陌生人能否在对话中“同频”，取决于默认模式网络(DMN)的脑间同步水平，尤其是右侧颞顶联合区(TPJ)。本研究借助fNIRS超扫描技术，在自然面对面互动中直接捕获了这一动态过程，突破了既往 fMRI 被动观看范式无法还原真实对话交互的技术瓶颈。结合机器学习分类，研究发现DMN同步与感知深度共同作用，可有效区分高、低连接感二人组，准确率达64.5%。这为将脑间同步从“共享刺激”的伴随现象，推进为“共建连接”的神经标记，提供了方法论上的关键实证。

摘要

本研究检验了默认模式网络(DMN)的脑间同步(既往研究已将其与人际协调，即“看法一致”相关联)能否预测对话过程中产生的连接感。70对陌生人在进行浅层或深层对话的同时，使用功能性近红外光谱技术(fNIRS)记录其大脑活动。结果发现，深层对话条件下的陌生二人组比浅层条件下的二人组感受到更强的连接。更强的连接感与更高的DMN同步相关，其中DMN的右侧颞顶联合区(TPJ)子区域在回归分析和机器学习分类中均为最强的个体预测因子。这些发现表明，DMN同步，尤其是TPJ同步，可能在陌生人面对面互动过程中逐渐达成“看法一致”并形成更紧密社会连接的过程中发挥关键作用。

引言

当前孤独感如流行病般蔓延，已对公共健康与福祉构成严峻威胁。尽管广泛建立社会联系是已知的关键应对之道，但人脑究竟如何建立起这些联系，其底层的神经认知机制仍不明确。越来越多的神经科学家将默认模式网络(DMN)内的个体间“脑间同步”作为一种测量指标，用以衡量两个或两个以上的个体何时以相似的方式主观体验某事(即达到“看法一致”)。本研究之所以聚焦于DMN，是基于其作为一种“意义建构”网络的假说：该网络能够将外部信息与先验知识相整合，从而构建出丰富且依赖情境的内部叙事。在这里，本研究使用术语“DMN脑间同步”来指代DMN脑区内的个体间同步，即两个互动个体之间大脑活动的时间相关性。

在被动观看自然主义刺激(例如电影片段)期间，多项功能性磁共振成像(fMRI)研究已证实，DMN脑区内更高水平的脑间同步不仅与共享的体验方式相关，还与更紧密的现实世界社会连接相关，包括友谊和婚姻。此外，Speer等人(2024)的一项fMRI研究考察了朋友和陌生人二人组在对话期间的大脑反应，结果发现朋友的大脑活动在“神经状态空间”中趋于发散，而陌生人的大脑活动则趋于趋同。

尽管功能性近红外光谱技术(fNIRS)已广泛应用于研究二人对话期间的神经动力学，但迄今为止，尚无研究直接考察脑间同步如何与实时互动所催生的主观连接体验相关联。为填补这一空白，本研究聚焦于陌生人二人组，并考察在对话后报告感到连接的配对与未感到连接的配对之间，DMN同步的差异。这一设计使我们能够分离出与成功建立连接特异性相关的神经模式，并深入探索早期人际协调的动态神经基础。类似于被动观看研究，本研究的目标是检验主动对话期间的DMN同步能否预测社会连接。倘若如先前研究所提示的那样，DMN同步反映了两个人在认知与情感上达成“看法一致”，那么对话期间的DMN同步理应能够预测事后自我报告的连接感。

为此，本研究招募了140名参与者(组成70对互不相识的个体)，要求他们完成一项面对面对话任务，并同步使用fNIRS测量其神经活动。在被试间设计中，二人组被随机分配使用浅层或深层话题引导进行对话，这些话题旨在引发不同程度的人际连接。浅层话题包括天气、发型和电视节目等日常主题，而深层话题则邀请参与者分享自己完美的一天、脆弱的时刻或曾在他人面前哭泣的经历。

本研究假设，DMN同步和对话深度(包括实验操纵和自我报告两种方式)将共同预测陌生人之间自我报告的连接感程度，并采用回归分析和基于机器学习的分类分析来检验这些假设。此外，由于本研究的fNIRS布局也捕获了来自其他神经网络的数据，包括额顶网络(FPN)、背侧注意网络(DAN)和腹侧注意网络(VAN)，因而也对这些网络进行了检验，但这些分析属于探索性范畴，本研究并未对此作出先验假设。

