错误记忆是指个体误将未发生的事当作曾发生过，或信息提取较编码时有显著变化而个体没有意识到的记忆错误^[1]. 情绪是指机体对客观事物是否满足其需求而产生的态度体验及行为反应^[2]. 大量研究表明，在不同的情境下，情绪会对错误记忆产生促进或阻碍作用^[3-6]. 仅有少数学者从记忆的时间进程进行错误记忆研究. 从信息加工的角度来看，按照时间进程分析错误记忆的影响因素，可以动态地分析因素在错误记忆形成中的作用机制^[7]. Goldmann等^[8-9]研究对虚假记忆与真实记忆的事件相关电位（event-related potential, ERP），发现二者诱发的关联成分存在显著差异，结合差异波分布，将记忆再认划分为早期加工、熟悉性加工、情节性回想加工和后提取加工4个阶段. 情绪处理和记忆加工过程涉及多个脑区的工作协同，对脑功能连通性的分析可以从全局上揭示大脑多个区域之间的协同工作机制，更好地反映不同任务状态下大脑的活动变化规律^[10].

脑电图（electroencephalogram, EEG）是记录大脑皮层神经元电生理活动的手段，对大脑功能状态的毫秒级变化高度敏感，在如情绪、记忆的脑功能研究中具有广泛应用. Klados等^[11]通过脑网络方法探究焦虑与工作记忆的关系，发现低焦虑组激活与工作记忆编码和检索相关的区域，高焦虑组激活与负面情绪相关的区域；Fang等^[12]分析情绪调节过程中大脑的动态功能连通性，发现每个子网络都与不同的认知过程有关. Lehmann等^[13]研究脑电微状态，发现大脑在进行信息处理活动时，地形图的拓扑结构在短时间（60~120 ms）内保持相对稳定，这些准稳态反映了大脑信息处理的基本步骤. 脑电微状态不但可以跟踪大脑功能状态随时间的动态变化，表征大脑的认知阶段，还可以捕捉不同条件之间的动态差异. Liang等^[14]通过微状态结合ERP分析不同注意力下中断声音对视觉情绪处理的影响，发现声音差距在早期整合中通过自下而上的关注促进了视听整合，而认知期望在后期导致了自上而下的关注. 基于微状态的功能连通性分析也逐步成为研究热点. Guan等^[15]通过微状态功能连通性分析研究心理负荷，发现在不同任务中的心理负荷量有显著不同；Hua等^[16]通过微状态功能连通性分析发现，快乐音乐可以改变大脑功能网络的特征，对特定时期的认知重估产生积极影响.

将微状态分析与脑网络方法相结合，可以更好地分析大脑的情绪和记忆加工过程. 本研究由微状态分析得到模板地形图，根据拟合结果将各情绪组的错误记忆微状态序列按照时间段划分为记忆再认的4个阶段，通过参数分析找出各组的差异阶段，结合脑网络方法，从空间角度进一步分析各组在差异阶段的脑区特征，从不同的角度探究情绪因素对错误记忆影响的规律和原因.

实验采用Neuroscan公司生产的脑电记录仪，使用64导电极帽采集脑电信号，采样频率为1 kHz. 实验共27名被试，年龄20~25岁，均为右利手，裸眼或矫正后视力正常. 为了消除个体差异，27名被试随机平均分成3组，分别诱发积极、消极、中性3种情绪. 为了避免不同情绪混淆实验结果，每次实验只诱发1种情绪. 为了减少被试主观因素对记忆任务判断的影响，被试只进行1次实验. 被试均签署知情同意书. 实验通过河北工业大学生物医学伦理委员会审核，审核编号为HEBUThMEC2020006.

