抑郁癥情緒失調的動態特征：情緒動力學的視角

吳朝毅 王振

摘? 要? 抑郁癥在DSM-5中界定的核心特征是持久的情緒紊亂， 如過度悲傷和急劇減少的愉悅情緒體驗。近年來， 情緒動力學強調： 抑郁癥臨床人群的情緒失調不局限于較高的消極情緒平均強度和較低的積極情緒平均強度， 還表現為異常的情緒動態模式。本綜述系統地納入18篇采用生態瞬時評估探究日常生活中抑郁癥臨床人群的情緒動態特征的文獻， 結果表明： 1） 相比于健康對照組， 抑郁癥患者消極情緒波動幅度更大， 表現為更大的消極情緒變異性和消極情緒不穩定性。2） 抑郁癥患者的情緒系統僵化且缺乏靈活性， 表現為更大的消極情緒慣性和更密集的情緒網絡。3） 抑郁癥患者情緒反應性存在異常， 表現為經歷積極事件后的心境點亮效應， 經歷消極事件后更大的消極情緒反應性。4） 患者情緒系統的復雜度下降， 表現為更低的情緒分化水平。處于抑郁癥緩解期的個體也表現出一定程度的情緒失調。本綜述首次從情緒動力學的視角總結了抑郁癥情緒失調的特征， 這些情緒動態特征為抑郁癥的個體化醫療和復發預防提供了潛在的、具有高生態效度的干預靶點。

關鍵詞? 抑郁癥， 情緒動力學， 情緒失調， 生態瞬時評估

分類號 ?R749.4

1? 引言

抑郁癥（Major Depressive Disorder）是以抑郁心境和快感缺失為主要癥狀的精神障礙， 常伴有軀體和認知方面的改變， 顯著影響個體的社交或職業功能（American Psychiatric Association， 2013）。近年來， 抑郁癥的患病率不斷攀升。中國最新開展的流行病學調查顯示： 抑郁癥是最常見的心境障礙， 終身患病率達到3.4% （Huang et al.， 2019）。抑郁癥具有較高的復發風險， 處于抑郁癥緩解期（Remitted Depression）的個體在20年內的累計復發率達到27.1% （Ten Have et al.， 2018）。抑郁癥不僅給患者及其家庭帶來深重的痛苦， 而且給社會造成了沉重的經濟負擔（Herrman et al.， 2022; Walker et al.， 2015）。疾病、傷害和危險因素的全球負擔研究（Global Burden of Diseases， Injuries， and Risk Factors Study， GBD）的結果表明： 抑郁癥是最主要的三種導致非致命性健康損失（Non- Fatal Health Loss）的因素之一（James et al.， 2018）。因此， 抑郁癥的識別、治療和復發預防是一項全球性的優先級事項， 需要心理健康從業者、科研人員、政府部門等社會群體的共同參與和通力合作（Herrman et al.， 2022）。

過去20年來， 情緒失調被公認為是抑郁癥的核心特征（Rottenberg， 2017）。情緒是對外界事件或內部心理表征的源自多個系統的反應（Multisystem Response）， 這些反應表現為主觀體驗、行為和中央或外周生理上的協調變化（Gross & Thompson， 2007）。抑郁癥患者通常表現出持續性的抑郁心境和快感缺乏（American Psychiatric Association， 2013）?；谌烁竦奶刭|模型， 過去的研究主要從情緒的整體強度出發探索抑郁癥情緒失調的特征（Watson， Clark & Carey， 1988）。人格的特質模型將情緒體驗視為靜態的、穩定的人格特質， 將情緒劃分為積極情緒性（Positive Emotionality）和消極情緒性（Negative Emotionality）， 旨在反映個體體驗積極情緒或消極情緒的傾向（Carver et al.， 2000; Watson， Clark & Tellegen， 1988; Watson & Tellegen， 1985）。這種情緒的靜態視角強調了情緒響應特定事件而開啟或關閉的單調狀態， 或者將情緒視為反映個體情緒體驗的整體水平的特質（Houben et al.， 2015）?；谇榫w的靜態視角的研究結果表明： 積極情緒體驗通常會促進心理健康（Fredrickson & Joiner， 2002）， 而過度的消極情緒體驗則與不良的身心健康狀態和精神病理學癥狀相關（Watson， Clark & Carey， 1988; Watson， Clark & Tellegen， 1988）。抑郁癥患者（相比于健康對照組）體驗到的消極情緒平均強度更大， 積極情緒平均強度更?。╓atson， Clark & Carey， 1988）。