方法

参与者

本研究共包含210名个体参与者，组成了105对陌生人二人组。所有105对二人组(23对男性-男性，38对女性-女性，39对男性-女性，3对女性-其他，2对男性-其他)均被纳入了行为数据分析。其中，70对二人组(20对男性-男性，24对女性-女性，23对男性-女性，2对男性-其他，1对女性-其他)提供了可分析的神经影像数据。二人组数量从105对减少至70对，是由于在前35对二人组完成实验后发现fNIRS系统存在硬件问题；这35对二人组的数据被保留用于行为分析，但未纳入神经影像分析。在70对二人组的神经影像子样本中观察到的行为模式与完整的105对二人组样本中的模式一致。本研究获得了UCLA机构审查委员会的批准(#22-001209)，且参与者在研究开始前均提供了知情同意书。

实验程序

本研究采用被试间实验设计，包含浅层和深层两种条件(在用于行为分析的105对二人组中，浅层条件包括12对男性-男性、20对女性-女性、19对男性-女性、2对男性-其他；深层条件包括11对男性-男性、18对女性-女性、20对男性-女性、1对女性-其他。在用于神经影像分析的70对二人组中，浅层条件包括10对男性-男性、13对女性-女性、11对男性-女性、2对男性-其他；深层条件包括10对男性-男性、11对女性-女性、12对男性-女性、1对女性-其他)。在每个session中，两名陌生人进行一场面对面的、相互认识的对话，浅层或深层话题显示在电脑屏幕上(图1)。实验期间，参与者佩戴fNIRS装置。实验室内放置了三台GoPro摄像机，以同步记录对话过程和非言语行为。每名参与者面前各放置一台摄像机以捕捉面部表情，第三台摄像机同时拍摄两名参与者。参与者还完成了关于其个人特质及对话体验的问卷。

图1.实验设置。

对话话题(表1)改编自Kardas、Kumar和Epley(2022)的研究。这些话题以相同顺序逐一显示在两名参与者均可看到的电脑屏幕上。参与者同时阅读问题，并按照自己偏好的顺序主动作答。参与者被要求紧扣话题，在每一个话题提示上投入所需的时间，并在结束对一个话题的讨论后，点击按钮进入下一个话题。每个session的设计时长为20分钟，且在无实验人员在场的情况下进行，从而保证更自然的对话流程。

表1.分配给参与者的对话话题。

fNIRS数据采集与预处理

本研究使用一套移动式fNIRS系统(NIRSport2 by NIRx Medical Technologies, LLC, NY)采集数据。探头布局由16个光源和16个探测器组成，平均源-探测器间距为3cm，共形成40个通道(源-探测器对)，用于部分覆盖心智化相关脑区(即内侧前额叶皮层(mPFC)和颞顶联合区(TPJ))及工作记忆脑区(即外侧前额叶皮层(lPFC)和顶上小叶(SPL))(图2)。该布局方案依据10-10 UI外部定位系统设计，以确保不同头围大小间的一致性。本研究测量了参与者的头围，并为其佩戴合适尺寸的帽子，将光极固定在头皮上。原始光强数据以5.09Hz的采样率在760nm和850nm两种波长下采集。

图2.fNIRS布局由40个通道组成，用于部分覆盖涉及社会互动的皮层区域，包括以红色标示的默认模式网络(DMN)、以橙色标示的额顶网络(FPN)、以紫色标示的腹侧注意网络(VAN)以及以绿色标示的背侧注意网络(DAN)。

将采集到的NIRS数据进行预处理。该流程使用MATLAB中的自定义脚本以及Homer2软件套件，严格遵循既定的fNIRS最佳实践。重点分析氧合血红蛋白(HbO)浓度，因为既往研究表明，相较于脱氧血红蛋白(HbR)，HbO对脑血流变化的响应更为灵敏。

