EEG多元模式分析预测慈善捐赠行为

慈善捐赠是一种利他主义行为，个人捐赠金钱或其他资源来造福他人，而接受者通常不在语境中。一些心理因素已经被证明会影响慈善捐赠，包括成本-收益分析，参与利他行为的动机，以及感知到的捐赠的心理利益。最近的研究发现，腹侧内侧前额叶皮层(MPFC)负责在社会决策任务中为选项分配价值，其他区域涉及共情和情感，为价值计算提供输入。脑电数据的多变量模式分析可以进一步了解捐献行为中与价值计算和情绪影响有关的神经活动的时间和头皮地形图。通过EEG数据的支持向量回归分析，研究了偶然情绪状态和慈善事业的紧迫感对捐赠行为的影响，并对捐赠金额进行了逐次的预测。在参与者对两种慈善机构做出捐赠决定之前，我们使用积极、消极和中性的图片来诱导他们的附带情绪状态。一种慈善是为了将人们从当前的苦难中拯救出来，另一种是为了防止未来的苦难。在行为上，处于消极情绪状态的受试者比处于其他情绪状态的受试者捐赠了更多的钱，更多的钱用于缓解当前而非未来的痛苦。数据驱动的多变量模式分析显示，情绪启动图片和慈善线索引起的电生理活动可以预测捐赠规模的变化，在一个一个试验的基础上。

1.引言
从古典经济学的角度来看，人类被认为是天生自私的，以利益最大化为目标。然而，大量研究表明，人们通常表现出亲社会行为，例如，牺牲自己的利益来保护他人免受电击。作为一种代价高昂的利他行为，慈善捐赠通常要求决策者以个人成本换取他人的利益。慈善捐赠背后的动机一直是大量社会科学研究的主题，但直到最近神经成像技术才被应用到带有神经活动的慈善行为。

最重要的问题是什么因素会影响慈善行为。Bekkers和Wiepking回顾了500多篇关于慈善事业的文章，并确定了慈善捐赠的八个决定因素：(1)需求意识；(2)征集；(3)成本与效益；(4)利他主义；(5)的声誉；(6)心理上的好处；(7)值；(8)疗效。在这八个决定因素中，认知神经科学研究关注的是与利他动机相关的神经基础。利他行为的个体差异与右颞顶叶交界处(RTPJ)的灰质体积有关，因此，更多的灰质预测更多的利他行为。Hutcherson等人认为，RTPJ活性与有利于他人的选择的价值相关，而RTPJ活性以及前绝缘活性可以预测参与者在逐项试验基础上是否选择高或慢捐赠。Tusche和同事通过对BOLD数据的支持向量回归(SVR)分析进一步分离了RTPJ和岛叶前部在捐赠行为中的作用，揭示了RTPJ编码认知视角的获取，而岛叶前部编码情感共情。这项研究以及更多的研究表明，RTPJ在从他人的角度看问题的能力中起着主要作用，并强调了情感反应在驱动捐赠行为中的关键作用。

而RTPJ似乎执行与他人选择价值相关的计算，腹侧纹状体则表现出与分配给有利于自己的选择的价值相关的活动，而腹侧内侧前额叶皮层(腹侧MPFC)将所有这些信息整合为单个值信号。在所有这些研究中，BOLD信号在逐次试验的水平上预测捐赠行为，尽管是在过程解决的情况下，例如区分捐赠或不捐赠，或最高50%的捐赠和最低50%的捐赠。IsHare和他的同事发现了一个例外，即在整个试验中，在受试者内部，腹侧MPFC的活动与捐赠量相关。这项重要的工作还将慈善捐赠行为与其他显示腹侧MPFC价值编码的实验联系起来，并强调了涉及腹侧MPFC的广泛的价值计算——从初级到次级，从具体到抽象。