然而， 情緒的人格特質模型在解釋抑郁癥情緒失調上存在一定的局限性?，F實生活中個體的情緒體驗并非恒定不變， 而是伴隨著復雜的社會情境不斷動態波動。情緒的社會動態學模型認為： 情緒源于持續的社交和人際互動， 個體在社會關系中不斷地產生、塑造和改變情緒狀態（Mesquita & Boiger， 2014）。情緒的評估模型認為： 情緒是個體對外部刺激的評估所引發的心理反應（Moors， 2014）。情緒的進化解釋認為： 情緒是在自然選擇過程中被塑造的心理過程， 旨在幫助個體適應特定的環境威脅或機遇（Tracy， 2014）。這些理論都表明： 情緒不是孤立、自發產生的， 而是由社交互動、個體評估過程和外界環境等多種因素共同影響的動態過程?；谇榫w的動態視角， 情緒動力學（Emotion Dynamics）理論應運而生。情緒動力學將情緒的時間維度和波動性視為情緒的本質特征， 旨在探究微觀層面（Micro-Level）的情緒波動模式對宏觀層面（Macro-Level）的心理健康和精神病理學癥狀的影響機制（Houben et al.， 2015; Kuppens & Verduyn， 2015， 2017; McKone & Silk， 2022; Trull et al.， 2015; Wichers et al.， 2015）。精神病理學的動態模型強調： 微觀層面上， 隨時間不斷波動的瞬時體驗和行為模式之間持續的動態交互過程可能是導致抑郁癥等精神障礙產生和發展的最小構建模塊（B. Nelson et al.， 2017; Wichers， 2014）?？傮w而言， 情緒動力學的視角提供了特質性的整體情緒強度之外抑郁癥情緒失調的動態信息， 這些信息與抑郁癥的產生、發展和維持密不可分。下文將詳細介紹情緒動力學的理念、指標和方法。

1.1? 情緒動力學的理念

情緒動力學主要探討情緒或情緒的子成分， 包括情緒的經驗、生理或行為成分， 隨時間波動的軌跡、模式和規律， 以及情緒波動的潛在過程和影響（Kuppens & Verduyn， 2015）。情緒動力學認為要全面理解情緒的本質、成因和影響， 必須明確地考慮到情緒的時間維度（Kuppens & Verduyn， 2017）。

情緒動力學的核心原則包括： 權變原則（Principle of Contingency）、慣性原則（Principle of Inertia）、調節原則（Principle of Regulation）和交互原則（Principle of Interaction） （Kuppens & Verduyn， 2017）。權變原則表示： 情緒并非自發產生， 而是伴隨內部心理表征或外部事件的變化（通常是社交環境）， 以及對這些事件的評價和建構而產生（Kuppens & Verduyn， 2017）。此外， 情緒本質上受到慣性原則和調節原則兩種相互對峙的力量所調控， 一方面， 情緒表現出對情緒改變的內在阻力， 表現為情緒從一個時刻延續到下一個時刻的普遍趨勢; 另一方面， 情緒會不斷地被調控， 以最大限度地適應當前的情境（Kuppens & Verduyn， 2017）。最后， 交互原則表示： 整體的情緒體驗或情緒的子成分（如情緒的經驗、生理或行為成分）之間不斷地相互作用， 相互增強或削弱， 創造出一個同步發展、交互作用的系統（Kuppens & Verduyn， 2017）。綜上所述， 情緒動力學認為： 情緒的波動源于慣性原則和調節原則之間的平衡， 不同類型的情緒波動之間的相互作用， 以及情緒自身的各種成分之間的交互作用（Kuppens & Verduyn， 2017）。個體之所以發展出非適應性的情緒功能， 是因為其情緒動態特征超出了權變原則、慣性原則、調節原則或交互原則所規定的正常邊界（Carver， 2015; Kuppens & Verduyn， 2017）。