预处理以剔除无关数据为起点，根据标记对话开始的触发信号，对每条时间进程进行截取。采用修正的四分位离散系数来识别和排除噪声及过饱和通道，并根据采样率调整了特定阈值(Cthresh=0.6–0.03×采样率)。数据的进一步优化包括对运动伪迹和血氧信号中非神经性成分的校正。针对不同噪声来源，本研究分两步对fNIRS信号进行预处理：其一，采用离散小波变换剔除尖峰运动伪迹；其二，通过带通滤波(0.008–0.2Hz)滤除心跳、呼吸节律等非神经性生理振荡，并校正基线漂移。

随后，将滤波后的数据从光密度值转换为血红蛋白浓度值。该转换采用修正的比尔-朗伯定律(MBLL)，并使用了标准微分路径长度因子[6, 6]，该因子常用于成人皮层组织以校正光的散射效应。最后的质控步骤包括一项自相关变化评估，以衡量运动校正的影响。自相关发生实质性变化(超过阈值r=0.1)的通道，被视为受到运动的显著影响，因此从后续分析中排除。

对话与连接的行为分析

参与者在对话结束后完成了一项采用5点李克特量表的调查，从以下维度对其体验进行评分：亲近感、投入度、喜爱度、愉悦感、兴趣度、尴尬感、轻松感以及对话的感知深度；此外，还评估了认识程度、与搭档的相似性、未来互动意愿，以及在现实生活中成为朋友的可能性。

本研究通过计算三个彼此相关性最高(r > 0.6)的条目(亲近感、投入度和喜爱度)的均值，创建了“连接感”这一综合变量。然后，计算了每对二人组的平均连接感。为了在陌生人二人组之间诱发连接感的变异，本研究引入了浅层与深层对话话题作为实验条件。然而，鉴于对话的自然属性，本研究预期二人组在对话深度上会表现出无法完全由实验条件所捕获的变异。因此，本研究基于条件分配和自我报告的对话感知深度两方面来报告行为结果，并将二者分别作为连接感的预测因子。

跨脑网络和解剖ROI的脑间同步

Yeo等人基于1000名被试的数据，确定了人脑皮层的7网络分区方案。本研究首先根据Yeo分区，划分了fNIRS布局中40个通道所覆盖的皮层区域。这些区域涵盖默认模式网络(DMN)、额顶网络(FPN)、腹侧注意网络(VAN)和背侧注意网络(DAN)(图2)。随后，通过计算每个网络内各参与者平均时间序列的Pearson相关系数，获得了脑间同步分数。

由于本研究的主要假设聚焦于DMN，因而还分析了DMN内的子区域(即内侧前额叶皮层、左侧颞顶联合区和右侧颞顶联合区)，以进一步理解大脑的反应模式。在这些分析中，本研究严格分离了偏侧化ROIs，并舍弃了位于内侧前额叶皮层与外侧前额叶皮层边界上的2个通道。

通过DMN脑间同步预测感知到的连接感

分析流程如图3所示。本研究使用线性回归来检验四个神经网络(DMN、FPN、VAN、DAN)在多大程度上能够预测连接感，随后进一步考察DMN的哪些偏侧化ROIs能够预测连接感。然后，分别以DMN脑间同步与条件分配，以及DMN脑间同步与感知深度作为预测因子进行线性回归分析，从而将神经层面的发现和有关感知深度的行为结果加以整合。

图3.分析流程。

为了检验真实二人组中的脑间同步效应是否可以用与实际互动无关的虚假一致性来解释，本研究通过将同一实验条件下但彼此未曾交谈的参与者进行随机配对，创建了伪二人组。该分析提供了一个对照条件，旨在排除一种可能性，即所观测到的同步仅是一种附带现象，源于对相似外部输入的平行加工，而非真正的人际神经耦合。伪二人组的同步分数采用与真实二人组相同的预处理流程和网络分析方法进行计算，并在后续分析中作为比较基线。

此外，本研究还使用了一种基于二分类的机器学习方法(MATLAB的fitclinear函数)，以检验能否依据网络同步和感知深度来预测高连接感和低连接感的二人组。全部70对二人组根据其平均连接感分数被分为高连接感组(N=35，分数高于3.33)和低连接感组(N=35，分数低于3.17)。采用5折交叉验证策略以减轻过拟合，其中数据集被随机划分为近似相等的五折。在每次迭代中，使用四折(占数据集的80%)进行训练，而剩余的一折(占数据集的20%)作为测试集。为了增强分类性能估计的稳健性，整个交叉验证过程使用不同的随机划分重复了1000次。模型性能以所有重复和交叉验证折上的平均分类准确率作为量化指标，并计算标准差以评估变异性。为了确定模型是否显著，将预测模型的平均准确率与一个零分布进行比较，该零分布是通过将连接感的结果随机打乱1000次而生成的。