事件相关电位(ERPs)虽然没有广泛应用于慈善捐赠研究，但它提供了有关社会决策中涉及的神经过程的时间的有用信息。ERP数据的多元模式分析(MVPA)为逐步提取信息提供了一种强大的方法，最近已成功应用于脑电图研究。正如定位研究和联合ERP fMRI研究。因此，这项工作的目的是复制和扩展Hare等人和tusche等人的研究结果，使用SVR在MPFC活动的基础上一个接一个地预测捐赠数量，同时获得捐赠预测神经活动的时间的清晰图像。我们首先使用时空解码来测试单次试验ERP中的特定时空特征是否能够预测参与者一次又一次试验的捐赠金额。随后，我们对数据进行了传统的ERP分析，以将我们的MVPA发现与已建立的ERP组件联系起来，并在平均波形水平上检查与情绪相关的决策的顺序阶段。

这项工作的第二个目的是确定情绪状态如何影响捐赠决定。先前的研究发现，偶然的情绪状态会影响随后的亲社会行为。积极的情绪可以促进人类利他主义，例如，当情绪由参与者最喜欢的音乐或积极的词汇如’爱’启动时。压力等负面情绪也会引发亲社会行为。例如，在独裁者游戏中，消极情绪会增加给予。然而，意外情绪对捐赠行为的具体影响还没有被研究过。这项工作研究了由情感图像启动的情绪的行为效应，以及与这些效应相关的神经活动。此外，还有多个ERP成分对图像的情绪内容敏感，从早期视觉成分如P1到早期后向负电位(EPN)和晚期正电位(LPP)。EPN和LPP通常都会对受试者的情感投入进行索引。因此，我们假设与启动图像无关的情绪反应相关的脑电活动也可以预测捐赠行为。

在这项工作中要解决的最后一个问题是感知需求对捐赠行为的影响。Bekkers和Wiepking明确指出，需求意识是影响捐赠决策的一个关键因素。很少有人为了应对未来的公共紧急情况而定期献血，但很多人是在当前的紧急情况下献血。这一确切的现象还没有被实验研究过，但它被认为是需求的意识和感知的紧迫性都有助于增加捐赠行为。进一步了解为什么人们在捐赠行为中往往是被动的而不是主动的，可能会对应急准备产生影响。然而，感知紧迫性对捐赠行为的影响只在实验心理上进行了测试，并对环境问题进行了推测。

Dickert和同事提出了情绪在捐赠行为中作用的两阶段模型:以自我为中心的情绪决定捐赠的概率，以他人为中心的情绪决定捐赠的大小。在目前的工作中，我们可以考察以自我为中心的情绪(任务无关情绪)和以慈善为中心的情绪(紧迫感情绪)的作用。这两个变量可能的相互作用是，与紧迫感相关的消极情绪可能会抵消情绪的积极启动。这表明是个人情绪状态的整体强度驱动捐赠行为，而不是特定的积极或消极的效价或焦点方向。另外，情感启动和慈善类型在没有交互作用的情况下的特定效应表明慈善捐赠具有独立的效应。

2.方法
2.1 受测者
来自深圳大学的25名参与者(年龄范围为18-24岁；M年龄= 20.24，SD = 1.42；12名女性)。所有参与者都是右撇子，视力正常或矫正至正常，没有精神病诊断史、神经或代谢疾病。该研究获得了深圳大学伦理委员会(20160303)的批准。参与者在实验前给予书面知情同意。注意，目前的功率分析是针对传统ERP分析中的随机效应估计样本量，而不是针对MVPA分析中的固定效应。