1.2? 情緒動力指標

基于情緒動力學的核心原則， 常見的情緒動力指標包括情緒均值、情緒變異性、情緒不穩定性、情緒慣性、情緒反應性、情緒網絡密度和情緒分化。表1總結了情緒動力指標的含義和計算方式。

情緒均值（Emotion Mean）和情緒變異性（Emotion Variability）是描述情緒的時間序列數據時最簡約和實用的指標。情緒均值反映了個體特質性的整體情緒強度（Watson & Tellegen， 1985）， 計算指標是個體內水平多次情緒觀測值的均值。情緒變異性指個體在一段時間內情緒體驗的整體變化幅度， 計算指標是個體內水平多次情緒觀測值的標準偏差（Standard Deviation， SD） （Jahng et al.， 2008）。情緒變異性更大的個體整體的情緒波動幅度更大， 傾向于體驗到更極端的情緒體驗。

情緒不穩定性（Emotion Instability）反映了個體在連續2個時間點之間的情緒波動的劇烈程度（Jahng et al.， 2008）。與情緒變異性不同， 情緒不穩定性不僅考慮了情緒體驗的個體內變化， 還考慮了時間依賴性（Temporal Dependency）， 即該指標進一步反映了連續2個時間點之間的情緒波動模式（Thompson et al.， 2011）。情緒不穩定性的常見計算指標是相鄰差均方值（Mean-Square Successive Difference， MSSD）和劇烈變化概率（Probability of Acute Change， PAC）。MSSD指標通過計算連續2個時間點的情緒觀測值的平方差的均值獲得， 反映個體從一個時間點到下一個時間點的情緒改變的劇烈程度（Jahng et al.， 2008）。PAC指標則通過計算連續2個時間點的情緒差值超過情緒劇變截斷值（Acute Cutoff， AC）的概率獲得， 主要反映個體在連續2個時間點之間體驗到情緒劇變的可能性（Jahng et al.， 2008）。

情緒慣性（Emotion Inertia）反映了個體當前的情緒狀態多大程度上受到之前的情緒體驗的影響。情緒慣性的計算指標是個體內水平連續2個時間點的情緒觀測值之間的自相關或自回歸系數（Hamaker et al.， 2018; Jahng et al.， 2008）。個體的情緒慣性越高， 情緒體驗越具有自我預測性和隨時間的滯后性。這可能意味著個體難以根據內部或外部的情境需求靈活地進行心理調控， 而是更傾向于受到上個時間點的情緒狀態的影響（Jahng et al.， 2008; Kuppens et al.， 2010）。

情緒網絡密度（Emotion Network Density）反映了情緒網絡節點之間復雜的交互作用模式。與情緒慣性相似， 情緒網絡密度反映了情緒僵化程度（Emotional Rigidity）， 情緒僵化程度大的個體更傾向于將情緒狀態從當下延續到下個時間點， 并表現出對情緒調控的抵制性（Lydon-Staley et al.， 2019）。不同的是， 基于網絡理論（Network Theory）， 情緒的網絡模型認為情緒系統是由多個情緒節點在時間上的相互關系組成的（Borsboom， 2017）， 摒棄了將情緒視為由多種離散情緒負載于積極和消極情緒這兩個高階因子的觀點（Watson， Clark & Tellegen， 1988）。情緒網絡密度通過計算情緒網絡中特定情緒節點被上一時間點所有情緒節點所預測的回歸系數的絕對值的均值而獲得（Bringmann et al.， 2016; Pe et al.， 2015）。情緒網絡密度更大的個體更容易被上個時間點的各種情緒所影響， 而難以被內部的情緒調節努力和外部的環境需求所調控， 進而導致更差的情緒適應性（Bringmann et al.， 2016; Pe et al.， 2015）。

情緒反應性（Emotion Reactivity）指個體響應外部事件所產生的瞬時情緒變化（Sliwinski et al.， 2009）。具體而言， 當外界的事件發生時， 個體積極情緒或消極情緒的反應的劇烈程度即為情緒反應性（Myin-Germeys et al.， 2003）。情緒反應性的計算指標是個體內水平之前發生的情緒性事件或應激源預測當下情緒觀測值的回歸系數， 更大的情緒反應性表明個體在經歷事件后體驗到更強烈的情緒變化（Sperry & Kwapil， 2019）。