错误记忆研究采用迪斯-罗迪格-麦克德莫特（Deese-Roediger-McDermott, DRM）记忆实验范式，也称集中联想范式. 人的情绪会受环境因素影响，在学习记忆时，记忆材料带来的情绪是多变的. 为了贴近现实生活，本研究采用积极、消极、中性词组作为混合情绪性记忆材料，并用音乐诱发被试的情绪. 情绪词表的选择参考Stadler等^[17]编制的词表，并参照曾使用的中文词表调整^[18]. 情绪相关记忆材料包含12组词表（积极、消极、中性各4组），每组词表包含12个语义相近的学习词和1个与学习词有语义联系的关键词. 实验分为情绪诱发、学习、二次情绪诱发和再认4个阶段，实验流程如图1所示. 1）以纯音乐（带有积极和消极情绪色彩）分别诱发被试的积极和消极情绪，中性组采用无音乐闭眼放松的形式使被试情绪保持平静；该阶段用时180 s. 2）被试填写正负情绪量表（positive and negative affect schedule, PANAS）并报告情绪状态，用时60 s. 3）学习阶段：每隔0.5 s呈现1个学习词，呈现时间1 s；被试依次识记12组学习词，每组12个学习词以随机顺序出现，共计144个；该阶段用时216 s. 4）为了保证再认阶段和学习阶段的情绪状态一致，使用相同的音乐材料对被试进行二次情绪诱发，用时180 s. 5）再认阶段：每隔0.5 s呈现1个测试词，呈现时间2 s；测试词包括36个学习词、12个关键词（与学习词语义接近的混淆词）和24个无关词；该阶段用时180 s. 若被试认为测试词在学习阶段出现过，按F键，否则按J键. 在实验过程中采集脑电数据，同步记录行为数据.

为了保证脑电数据的可靠性和有效性，须进行脑电信号预处理. 具体步骤包括：1）去坏块，删除大幅度数据漂移；2）去除双侧乳突电极；3）选择全脑电极平均为参考；4）基线校正；5）进行0.5~30 Hz带通滤波处理；6）去除眼电伪迹；7）截取刺激前100 ms到刺激后900 ms的脑电信号，使用100 ms的预刺激校正基线，叠加平均，获得每个被试的错误记忆脑电数据；8）将被试的脑电数据按组进行叠加平均，获得各情绪组的错误记忆脑电数据. 为了全面解释和分析情绪对错误记忆的影响，采集脑电数据的同时进行行为学数据统计分析. 分别统计各组被试的错误记忆反应时间、发生率，其中错误记忆发生率是指被试对关键词进行错误按键的次数与进行按键反应的关键词总数之比.

微状态分析的基本思想是通过绘制脑电地形图的时间序列，将具有相似形态的地形图归为一类^[19]. 本研究采用K-means聚类算法归类微状态.

1）微状态的归类过程. 将各组的数据定义为连接数据集，得到由所有时间点的脑电图构成的原始地形图序列. 计算脑电图信号的总体场功率（global field power, GFP），定义为某时刻脑电地形图的电场强度：

(1)$ {{\mathrm{GFP}}} (t) = \sqrt {{\frac{1}{N}}{{{\displaystyle\sum\limits_{i = 1}^N {({v_i}(t) - \overline{v}_i } (t){)^2}}}}} . $

式中：$ v_{i}(t) $为第i个电极在t时刻的电压，$ \overline{v}_{i}(t) $为t时刻电极电压的平均值，N为电极数目. 得到数据集的GFP时间序列后，使用K-means聚类算法进行GFP时间序列聚类，得到数据集的微状态模板. 进行微状态模板拟合，以微状态模板与各组GFP时间序列之间的总体地形图不相似性（global map dissimilarity, GMD）的最小值为标准，分别标记各组GFP时间序列，得到各组的微状态时间序列. GMD用于描述2个电压地形图拓扑构型的差异，取值范围为0~2，数值越小，表明2个地形图越相似：

(2)$ {{\mathrm{GMD}}} = \sqrt {\frac{1}{N}\sum\limits_{i = 1}^N {{{\left\{ {\frac{{{u_i} - \overline u }}{{{{{{\mathrm{GFP}}} }_u}}} - \frac{{{v_i} - \overline v }}{{{{{{\mathrm{GFP}}} }_v}}}} \right\}}^2}} } . $

式中：$ u_{i} $、$ v_{i} $分别为地形图u和v在电极i的电压值，$ \overline{u} $、$ \overline{v} $分别为地形图u和v所有电极电压的均值，$ {\text{GF}}{{\text{P}}_u} $和$ {\text{GF}}{{\text{P}}_v} $分别为地形图u和v的总体场功率.