2.2 过程
2.2.1预实验
启动图片的实验前评分：首先，我们从中国情感图片系统和国际情感图片系统中选择了60张引起悲伤/快乐/中性情绪的图片。所有情感图片为433 × 315像素，水平和垂直视角均在6.5°以下。阳性照片(124.18±43.42)、阴性照片(124.94±45.28)和中性照片(126.92±35.94)的平均亮度差异无统计学意义(ps > 0.78);阳性图像(252±7.8)、阴性图像(251±8.4)、中性图像(252±9.2,ps > 0.43)组间比较差异无统计学意义;阳性图像(0.48±0.27)、阴性图像(0.48±0.18)、中性图像(0.45±0.26,ps > 0.63)组间空间频率差异无统计学意义。 这些分析表明，图像的低级视觉特征在所有条件下都是可比性的。

来自深圳大学的30名参与者(18名女性)被招募来对图片的情感效价(快乐与悲伤)和兴奋程度进行评分，评分标准为9分。30张情感强度评分最高的图片被选为每种情绪类别，积极和消极情绪图片的强度相匹配，如下一段所述。研究人员测量了最后三类情绪图片的情绪强度，以检查消极和积极图片所引起的情绪强度是否与中性图片相当。在李克特9分量表中，5分为中性，高于5分为正，低于5分为负。我们取5的均值类得分的绝对差值，并与5的均值负类得分的绝对差值进行比较，并提交结果进行配对t检验。阴性-(M±SD, 2.83±0.54)和阳性-(7.11±0.25)两类强度评分差异无统计学意义(t (29) = -0.593, p = 0.557)。此外，对原始图片组的唤醒分数进行同样的处理也表明，本研究中使用的积极图片组(5.72±0.54)和消极图片组(5.61±0.48)在情绪强度上没有显著差异(t(29) = 1.296, p = 0.205)。

选择捐赠项目材料：从支付宝慈善网站上选出了10个慈善项目，条件是慈善描述可以最小限度地改变，以关注当前未来的需要。例如，“学校健康行动”慈善项目捐助了一项基金，为贫困地区患病的学生提供免费医疗援助(免除当前的痛苦)。该描述还创建了一个补充版本，重点是预防未来的痛苦，描述了一项基金，为贫困学校建立学校健康诊所，传播健康知识，以预防疾病。这一过程总共产生了20个慈善描述。试点参与者提供了一个五点李克特量表，以评估这20个慈善机构的主观重要性。比较储蓄条件和预防条件的重要性评分，选取每个条件中重要性评分差异最小的5个维度进行实验(见附录I)。储蓄重点的平均重要性评分为4.53±0.42，范围为3-5，预防重点的平均重要性评分为4.43±0.36，范围为4,5)。这些值没有显著差异，t (29) = -1.702, p = 0.1。

2.2.2 正式的实验
问卷：在ERP实验之前，参与者被要求完成旨在测量共情和亲社会倾向的问卷。人际反应指数(IRI)考虑了共情的情感和认知两个方面，是最常用的一种指标。分量表的重测信度范围为0.59 - 0.78。亲社会倾向量表(PTM)是一种被广泛使用的评估亲社会倾向的自我报告量表。它包含23个项目，并使用李克特五点量表在六个维度上测量亲社会倾向:利他性、顺从性、情绪性、可怕性、公开性和匿名性。最后，积极和消极影响量表(PANAS)的问卷被用于逐块评估参与者的持续情绪状态。PANAS量表有正面和负面两个维度，每个维度有10个项目，采用李克特五点量表进行评分。

图1 任务中刺激呈现的时间进程。
慈善捐赠任务。ERP实验持续了近一个小时，并被分为三个情绪启动组，参与者之间的顺序平衡。参与者在区块之间被给予休息(见下文)。在每个街区的开始和结束时，参与者都要回答PANAS的问卷，以评估他们的情绪状态。在每一部分结束时，参与者被要求休息7到8分钟，以确保参与者的情绪状态在每一启动阶段开始前大致相同。在ERP任务之前，参与者被要求阅读慈善项目的例子。参与者被告知，慈善机构被分为两类，根据他们是针对当前正在遭受痛苦的受害者(“拯救”)还是针对未来可能的受害者(“预防”)来定义，在任务中，紫色和橙色的圆圈会提示这两类人。受试者之间的色彩映射是平衡的。