情緒分化（Emotion Differentiation）是反映情緒復雜度（Emotional Complexity）的常見指標， 指個體將感知到的豐富的情緒體驗劃分為離散的情緒類別的細致程度（Barrett et al.， 2001）。日常生活的情境信息是復雜、多維的， 個體往往體驗到多種離散情緒。情緒分化水平高的個體的情緒反應更具有特異性和差異性， 能更好地校準對特定情境需求的行為反應（Barrett et al.， 2001）。情緒分化的計算指標是同種效價下各種離散情緒觀測值的組內相關系數（Intra-Class Correlation， ICC）。ICC越大表明個體的情緒分化水平更低， 個體更傾向于采用單維的、籠統的感受（例如： 好、壞）來處理情緒， 而無法區別離散情緒之間的細致差別（例如： 內疚、憤怒） （Demiralp et al.， 2012; Thompson， Liu， et al.， 2021）。

1.3? 情緒動力學的方法： 生態瞬時評估

為了捕捉個體在日常生活中的情緒波動模式， 情緒動力學領域的研究通常采用生態瞬時評估（Ecological Momentary Assessment， EMA）進行數據收集。EMA收集了日常生活情境下個體在不同時間點的多次心理狀態觀測值， 在探索心理活動的個體內過程（Within-Individual Processes）上具有方法學優勢（Trull & Ebner-Priemer， 2020）。傳統的橫斷面回溯性問卷假定了個體可以準確地提取早期的信息， 不會受到記憶歪曲的影響。但是， 峰值?結束規則（Peak-End Rule）和心境一致性回憶（Mood-Congruent Recall）等認知啟發式表明： 個體會根據信念或當下的心境來自我建構對過去信息的記憶（Mestdagh & Dejonckheere， 2021）。此外， 實驗室研究雖然在分離和操縱情緒刺激、檢驗因果理論假設上具有優勢， 但是生態效度不佳， 無法精確地反映現實生活中豐富、復雜、具有偶然性和個人意義的情緒體驗。近年來， 隨著智能手機等便攜式設備的發展， 越來越多研究者強調采用EMA探索抑郁癥臨床人群在日常生活情境下情緒、認知和生理過程的動態交互作用（Colombo et al.， 2019; Girolamo et al.， 2020; Myin-Germeys et al.， 2018）。相比于回溯性問卷和實驗室研究， EMA在反映抑郁癥患者的情緒波動模式上具有三大優勢。一是EMA測量情境在現實生活中， 而非實驗室或診所中， 具有較高的生態效度。二是EMA對當下的心理和行為反應直接施測， 能有效減少回溯性偏差。三是EMA收集的密集型縱向數據（Intensive Longitudinal Data）有助于反映患者心理狀態的波動軌跡和動態特征， 有助于探究微觀的情緒波動模式和宏觀的精神病理學癥狀的關系（Mofsen et al.， 2019）。

1.4? 綜述目的

綜上所述， 情緒動力指標可以在情緒平均強度之外提供抑郁癥臨床人群情緒失調的動態信息， 在精神病理學領域具有廣闊的應用前景（Wichers et al.， 2015）。此外， 相比于橫斷面回溯性問卷和實驗室研究， 生態瞬時評估研究可以在日常生活情境下測量抑郁癥臨床人群的情緒波動模式， 得到的結果具有更高的生態效度。鑒于以上的方法學優勢， 采用情緒動力學的視角闡明抑郁癥情緒失調的動態特征具有重要的理論意義和實踐價值。該領域的研究不僅可以完善對抑郁癥情緒紊亂的病理學機制的理論構建， 還有助于更全面地識別與抑郁癥患者情緒失調相對應的潛在干預靶點。