2）确定最优聚类数. 微状态分析的关键问题是确定数据集模板图的最优数量. 本研究使用Krzanowski-Lai (KL)准则确定最优聚类数目^[20]. 聚类的效果以离差评价，离差定义为各聚类组内部元素之间的离散程度，数值越接近0，聚类效果越好：

(3)$ W_q=\sum_{k=1}^q \frac{1}{2 m_k} \sum_{u, v}\|{\boldsymbol{u}}-{\boldsymbol{v}}\|^2 . $

式中：q为选定的聚类数，$ W_{q} $为聚类数为q时的离差值，k为聚类组数，$ m_{k} $为第k组内包含的地形图向量个数，u、v均有地形图向量. 为了更好地描述随聚类数变化离差的变化情况，计算离差的相对曲率，即KL值. KL值反映离差曲线W的相对曲率：

(4)$ {\text{KL}} = \frac{{{d_{q - 1}} - {d_q}}}{{{W_{q - 1}}{{(q - 1)}^{{2 \mathord{\left/ {\vphantom {2 n}} \right. } n}}}}} \text{，} $

(5)$ {d_q} = {W_q}{q^{{2 / n}}} - {W_{q+1}}{(q+1)^{{2 / n}}} . $

式中：n为聚类的脑电信号通道数，$ d_{q} $为聚类q与聚类q+1的差异. 计算步骤：选取q的范围；计算W，得到q-W和q-KL关系图；在q和W尽量小且W变化不显著的前提下，选取q-KL关系图中最大峰值点对应的q为最优聚类数.

3）微状态的特征参数分析. 微状态的特征参数在一定程度上反映了潜在神经活动的重要信息. 微状态持续时间表示对于每个主题，在指定的时间段内，模板图与其他地形图的空间相关性值最高时的数据点数量，模板图的持续时间越长，说明这个模板图与该数据产生了更多的空间相关性数据点，与对应数据的相关性更高，更能反映对应实验条件数据的相关信息，因此不同的模板图最能代表不同的实验条件^[21]. 本研究选用微状态的持续时间占比r_i来分析各组微状态差异.

对持续时间占比有显著差异的微状态构建脑网络，进一步分析各情绪组发生错误记忆的脑功能差异. 1）选取节点：将全部头皮电极作为脑功能网络对应节点. 2）求取关联矩阵：通过相位锁值（phase locking value, PLV）算法计算两两节点间脑电信号的相位同步值^[22]，建立关联矩阵；对具有相同微状态标记时间点的PLV关联矩阵进行平均，得到各微状态的平均PLV关联矩阵.3）选取阈值T：选取合适的阈值将关联矩阵二值化，构建脑网络. 阈值选取遵循原则：在保证平均节点度＞2ln N（N为节点数），脑网络的完整性和小世界属性的基础上，避免网络过于密集（稀疏度＜50%），且使网络具有较高的全局效率E_g. 选取方法：初始值为1，以0.01的步长逐渐递减，当在某阈值下网络不存在孤立节点且满足小世界属性时，此阈值即为所选阈值的上限，通过比较不同阈值下的全局效率，选取各情绪组阈值的最大可能值. 为了保证对比分析的有效性，将同种微状态的各情绪组的阈值进行统一，选取各情绪组中最小的阈值作为此微状态的统一阈值.

脑网络的特征参数能够准确反映脑网络的拓扑结构，为此分别从表征脑网络局部属性的节点度、局部效率和表征脑网络全局属性的全局效率对脑功能网络进行分析. 1）节点度：在网络中节点度表示与某个节点相连的边数总和，节点度越大，说明该节点在网络中越重要. 网络的平均节点度越高，网络连接越密集. 2）局部效率：在网络中节点的局部效率反映局部信息处理能力，局部效率越高，脑网络节点间的局部信息处理能力越强. 3）全局效率：在网络中全局效率表示最短路径长度倒数的平均值，全局效率越高，说明脑网络节点间的信息传递速率越快.

使用统计软件汇总行为学数据：积极组的错误率为83%，平均反应时长为845.70 ms；消极组的错误率为76%，平均反应时长为874.50 ms；中性组的错误率为73%，平均反应时长为933.31 ms. 3组被试错误率均超过70%，表明实验成功诱发被试产生错误记忆，积极组错误率高于中性组和消极组，积极组和消极组的平均反应时间都小于中性组.

当聚类数q=1、2时，微状态的整体质量不高，当q=3时，总体质量稍好，但从1、2发展到3的过程中，W的变化幅度很大. 本研究选取q=3为范围下限，总结吴敏等^[23]的研究经验，选取q=15为范围上限，最终确定q的范围为3~15. 计算W和相对曲率KL，得到如图2所示的q-W和q-KL关系图. 由图可知，当q=5时，KL曲线达到最大峰值点；当q由5增加到15时，W的变化幅度较小，遵循q尽量小的经验原则^[24]，最终确定最优聚类数为5个.