该任务是用E-prime 2.0 (PST)提出的。图1说明了每次试验的时间和事件。首先，一个黑色固定物“+”在屏幕中心显示600-800毫秒(抖动)，然后是600-800毫秒(抖动)的空白间隔。之后，在1500毫秒的时间里，给参与者展示一张情绪性的图片，并要求他们试着去感受图片所唤起的情感。然后是600-800 ms的空白抖动间隔，然后是1000 ms的慈善提示。慈善线索是一个紫色或橙色的圆圈，表示当前试验的捐赠目标(拯救或预防)。在参与者中，圆圈的颜色和特定捐赠目标之间的匹配是平衡的。在另一个抖动的空白间隔(600-800毫秒)后，参与者看到捐赠请求屏幕，在此期间，参与者必须通过按键盘上的数字键来选择捐赠金额。捐款金额被限制在1到9之间，对应的数字是1到9。参与者被告知，将从实验中随机选择一个实验，在ERP实验后对相关慈善机构做出相应的、真实的捐赠。也就是说，参与者在捐赠时要了解他们的捐赠决定中的一个将会被真正执行。这是一个轻微的欺骗，因为对于每一对预防和拯救慈善机构，只有一个真正的、相关的慈善机构。

2.3 脑电记录与预处理
采用64导联Ag-AgCl单极导联记录连续脑电图数据，64导联头套按扩展的10-20系统排列。数据在0.016-100 Hz记录时经过带通滤波，在1000 Hz时数字化。在线参考电极FCz，接地电极置于fpz和Fz之间。垂直眼电图(VEOG)通过位于右眼中心下方1cm的面部电极获得。所有电极的阻抗保持在10 kΩ以下。

EEG数据采用基于MATLAB版本R2018a (MathWorks)的EEGLAB 12.8软件包离线预处理。脑电图数据首先下采样到500 Hz，然后重新参考左右乳突电极记录的脑电图活动平均值。离线EEG数据采用0.1 ~ 30 Hz带通滤波。使用独立成分分析校正眨眼和眼部伪影。所有条件下的脑电数据相对于刺激开始的时间范围为-200 ms到1000 ms，在启动阶段锁定启动图片，在慈善提示阶段锁定慈善提示。每个epoch通过减去整个epoch每个通道的平均基线活动(-200毫秒到0毫秒)进行基线修正。绝对振幅值大于70的时代?V被识别为工件，并从每个通道的分析中单独排除。这导致每个受试者平均有0.44%的试验被取消。最后，将每一种情况下的脑电图数据平均，锁定在启动图片和提示刺激上。

2.4 数据分析
2.4.1 行为数据分析
本研究采用3(情感启动类型:阳性、中性或阴性)× 2(捐赠目标:预防或拯救)的设计。后续数据分析采用SPSSversion 21软件。为了检测被试在正向、中性和负向启动模块中的情绪状态变化，将PANAS测试前、后测得分以情绪启动(正向、中性、负向)、情绪维度自我报告得分(正向或负向)和测试阶段(前、后)作为被试变量进行三方向重复测量方差分析。此外，采用3(情绪启动类型:积极、中性、消极)× 2(捐赠目标:预防或节约)重复测量方差分析对捐赠金额进行检验。

2.4.2 MVPA分析
MVPA分析的目的是探讨被试在单一试验水平上的行为是否可以由情绪启动图和慈善线索引起的脑电图特征来预测。与之前的研究一样，20 ms时间窗口用于提高单噪声比。这些数据，包括每个参与者的所有六个实验条件，提交给一个支持向量回归(SVR)分类器，使用LIBSVM，标准成本参数C = 0.1 (Chang and Lin, 2011)。MVPA由决策解码工具箱。对分类器进行训练，对80%随机选择的试验的特征进行解码，以预测这些试验的捐赠规模，然后对其余20%的试验进行测试。为了避免选择偏差，整个分析重复了5次，并在训练数据和测试数据之间进行随机划分。通过将测试数据中每个数据点的预测金额与实际捐赠金额相关联来评估SVR的性能。解码精度是经过五次交叉验证后的平均精度，并分配到各自时间窗口的起始时间。最后，对这些相关系数进行fisher z变换，进行进一步的统计分析。