然而， 目前情緒動力學的理論框架和實證研究尚處于起步階段， 該領域的綜述或元分析數量較少， 且主要著眼于非臨床樣本或普通人群中情緒動力指標和精神病理學癥狀之間的關系（Dejonckheere et al.， 2019; Houben et al.， 2015; Reitsema et al.， 2022; Trull et al.， 2015）。據筆者所知， 目前尚未有綜述系統地總結抑郁癥臨床人群情緒失調的動態特征。在其他精神障礙臨床人群中， 也僅有1篇系統綜述探討了神經性厭食癥患者的情緒動態特征和情緒調節的特點（Wayda- Zalewska et al.， 2022）。近年來， 越來越多EMA實證研究采用不同的情緒動力指標闡釋了抑郁癥臨床人群情緒失調的特定表現， 但目前尚未有綜述系統地進行歸納和總結， 這不利于對抑郁癥臨床人群的情緒動態特征形成系統的、全面的認識。因此， 本綜述著眼于日常生活情境下抑郁癥臨床人群異常的情緒波動模式， 旨在從情緒動力學的視角闡明抑郁癥臨床人群情緒失調的動態特征， 從而為針對抑郁癥情緒失調的干預提供潛在的、具有高生態效度的干預靶點。

2? 方法

2.1? 文獻檢索

本綜述的文獻檢索部分主要由第一作者開展， 其他作者負責對該過程進行審閱。文獻檢索過程參考Waffenschmidt等（2019）關于系統綜述的方法學文章的建議， 以確保文獻檢索過程的嚴謹性和科學性。首先， 本綜述系統地檢索了Web of Science、PubMed、Scopus和PsycInfo數據庫。檢索的詞條包括四大部分： 第一， 限定研究對象為抑郁癥， 檢索詞條為depressive disorder OR depression OR MDD。第二， 限定研究內容為情緒動力學或情緒動力指標， 檢索詞條為emotion dynamics OR affect dynamics OR variability OR instability OR inertia OR reactivity OR network density OR differentiation OR bipolarity OR biodiversity OR predictability。第三， 限定研究方法為生態瞬時評估等密集追蹤方法， 檢索詞條為ecological momentary assessment OR ambulatory assessment OR experience sampling method OR daily diary。第四， 限定文獻的發表時間在2013年1月1日到2023年1月1日。該檢索時間范圍與生態瞬時評估領域開始廣泛使用智能手機等移動設備施測的時間段相吻合， 有助于確保檢索的文獻在數據收集方法、統計分析上的標準和統一。此外， 通過谷歌學術等其他渠道進行手動檢索。最終， 通過檢索數據庫共獲得文獻605篇， 通過手動檢索獲得文獻3篇， 初步共獲得608篇文獻。刪除重復文獻后， 共獲得502篇文獻。

2.2? 文獻篩選與納入

本綜述的準入標準包括： 1） 研究對象包括被精神科醫生診斷為抑郁癥的臨床人群， 包括目前患有抑郁癥的患者或處于抑郁癥緩解期的個體。處于抑郁癥緩解期的個體指過去曾被臨床診斷為抑郁癥， 但是實驗期間已沒有明顯的抑郁癥狀， 當前沒有達到抑郁發作診斷標準的個體。2） 研究中設置了健康個體或其他精神障礙患者作為對照組。3）研究內容涉及情緒動力指標。4） 采用EMA的研究方法。排除標準包括： 1） 撰寫語言不是中文或英文。2） 無法獲得全文。3） 不是實證研究， 如病例報告、專利、綜述或元分析等。通過閱讀題目和摘要后初篩獲得36篇文獻。通過精讀文獻， 并根據準入和排除標準， 本綜述最終納入18篇文獻。圖1展示了文獻檢索、篩選和納入的詳細過程， 該過程遵循PRISMA標準（Moher et al.， 2009）。

2.3? 質量評估

參照Mokkink等（2010）和Schick等（2023）的質量評估方法， 本綜述對EMA的質量進行初步判斷?？傮w而言， 本綜述納入的18篇EMA研究在依從性（Compliance）、信度（Reliability）和效度（Validity）上表現較好。EMA質量評估的具體內容見網絡版附錄表1。首先， 有15篇文獻（83%）報告了EMA階段問卷測量的依從性。納入綜述的文獻報告的參與者依從性較高， 有一半以上的研究的問卷填寫依從率超過80%。其次， 有13篇文獻（72%）報告了EMA情緒條目的信度， 最常見的信度指標是Cronbachs α系數。與Schick等（2023）的綜述的質量評估結果不同， 本綜述納入的許多研究開始著眼于密集型縱向數據的多層嵌套結構，從個體間水平和個體內水平分別探究EMA測量條目的多水平信度（Crowe et al.， 2019; Heininga et al.， 2019; Khazanov et al.， 2019; K?hling et al.， 2016; Minaeva et al.， 2021; Schricker et al.， 2022; Sheets & Armey， 2020）。最后， 所有研究（100%）都報告了EMA測量條目的效度， 最常見的效度指標是效標效度和結構效度。大多數研究通過不同組別情緒體驗的個體差異來評估EMA條目在測量情緒體驗上的效標效度。部分研究通過探索性因素分析（J. Nelson et al.， 2020）、主成分分析（van Winkel et al.， 2015）、多水平探索性因素分析（Crowe et al.， 2019）等統計分析方法評估EMA條目的結構效度。

