在這些時間尺度上產(chǎn)生不同的貢獻(xiàn)。

注：（A）上圖顯示了視頻刺激中的關(guān)鍵事件轉(zhuǎn)換點(diǎn)及其對應(yīng)的主要情緒類別。視頻的前半部分來自皮克斯動畫《Lou》（Mullins和Murray，2017年），后半部分來自夢工廠動畫《Bilby》（Perifel等人，2018年）。視頻組成詳情見“方法 – 視頻材料”部分。下圖展示了使用EmoCodes系統(tǒng)逐幀編碼的多類別情緒的時間動態(tài)；完整的獨(dú)立情緒變化模式顯示在圖S1中。這里，Pos和Neg分別表示正面和負(fù)面情緒價值；如Love_obj這樣的特定情緒標(biāo)簽表示離散情緒類別。這些情緒代碼在表S1和參考文獻(xiàn)（Camacho等人，2022年）中有進(jìn)一步解釋。（B）每一行顯示了在特定行為事件分割條件下參與者識別的事件邊界。跨越多行的陰影區(qū)域表示多個實(shí)驗(yàn)條件共有的邊界。“Hierarchical”表示事件嵌套任務(wù)，“Natural”指的是自然分割條件（見方法 – 事件分割行為實(shí)驗(yàn)）。（C）每一行顯示了從個體隱馬爾可夫模型估計的組級平均值得出的事件邊界時間點(diǎn)分布，涉及不同信息層次（高、中和低層次）的相關(guān)腦區(qū)。更深的陰影對應(yīng)于每個區(qū)域內(nèi)邊界點(diǎn)密度的峰值（見方法）。

EmoCodes系統(tǒng)通過整合自動提取的低級特征和情感特征，標(biāo)準(zhǔn)化了動畫視頻內(nèi)容的注釋（Camacho等人，2022年）。使用自然主義觀看范式的先前研究表明，該系統(tǒng)能夠穩(wěn)健可靠地編碼情緒類別（Camacho等人，2023年）。成年人的注釋確保了情緒類別的可靠標(biāo)記和神經(jīng)分析的可比性，因?yàn)槌赡耆嗽?/div>

周思遠(yuǎn)：寫作 – 審稿與編輯，寫作 – 原稿撰寫，可視化，方法論，調(diào)查，概念化。陳玉琳：概念化。王云宏：方法論，概念化。邱江：寫作 – 審稿與編輯，寫作 – 原稿撰寫，監(jiān)督，調(diào)查。魏東濤：寫作 – 審稿與編輯，寫作 – 原稿撰寫，監(jiān)督，方法論，調(diào)查，概念化。

本文的一個版本作為預(yù)印本發(fā)布在PsyArxiv上，可訪問：https://doi.org/10.31234/osf.io/gr5s6_v2。所有數(shù)據(jù)可在正文中或補(bǔ)充材料中找到。本研究中使用的分析代碼可在以下鏈接公開獲取：https://github.com/gravity0720/EmOTIONSegmentation。由于隱私和倫理限制，原始視頻刺激和fMRI數(shù)據(jù)集不可公開；但可以

本工作得到了國家自然科學(xué)基金（22VRC191 至J.Q.）科技創(chuàng)新2030- “腦科學(xué)與類腦研究”重大項目（2022ZD0210800 至DT.W.）國家自然科學(xué)基金（32371095 至DT.W.）的資助。

作者感謝美國密蘇里州圣路易斯華盛頓大學(xué)的Jeffrey M. Zacks教授和動態(tài)認(rèn)知實(shí)驗(yàn)室對本手稿內(nèi)容的寶貴建議。作者還感謝Yuru Song和Zihan Xu在fMRI實(shí)驗(yàn)數(shù)據(jù)收集方面的貢獻(xiàn)。