对每个参与者随机洗牌的标签和每个分析时间窗口进行SVR分析，以通过排列获得准确度分布。在进行组水平统计分析时，采用阈值p < 0.05的t检验与排列检验结果进行比较。随后进行基于聚类的排列检验(迭代次数= 10000,alpha水平为0.05)进行多重比较校正。我们还分别对启动阶段和捐赠-目标阶段的每个情绪条件进行SVR分析，以最大限度地严格控制可能导致SVR成功的任何非预期的、条件之间的差异。也就是说，由于情绪启动影响捐赠数量，SVR可以潜在地利用大脑对不同条件之间的无关差异的反应来获得成功，例如由两组情绪启动操纵造成的任务时间效应。请注意，启动图像的低级感知特征，如亮度、对比度和空间频率在不同条件下没有显著差异，但这并不排除它们可能起作用。在第二次分析中，与交叉条件分析相比，svr的试验次数要少得多，因此应该会失去一些敏感性。为了尽可能地保持敏感性，SVR分别在每种情绪条件下运行，但随后得到的费雪变换相关系数在三种情绪条件下平均。

对于特征权值分析，提取每个时间点和每个重要聚类中的每个通道的绝对特征权值，并计算该聚类的每个通道权值作为该通道在整个聚类时间窗口内的平均特征权值。使用haufe等人引入的方法对原始特征权重进行转换，以确保准确的地形。为了进一步的统计分析，转换后的特征权重被进一步z评分，并由FDR进行校正，用于控制多重比较。

2.4.3 EEG分析
根据之前的研究，我们专注于时间锁定的EPN和LPP分量的情绪启动图片。为了比较情绪图像处理中的脑电活动，在FCz设置图像后的230-300 ms时间窗口内测量EPN的平均振幅，在CPz的600 - 900 ms时间窗口内计算LPP的平均振幅。EPN和lpp采用单向重复测量方差分析检测情绪图像处理。

在慈善提示阶段，跟踪MVPA分析，我们关注电极FCz在260-350 ms之间的负性，这在单次试验水平上可以预测捐赠行为。将这种负性的平均幅度置于3(情绪启动:积极、中性或消极)× 2(捐赠目标:预防或拯救)的重复测量方差分析中。

图2 (A) PANAS的前测和后测成绩。在PANAS量表中，红色条代表积极维度的情绪评分，蓝色条代表消极维度的情绪评分。实杆表示测试前的评分，对角线表示测试后的评分。误差条在这里和以后都是站定的。∗∗p < 0.001。(B)捐赠金额。红色、蓝色和绿色分别代表正面、负面和中性启动。实线和对角线分别代表慈善机构的预防(未来需要)和节约(当前需要)类别。
2.4.4 ERP振幅与行为分析的相关性研究
此外，为了比较MVPA结果，我们还计算了捐赠量与单次试验ERP振幅的相关性。首先，我们将单次试验ERP降采样至250 Hz，并计算捐赠金额和平均ERP之间的Pearson相关性。采用20ms时间窗与MVPA进行匹配。这些右值被转换为fisher Z值。考虑到MVPA使用了所有电极的所有特征来训练时间模式，我们还在这个常规相关性分析中对每个时间窗口的所有电极的z值取平均值。使用基于簇的排列和10000次迭代来校正多次比较。这些程序分别对慈善线索引发的启动图和ERP进行了研究。没有发现显著的结果。这些常规相关性的结果报告在附录中。