对各组数据执行K-means聚类，得到微状态模板图的电压V分布，结果如图3所示. 由微状态的电压分布可知，微状态1的枕区能量高，微状态2的中央区能量高，微状态3、5的额区能量高，微状态4的顶区能量高. 将微状态模板分别拟合回各组的GFP时间序列并进行标记，得到各组的微状态时间序列随时间t的分布情况，结果如图4所示. 基于前人研究以及记忆双加工理论模型^[8-9]，根据微状态拟合结果，将各组微状态序列按照时间段划分为早期加工（0~200 ms）、熟悉性加工（200~400 ms）、情节性回想加工（400~800 ms）和后提取加工（800~1000 ms）4个阶段（边界值归为上一阶段），从时间进程的角度进行分析. 由图4可知，在早期加工阶段，各组均为微状态1的分布；在熟悉性加工阶段，各组均为微状态2的分布；在情节性回想加工阶段，各组的微状态种类和时间分布明显不同；在后提取加工阶段，积极组和消极组均为微状态5的分布，中性组先为微状态5的分布，后为微状态2的分布. 从各组的微状态时间占比来看，积极组微状态5的时间占比最大，消极组微状态1的时间占比最大，中性组微状态3的时间占比最大. 由此提出假设：微状态5更能代表积极组，微状态1更能代表消极组，微状态3更能代表中性组.

在组平均水平上产生的假设通过单受试者数据与模板图之间的拟合过程进行统计检验^[25-26]. 经检验在不同微状态中各组数据满足方差齐性，因此对不同微状态各组的持续时间占比r_i进行单因素方差分析检验，定义F为方差分析统计量，P为显著性水平. 结果显示，各组数据在微状态1（F=9.341，P=0.001<0.05）、微状态3（F=27.362，P＜0.001）、微状态5（F=6.511，P=0.006<0.05）的组间差异均具有统计学意义. 对数据进行事后邦弗伦尼校正比较，结果如图5所示. 从微状态1的时间占比均值来看，消极组大于积极组，差异有统计学意义（P=0.016<0.05）；消极组大于中性组，差异有统计学意义（P=0.001<0.05）. 从微状态3的时间占比均值来看，中性组大于积极组，差异有统计学意义（P<0.001）；中性组大于消极组，差异有统计学意义（P<0.001）. 从微状态5的时间占比均值来看，积极组大于消极组，差异有统计学意义（P=0.011<0.05）；积极组大于中性组，差异有统计学意义（P=0.018<0.05）. 说明微状态5更能代表积极组的状态，微状态1更能代表消极组的状态，微状态3更能代表中性组的状态.

如图6所示，将大脑电极划分为前额区（FPZ、FP1、FP2、AF3、AF4）、额区（FZ、F1~F8、FCZ、FC1~FC8）、中央区（CZ、C1~C6、CPZ、CP1~CP8）、颞区（FT7 FT8、T7、T8）、顶区（PZ、P1~P8、POZ、PO3~PO8）、枕区（OZ、O1、O2、CB1、CB2）6个部分. 通过计算两两节点间脑电信号的相位同步值，构建微状态1、3、5各组的关联矩阵，结果如图7所示. 对关联矩阵进行二值化，根据阈值选取原则，在微状态1中，积极、消极、中性组在满足小世界属性的前提下，达到全连接的阈值分别为0.78、0.75、0.76，选取包含3个阈值的区间[0.7~0.8]，计算不同阈值下的全局效率，结果如图8所示. 可以看出，各组的全局效率均随着阈值的增大呈现单调递减的趋势，阈值的增加会导致全局效率降低. 为了保证各组全连接且具有较高的全局效率，将微状态1的阈值统一为0.75. 同理，微状态3各组阈值分别为0.83、0.82、0.81，统一为0.81；微状态5各组阈值分别为0.78、0.80、0.77，统一为0.77. 观察达到全连接时的阈值，发现在微状态1中，积极组整体脑功能最活跃，消极组整体脑功能最不活跃；在微状态3中，积极组整体脑功能最活跃，中性组整体脑功能最不活跃；在微状态5中，消极组整体脑功能最活跃，中性组整体脑功能最不活跃. 微状态1、3、5各组的二值矩阵如图9所示. 由图可知，微状态1的积极组的整体连接最多；微状态3的积极组的整体连接最多；微状态5的消极组的整体连接最多，中性组的连接最少.得到二值矩阵后，对微状态1、3、5各组的脑电信号构建脑网络，结果如图10所示. 由图可知，微状态1积极组的脑网络连接紧密程度明显高于其他2组，微状态3中性组的连接紧密程度明显低于其他2组，微状态5消极组脑网络连接的紧密程度明显高于其他2组. 对比微状态3和5的脑网络图发现，微状态3在阈值相对高的情况下，中央区的连接紧密程度仍高于微状态5，说明微状态3比微状态5的中央区更活跃.