结果

行为结果

总体而言，参与者在对话后感到彼此之间具有中等程度的连接感。全样本的自我报告连接感均值(M=3.30)显著高于量表中点值(p<0.0001)。与Kardas、Kumar和Epley的研究结果一致，处于深层对话条件下的参与者(M=3.42)比处于浅层对话条件下的参与者(M=3.18)感到更强的连接感(p=0.008)(图4左)。

图4.不同组别在行为和神经信号上的差异。

上述总体趋势在采集了fNIRS数据的70对二人组中同样成立。结果显示，自我报告的连接感(M=3.30)显著高于量表中点值(p<0.0001)，且处于深层条件下的参与者(M=3.41)比处于浅层条件下的参与者(M=3.20)感到略微更强的连接感(p=0.055)。所有后续分析将聚焦于这70对拥有fNIRS数据的二人组。

考虑到人类对话自然且不可预测的性质，本研究同时分析了浅层/深层条件以及参与者自我报告的对话深度体验。尽管参与者被随机分配到浅层或深层条件，但实际的对话轨迹有时会偏离这些预设条件。例如，一个关于天气的浅层话题，可能因为当天的天气令参与者想起自己的家乡，而自然转变为关于童年的深层讨论。反之，若其中一名参与者不愿自我表露，一个关于尴尬时刻的深层话题实际上也可能并不会真正加深对话。

事实上，28.6%的二人组(70对中的20对)自我报告的感知深度与其被分配的条件并不一致。具体而言，在浅层条件下的36对二人组中，有8对报告了高于平均水平的对话深度；而在深层条件下的34对二人组中，有12对报告了低于平均水平的深度。当参与者按均值被分为高自我报告深度组与低自我报告深度组时，高深度组报告的连接感(M=3.54)显著高于低深度组(M=3.12)(p<0.001)。此外，自我报告的深度能够显著预测对话后的自我报告连接感(p<0.0001)。

为了从反方向进一步探究深度与连接感之间的关系，本研究还根据自我报告的连接感对二人组进行均值分割，并将连接感作为因变量。高连接感二人组对其对话深度的评分(M=2.86)显著高于低连接感二人组(M=2.33)(p=0.002)(图4中)。这些分析表明，无论是实验分配的对话深度还是自我报告的深度，均与对话中的主观连接感存在关联。

脑间同步与连接感

本研究使用线性回归，分别检验了四个神经网络(DMN、FPN、VAN、DAN)中二人组脑间同步与其自我报告连接感之间的关系。与先验假设一致，DMN脑间同步与对话后自我报告的连接感显著相关(p=0.015；图5左)。报告高连接感的参与者同样表现出显著更高的DMN同步(M=0.071)，而报告低连接感的参与者其DMN同步则较低(M= -0.004)(p=0.047)(图4右)。相比之下，其他网络的脑间同步与连接感无显著相关，包括FPN(p=0.166)、VAN(p=0.134)和DAN(p=0.264)。由于DMN以外网络的脑间同步与连接感均无显著相关，后续分析将全部聚焦于DMN及其子区域。

图5.默认模式网络(DMN)神经同步与关键因变量连接感之间的相关性。

在对照分析中，本研究通过对同一条件下未实际互动的参与者进行随机配对，生成了伪二人组，并比较了真实二人组与伪二人组之间的DMN同步。结果显示，真实二人组的DMN同步显著高于伪二人组(p=0.030)。这些发现表明，DMN脑间同步与感知到的连接感之间的关联是真实互动二人组所特有的，不太可能由单纯共享任务结构所产生的虚假同步来解释。