3.结果
3.1 行为结果
情绪启动效应。PANAS前测和后测成绩如图2A所示。A测试阶段×情绪启动类型×情绪维度交互效应达到显著性。简单效应分析显示，负性情绪启动的负性维度后测得分显著高于前测得分，且与正性情绪启动的负性维度后测得分和中性情绪启动的负性维度后测得分差异显著。中性情绪引发的积极维度的前、后测得分差异也达到显著水平(p = 0.003)(图2A)。此外，正启动对负性情绪的降低有轻微显著的影响(p = 0.087)。这些结果表明，在负向启动条件下，被试能有效地启动感受到消极情绪，而在正向启动条件下，被试的启动效应未达到统计学显著水平。

捐赠金额。每种情况的捐赠金额见图2B和图s1。双向重复方差分析结果显示，情感启动效应的主效应显著。两两比较发现，负性情绪启动条件下捐赠的金钱显著高于正性情绪启动和中性情绪启动。捐献目标的主效应也显著，预防(未来需要)慈善机构的捐款(4.04±0.30)少于储蓄(当前需要)慈善机构的捐款(4.56±0.30)。情感启动与捐赠目标之间不存在显著的交互效应。

3.2 ERP结果
3.2.1情绪初始图像阶段:MVPA结果
单次试验ERP的时空解码显示，情绪启动阶段的几个时间窗与贡献量显著相关(p < 0.05，经基于聚类的逐突变检验校正，图3)。基于头皮特征权值分布，我们将四个聚类分为三个阶段(早期:160-400 ms，中期:480-560 ms，后期:800-920 ms)。特征权重分析表明，额中央和中后区域是SVR准确性的主要贡献者，在最近时间窗口中合并，在第二个窗口中中央后区域是主要贡献者，在第一个窗口中额中央区域是主要贡献者。注意，我们对排除了枕部通道的数据进行了补充分析，以尽量减少不同条件之间的低水平视觉差异影响SVR准确率的可能性。这个分析得到了很大程度上相同的结果(见附录，图。S4)。

SVR也分别在每个启动条件下运行，作为启动条件之间潜在的意外差异的严格控制。当以这种方式运行时，SVR在早期和中期时间窗口没有发现显著的簇，但在晚期时间窗口(880-1000 ms，图4)中，额中央电极上的簇显著预测捐赠量，与上述结果重叠。因此，在更敏感的跨条件SVR运行时，这种额中央、晚期时间窗口簇都是显著的。当敏感度较低但控制更严格的第二对外情报局运行时。由于消除了潜在混淆的影响，或者由于每项分析中试验减少而导致灵敏度降低，因此不可能知道早期和中间聚类在更可控的分析中没有被发现。请注意，为了确定晚聚类是否扩展到1000 ms以上，我们对扩展到1500 ms的个体进行了另一项分析，结果显示基本相同的聚类，且显著性窗口结束于大约1000 ms(见附录，图S6)。

图3 情绪启动图像阶段。(A)跨所有信道的时空解码精度。y轴表示训练数据和测试数据的Fisher-Z分数，x轴表示时间过程(步长= 20 ms，窗宽= 20 ms)。黑线和蓝线分别表示实际准确度和排列检验结果。误差条表示平均值的标准误差。粉色条表示解码的准确性在这些时间步上是显著的(p < 0.05，经多次比较修正)。(B) z标准化的在三个时间窗口的不同通道上的绝对特征权重和经过纠正公式比较后的特征权重，浅蓝色位置是重要的通道。

图 4 (A)启动图像阶段三种情绪条件下的平均解码性能(费雪变换相关系数)。粉色区域表明，经过多次比较校正后，对真实数据的解码性能明显大于对随机排列数据的解码性能。注意，这个群集中的Fisher-Z得分也显著大于零。(B)跨时间步(880 - 1000 ms)的不同通道上z标准化的绝对特征权重。多次比较校正后的特征权重。