1）节点度. 为了研究脑网络的局部属性，统计各组在不同微状态的度分布K_i，结果如表1所示. 由表可知，微状态1枕区度分布较高，微状态3和5前额区度分布较高，且微状态3在阈值高于微状态1和5的情况下，中央区度分布仍明显高于微状态1和5，说明微状态1的枕区较活跃，微状态3和5的前额区较活跃，且微状态3比微状态1和5的中央区更活跃. 进一步比较各微状态的脑区差异，统计节点度最高的前10个节点位置，结果如表2所示，其中代表性电极名称均加粗表述. 由表可知，微状态5比微状态3的前额区关键节点个数多，且更偏向大脑顶部、右侧；微状态3的前额区关键节点更偏向大脑左侧. 微状态1的各组脑网络具有连接边数较多的节点主要分布在整个额区和顶枕区，且顶枕区节点数较多；微状态3的各组脑网络中具有连接边数较多的节点分布主要在额区和中央区. 微状态5的各组脑网络中具有连接边数较多的节点主要分布在整个额区和顶枕区，且额区节点数较多. 为了更好地衡量脑网络连接的疏密程度，对平均节点度进行统计分析. 经检验，在不同微状态中各组数据满足方差齐性，对不同微状态各组的脑网络平均节点度进行单因素方差分析发现，3组数据在微状态1（F=4.116，P=0.030＜0.05）、微状态3（F=5.590，P=0.014<0.05）的组间差异具有统计学意义，对数据进行事后邦弗伦尼校正比较，分别统计平均值差（mean difference, MD）、标准误差（standard error, SE）、显著性水平以及置信区间（confidence interval, CI），结果如表3所示. 在微状态1中，积极组大于消极组，差异具有统计学意义（P=0.027<0.05）；积极组大于中性组；中性组大于消极组. 对比结果表明，积极组的大脑在节点处激发了更多连接，消极组的连接最少，说明微状态1的积极组大脑较活跃，消极组大脑活跃程度较低. 在微状态3中，积极组大于消极组；积极组大于中性组，差异具有统计学意义（P=0.012<0.05）；中性组小于消极组. 对比结果表明，积极组的大脑在节点处激发了更多连接，中性组的连接最少，说明微状态3的积极组大脑较活跃，中性组大脑活跃程度较低. 在微状态5中，积极组小于消极组，积极组大于中性组，中性组小于消极组. 对比结果表明，消极组的大脑在节点处激发了更多连接，中性组的连接最少，说明微状态5的消极组大脑较活跃，中性组大脑活跃程度较低.

2）局部效率. 经检验，各组数据在不同微状态中均满足方差齐性，对不同微状态各组脑网络的节点局部效率进行单因素方差分析，结果显示各组在微状态1（F=9.052，P=0.001<0.05）、微状态3（F=4.918，P=0.021<0.05）的组间差异具有统计学意义，对数据进行事后邦弗伦尼校正比较，结果如表4所示. 在微状态1中，积极组大于消极组，差异具有统计学意义（P=0.001<0.05），积极组大于中性组；中性组大于消极组，差异具有统计学意义（P=0.047<0.05）. 对比结果表明，积极组的局部效率最高，消极组的局部效率最低，说明微状态1的积极组大脑的局部信息处理能力最强，消极组大脑的局部信息处理能力最弱. 在微状态3中，积极组大于消极组；积极组大于中性组，差异具有统计学意义（P=0.018<0.05）；中性组小于消极组. 对比结果表明，积极组的局部效率最高，中性组的局部效率最低，说明微状态3的积极组大脑的局部信息处理能力最强，中性组大脑的局部信息处理能力最弱. 在微状态5中，积极组小于消极组；积极组大于中性组；中性组小于消极组. 对比结果表明，消极组的局部效率最高，中性组的局部效率最低，说明微状态5的消极组大脑的局部信息处理能力最强，中性组大脑的局部信息处理能力最弱.