为了进一步理解DMN内部的大脑反应，本研究对DMN的各子区域进行了分析，包括内侧前额叶皮层(mPFC)以及双侧颞顶联合区(TPJ)。结果显示，mPFC的脑间同步与自我报告的连接感显著相关(p=0.018)。在本研究所检测的所有神经指标中，右侧TPJ的脑间同步是自我报告连接感的最强预测因子(p=0.003)，而左侧TPJ的脑间同步与自我报告的连接感无显著相关(p=0.102)。

脑间同步、对话深度与连接感

由于本研究具有两个对话深度的测量指标(分配的深度和自我报告的深度)，因而分别将每个指标与DMN脑间同步一同纳入回归分析，以检验它们与自我报告连接感的关联。一个包含分配深度条件和DMN同步的回归模型解释了二人组连接感方差的显著部分(p=0.001)。在该模型中，深度条件(p=0.007)和DMN同步(p=0.002)均对解释自我报告的连接感有显著贡献。

一个将自我报告深度和DMN同步作为连接感预测因子的回归模型(不考虑分配条件)同样显示，该模型显著解释了连接感的方差(p<0.0001)。在该模型中，自我报告深度(p<0.0001)和DMN同步(p=0.001)均能解释自我报告连接感方差的显著部分。在浅层(n=36)和深层(n=34)二人组的较小子样本中，DMN同步在深层条件下与自我报告连接感显著相关(p=0.003)，但在浅层条件下则不显著(p=0.14)(图5右)。

为了厘清DMN脑间同步和对话深度对塑造连接感的独特贡献，本研究检验了DMN同步与对话深度之间的关系。逻辑回归分析显示，DMN脑间同步与深度条件显著相关(p=0.031)，但方向与预期相反，即浅层条件下比深层条件下存在更强的脑间同步。当考察自我报告的深度时，结果并不显著，但效应方向同样与预期相悖(p=0.623)。

采用脑间同步的机器学习分类

为了检验神经同步能否用于对自我报告低连接感或高连接感的二人组进行分类，本研究进一步使用逻辑回归并结合5折交叉验证进行了机器学习分类分析。首先，以DMN脑间同步和分配深度条件作为特征来预测自我报告的连接感。在1000次重复中，本研究观察到对二人组的分类准确率为60.2%(p=0.07)。随后，以DMN脑间同步和自我报告深度作为特征来预测自我报告的连接感。在1000次重复中，分类准确率达到64.5%(p=0.012)。当仅使用DMN脑间同步作为特征来预测自我报告的连接感时，在1000次重复中，分类率准确为55.0%(p=0.19)。

将DMN各子区域(mPFC、左侧TPJ和右侧TPJ)的独立脑间同步估计值作为特征来预测自我报告的连接感时，在1000次重复中，分类准确率为61.4%(p=0.04)。当分别单独使用mPFC、左侧TPJ和右侧TPJ的脑间同步特征来预测自我报告的连接感时，本研究观察到mPFC的分类准确率为53.3%(p=0.36)，左侧TPJ为48.6%(p=0.54)，而右侧TPJ则达到了62.6%(p=0.01)。

结论

综上所述，本研究结果表明，默认模式网络内的脑间同步——尤其是右侧TPJ的同步——能够预测陌生人在自然主义面对面对话中人际连接的形成。这表明DMN耦合可能作为新兴社会连接的一个神经标记。通过结合fNIRS超扫描与机器学习，本研究证明了DMN同步与感知到的对话深度相结合，能够可靠地区分高连接感和低连接感的二人组。这些发现将既往关于被动共同观看期间DMN同步的研究拓展至实时、面对面的互动情境中，为DMN同步作为“看法一致”的神经指标这一假说提供了有力支持。

数据与代码

通用的fNIRS预处理流程可通过以下链接获取：

https://github.com/abinnquist/fNIRSpreProcessing

本研究特定的数据和代码可通过以下链接获取：

https://github.com/miaoqy0729/ConnectionStrangerDMN

参考文献：Grace Qiyuan Miao, Ian J Lieberman, Ashley Binnquist, Agnieszka Pluta, Bear M Goldstein, Rick Dale, Matthew D Lieberman, Making new connections: An fNIRS machine learning classification study of inter-brain synchrony in the default mode network, Social Cognitive and Affective Neuroscience, 2026;, nsag044, https://doi.org/10.1093/scan/nsag044