图5 (A) FCz情感图像表征的EPN波。灰色阴影区域显示230- 300ms分析窗口，其中EPN被量化。(B)各工况EPN振幅平均值。∗∗p < 0.01。积极/消极/中性情绪启动的地形图。
3.2.2 情绪启动图像阶段：ERP结果
EPN在230 ~ 300 ms的平均波幅方差分析显示存在情绪启动类型效应。两两比较发现，正向情绪启动和负向情绪启动的幅度均大于中性情绪启动。正向和负向情绪启动差异无统计学意义 (图5)。与EPN相比，积极和负性情绪启动差异不显著 (图6)。这些ERP结果表明，情绪图片比中性图片诱发的EPN和LPP振幅更大，表明情绪启动操作在神经水平上是有效的。

3.2.3 捐赠目标阶段：MVPA结果

如图7所示，时空解码结果显示，180 - 440 ms(除280 ms)的时间窗在单次试验中可以预测参与者的真实捐赠金额(p < 0.05，经基于聚类的排列检验校正)。此外，在这个时间窗口(180-440 ms)的空间解码产生了头皮额中央区产生的特征权重。

与启动阶段一样，我们在每种情绪条件下分别运行SVR。这种分析方法未能揭示在180 - 440毫秒之间观察到的显著的前额-中心聚类，而是显示了在900 - 1000毫秒之间的影响(图8A)。对1500毫秒的epoch进行相同的分析表明，集群的时间窗口主要限于900到1000毫秒。特征权重分析表明，额中心区域有助于预测捐赠数量的显著聚类(图8B)。需要再次注意的是，每个SVR只在跨条件分析的三分之一的试验中运行，因此对信息集群的敏感性较低。因此，捐赠-目标阶段的SVR结果应谨慎对待，但不应打折扣。

图6 (A) CPz处三种不同启动条件下的LPP波形。灰色阴影区域显示LPP定量的分析窗口(600-900 ms)。(B)各状态下LPP振幅的平均值，∗∗p < 0.001。积极/消极/中性情绪启动的地形图。

图7 捐赠目标阶段。(A)跨所有信道的时空解码精度。y轴表示训练数据和测试数据的Fisher-Z得分，x轴表示时间过程(步长= 20 ms，窗口宽度= 20 ms)。黑线和蓝线分别表示实际准确度和排列检验结果。误差条表示平均值的标准误差。粉色条表示解码的准确性在这些时间步上是显著的(p < 0.05，经多次比较修正)。(B) z标准化的跨时间步(180-440 ms)不同通道上的绝对特征权重。经过修正公式比较后的特征权重。

3.2.4 捐赠目标阶段：ERP结果

MVPA结果表明，180-440 ms的额中央区电生理活动可以预测捐赠行为。采用2 × 3方差分析方法分析慈善类型和情绪启动对该电极和时间窗数据的影响。结果表明，情绪启动具有显著的主效应。此外，捐赠目标(节约vs.预防)的影响是边际显著的。

简单效应分析进一步表明，在预防慈善条件下，阳性情绪启动和负性情绪启动比中性情绪启动诱发额中线负性更大。负性情绪启动比正性情绪启动和中性情绪启动诱发更大的正面负性(图9)。这些结果表明，捐赠目标呈现的神经反应受到先前情绪启动的影响。

图8 (A)捐赠目标阶段三种情绪条件的平均解码性能(费雪变换相关系数)。粉红色的条表示解码性能——在多次比较校正后，真实数据的解码性能明显大于随机重标记数据的解码性能。注意，这个集群中的Fisher-Z得分也显著大于0。(B) z标准化的跨时间步(920-1000 ms)不同通道上的绝对特征权重。多次比较校正后的特征权重。