3）全局效率. 经检验，在不同微状态中各组数据满足方差齐性，对不同微状态下各组脑网络的全局效率进行单因素方差分析，结果显示各组在微状态1（F=5.099，P=0.015<0.05）、微状态3（F=6.094，P=0.011<0.05）、微状态5（F=4.512，P=0.024<0.05）的组间差异具有统计学意义，对数据进行事后邦弗伦尼校正比较，结果如表5所示. 在微状态1中，积极组大于消极组，差异具有统计学意义（P=0.013<0.05），积极组大于中性组；中性组大于消极组. 对比结果表明，积极组的全局效率最高，消极组的全局效率最低，说明微状态1的积极组大脑的信息传递速率最快，消极组大脑的信息传递速率最慢. 在微状态3中，积极组大于消极组；积极组大于中性组，差异具有统计学意义（P=0.009<0.05）；中性组小于消极组. 对比结果表明，积极组的全局效率最高，中性组的全局效率最低，说明微状态3积极组大脑的信息传递速率最快，中性组大脑的信息传递速率最慢. 在微状态5中，积极组小于消极组；积极组大于中性组；中性组小于消极组，差异具有统计学意义（P=0.022<0.05）. 对比结果表明，消极组的全局效率最高，中性组的全局效率最低，说明微状态5的消极组大脑的信息传递速率最快，中性组大脑的信息传递速率最慢.

由微状态分析结果可知，各情绪组在不同再认加工阶段存在差异. 1）在早期加工阶段，各情绪组均为微状态1的分布，微状态1的大脑枕区更加活跃. 大脑枕区与视觉加工有关^[27]，由此推知，各情绪组进行了类似的视觉信息早期加工处理. 2）在熟悉性加工阶段，各情绪组均为微状态2的分布，微状态2的大脑中央区相对活跃. 大脑中央区与认知加工以及感觉等信息的处理有关^[28]，由此推知，各情绪组对实验词进行了类似的初步信息编码，依据实验词之间的熟悉性进行快速的新/旧判断. 3）在情节性回想加工阶段，各情绪组出现明显差异，积极组以微状态3、5为主，消极组以微状态1为主，中性组以微状态3、4为主. 微状态3的左前额区、额区、中央区相对活跃，微状态4的顶区相对活跃，微状态5的右前额区、额区相对活跃. 大脑额区参与记忆编码和提取、逻辑推理、决策判断、情绪调控等高级认知活动，左前额叶主要参与情节记忆的编码和语义性启动效应，右前额叶主要参与情节记忆的有意识提取^[29-30]；顶区主要与空间信息的处理及感官信息的整合有关^[31-32]，由此推知，积极组先进行了短暂的感官信息整合，再对实验词进行信息编码及情节性有意识提取；消极组先对实验词信息进行了短暂的信息编码，再进行视觉信息再加工；中性组先对实验词进行了信息编码，再进行感官信息整合. 综上，在回想加工阶段，各情绪组都对实验词进行了详细的信息编码，由于关键词与学习词之间的熟悉性相似，导致被试判断混淆，大脑会进一步进行情节性信息的回想搜索提取，受情绪状态的影响，在对实验词进行搜索提取上表现出较大差异. 只有积极组最先进入情节信息的有意识回想提取，并且持续时间长，很可能将学习阶段没见过的关键词错认为刚刚见过，导致更多的错误记忆产生；在回想加工阶段后期，消极组受试者进行知觉信息加工，中性组进行感觉信息整合，没有对记忆材料进行有意识地回想提取，产生的错误记忆相对较少，这与行为学数据中错误发生率保持一致. 4）在后提取加工阶段，积极组和消极组均为微状态5的分布，中性组为前期微状态5的分布和后期微状态2的分布，说明中性组相较于积极和消极组，前额区活跃持续时间较短，后期活跃脑区从前额区转入中央区. 由此推知，在后提取阶段，各情绪组被试均对实验词是否出现进行了推理提取及决策判断，由于来源混淆或归因不当诱发了错误记忆. 积极和消极组额区的持续活跃说明被试一直受到情绪刺激作用，大脑通过刺激特征提取进行情绪调控，中性组不受情绪刺激的影响整合认知感觉，因此情绪组做出反应的时间短于中性组，这与行为学数据分析结果一致.

由脑网络的节点度以及关键节点分布可知，各组在不同微状态下存在差异. 1）微状态1枕区度分布最高，微状态3和5前额区度分布最高，微状态3中央区度分布高于微状态1和5，度分布越高，脑区越活跃，这与微状态地形图的能量分布一致. 2）微状态3相较于微状态1、5，增加了在颞区和中央区的节点分布，说明微状态3的颞区和中央区相对活跃. 大脑在进行语义的编码和提取时主要依赖前额区和颞区^[33]，结合各组的代表性微状态，可推论各情绪组在对实验词进行语义编码和提取时，积极组和消极组发挥作用更大的是前额区，中性组发挥作用更大的是颞区. 3）语义的编码和提取是对实验词进行记忆再认的核心环节，主要对应情节回想和后提取加工阶段，此阶段各情绪组的微状态分布出现明显差异，也是最具代表性的3个微状态主要出现的时间段，进一步验证了微状态假设验证的合理性和有效性. 4）微状态3前额区的节点位置偏向大脑左侧，微状态5前额区的节点位置偏向大脑右侧，说明微状态3的左前额区相对活跃，微状态5的右前额区相对活跃.

由脑网络参数统计分析结果可知，微状态1中消极组的节点度、局部效率、全局效率低于其他2组；微状态3中积极组的节点度、局部效率、全局效率高于其他2组；微状态5中消极组的节点度、局部效率、全局效率高于其他2组. 积极和消极组相较于中性组，在前额区更加活跃的微状态中，节点度更高，信息传输速率更快，局部信息处理能力更强，且积极组在左前额区相对活跃的微状态3中更为显著，消极组在右前额区相对活跃的微状态5中更为显著. 由此推知，积极和消极情绪状态下受试者在产生错误记忆时，大脑在前额区的激活显著高于中性组，且积极情绪状态的左前额区更加活跃，消极情绪状态的右前额区更加活跃. 大脑的右半球具有负性情绪加工优势，左半球具有正性情绪加工优势^[34-35]；人类大脑的左右半球发挥着不同的作用，即左脑主要负责语言、阅读、推理等理解性认知功能，右脑主要负责空间、图像、音乐等感知性认知功能^[36-37]. 由此推知，积极组比消极和中性组在产生错误记忆时，额区尤其是左前额区的能量更高，脑区更活跃，更偏向于对实验词的回忆和推理，产生更多的错误记忆；中性组在前额区的激活程度相对较小，对词的联想少，产生更少的错误记忆，消极组由于前额区的激活和大脑低迷时间较长，产生较多的错误记忆.

（1）通过微状态方法，从时间角度分析不同情绪对错误记忆的影响. 发现各情绪组大脑加工模式从回想加工阶段出现不同，积极组在前额区相对活跃的微状态3、5中持续时间最长，消极组在枕区相对活跃的微状态1中持续时间较长，中性组在中央区相对活跃的微状态3、4中持续时间较长. 在记忆再认阶段，大脑前额区活跃时间越长，进行回忆联想的时间越长，产生的错误记忆越多.

（2）在时间覆盖率具有显著差异的微状态上构建脑网络，从空间角度进一步分析发生错误记忆时的脑机制. 积极组在左前额区相对活跃的微状态3中脑功能性最强，消极组在微状态1中脑功能性最差. 在记忆再认阶段，大脑前额区尤其是左前额区的脑功能性越强，在分析推理上投入的脑力资源越多，产生的错误记忆越多；大脑在脑功能差的状态下持续时间越长，大脑处于低迷时间越长，也会导致错误记忆的产生.

本研究与前人研究中情绪对错误记忆有促进作用的结论一致. 为分析不同情绪状态下大脑产生错误记忆时的脑认知加工机制差异，以及探究大脑记忆再认过程受不同情绪因素影响产生不同程度的错误记忆的本质及原因提供了理论参考. 未来计划进一步分析同种情绪下回忆再认过程中所有阶段的脑网络特征.