图9 (A) FCz捐赠目标呈现阶段的大平均波形。灰色阴影区域显示260-350 ms分析窗口，在此额中线负性被量化。(B)各状态下正面负性的平均振幅，∗p < 0.05，∗∗p < 0.01。六种情况下正面负性效应地形图。

4.讨论

本论文的目的是确定捐赠行为是否可以在基于情绪反应和价值计算的脑电图时空特征的试验基础上进行预测，如果可以，则确定这种预测能力将在何时何地表现出来。作为补充，我们调查了不同的偶然情绪状态如何影响对慈善机构的捐赠行为，因为感知到的需求的紧迫性不同。

我们观察到前额中线的活动与MPFC中的一个源相一致，该源在情绪启动图像和慈善提示后约200毫秒至400毫秒之间预测捐赠行为。此外，情绪启动图像在更晚的时间窗口引起更多的中央顶叶中线区域的脑电图活动，这也可以预测捐赠金额。考虑到这些影响只在跨条件分析中观察到，我们不能确定这些集群是否反映了与值计算相关的活动，或混淆，不相关的条件之间的差异。然而，这些聚类与我们基于先前研究的假设基本一致，即MPFC应该直接参与由捐赠金额表现出来的价值计算。后期顶叶活动应该反映情感相关的加工过程，这也会影响捐赠行为。当在每个条件下单独进行分析以控制跨条件操作的潜在混淆时，900 - 1000 ms的额中线活动可以预测捐赠金额。第二种分析没有混淆，但由于试验次数较少，可能会更嘈杂。即便如此，通过这种分析确定的聚类在时间和空间上与跨条件分析确定的聚类重叠。这个集群也可以反映MPFC中的值计算，可能是早期处理的结果，也可能是后来对决策的承诺。无论如何，这些发现证明了脑电数据MVPA分析在此背景下的优势，强化了MPFC活动指数是直接转化为捐赠规模的价值计算的观点，并说明了在中央顶叶中线上与情绪相关的活动如何影响捐赠决策。

被负面情绪图片启动的人比被正面或中性图片启动的人捐出更多的钱，被用于救助当前需要的人的慈善机构捐出的钱比用于预防未来痛苦的慈善机构捐出的钱更多。结果表明，主观情感状态和客观慈善类型都会影响参与者的捐赠行为。与情绪状态影响其他亲社会行为的研究一致，我们证明了与任务无关的情绪状态驱动捐赠数量。我们在这里展示的两种慈善类型可能影响了“需求意识”，这是捐赠行为的一个重要动机。具体来说，从当前需求中“节约”比“防止”未来需求更重要。这项工作也与Sawe和Knutson一致，他们表明，保护美国国家公园的破坏性土地使用所引发的负面情绪会促使人们捐款以防止破坏。与此相反，对公园本身的美丽描绘激发了积极的情绪，但并没有增加捐赠行为。值得注意的是，Sawe和Knut-son建议，进一步的研究应该检查当前需求(恢复已经受损的资源)和未来需求(防止未来伤害)的影响，我们在这里已经做了，发现当前需求是优先的。

5.结论

综上所述，我们通过试验证明，脑电图对情感启动和慈善线索的反应是对心房捐赠行为的预测。此外，我们还发现，消极情绪启动相对于中性和积极情绪启动都能增加捐赠行为。最后，我们发现慈善目标的紧迫感(当前需求与未来需求)也会增加捐款金额。我们对腹侧MPFC在利他行为中计算选择价值的作用提供了额外的、谨慎的支持。我们进一步推测，去甲肾上腺素能调节MPFC可能是情绪唤醒影响MPFC活动并调节价值计算的机制之一。这项工作进一步验证了MVPA在脑电图数据中的应用，为社会神经科学研究提供了收敛的、互补的证据。机器学习在捐赠行为ERP调查中的应用，为研究高层次社会认知提供了一种新的工具。

参考文献：Multivariate pattern analysis of electroencephalography data reveals information predictive of charitable giving