3? 結果

本綜述系統地納入了18篇采用EMA探究抑郁癥臨床人群和健康對照組（或其他精神障礙患者）在情緒動態特征上的差異的文獻。表2總結了這些文獻中與EMA相關的研究設計和研究結果。

首先， 從被試群體上看， 這些文獻的被試群體不僅包括抑郁癥患者， 還有8篇文獻涵蓋了處于抑郁癥緩解期的個體（Lamers et al.， 2018; Minaeva et al.， 2021; Schoevers et al.， 2021; Schricker et al.， 2022; Sheets & Armey， 2020; Thompson， Bailen， & English， 2021; Thompson， Liu， et al.， 2021; van Winkel et al.， 2015）。但是， 由于針對處于抑郁癥緩解期的研究數量較少， 研究者需要比較謹慎地看待本綜述中關于抑郁癥緩解期情緒失調的結果。其次， 這些研究的EMA測量方案存在差異。EMA階段每天施測次數介于4次到10次， 持續時間介于3天到28天， 測量情緒的條目也存在一些差異。最后， 從研究主題上看， 絕大多數文獻（16篇）探討了抑郁癥臨床人群和健康對照組在特定情緒動力指標上的差異。有2篇文獻分別比較了有無共病邊緣性人格障礙（K?hling et al.， 2016）、廣泛性焦慮障礙（Khazanov et al.， 2019）的抑郁癥患者在情緒動態特征上的差異。有1篇文獻比較了抑郁癥患者與雙相障礙I型、雙相障礙II型、焦慮障礙患者（相比于健康對照組）在情緒動態特征上的差異（Lamers et al.， 2018）。鑒于大多數研究設置了健康對照組， 本綜述的結果部分主要比較抑郁癥臨床人群和健康對照組在各種情緒動力指標上的差異， 并總結出以下抑郁癥臨床人群情緒失調的特征。

3.1? 抑郁癥患者消極情緒平均強度更大、積極情緒平均強度更小

納入的EMA研究在抑郁癥患者情緒均值上的研究結果較為一致。首先， 相比于健康對照組， 抑郁癥患者在日常生活中體驗到更大的消極情緒均值（Lamers et al.， 2018; J. Nelson et al.， 2020; Schoevers et al.， 2021; Thompson， Liu， et al.， 2021; Thompson， Bailen， & English， 2021）。此外， 處于抑郁癥緩解期的個體在消極情緒均值上仍表現出一定程度的情緒失調。相比于健康對照組， 處于抑郁癥緩解期的個體在日常生活中體驗到更大的消極情緒平均強度（Thompson， Bailen， & English， 2021; Thompson， Liu， et al.， 2021）。但是處于緩解期的個體情緒失調的程度小于抑郁癥患者， 具體表現為： 處于抑郁癥緩解期的個體的消極情緒均值顯著地小于抑郁癥患者（Schoevers et al.， 2021; Thompson， Bailen， & English， 2021; Thompson， Liu， et al.， 2021）。

其次， 相比于健康對照組， 抑郁癥患者在日常生活中體驗到更小的積極情緒均值（Heininga et al.， 2019; J. Nelson et al.， 2020; Schoevers et al.， 2021; Thompson， Liu， et al.， 2021; Thompson， Bailen， & English， 2021）。抑郁癥患者積極情緒的失調主要表現在積極情緒均值上。Heininga等（2019）比較了伴有快感缺失的抑郁癥患者和健康對照組在各種積極情緒動力指標上的差異， 結果表明： 伴有快感缺失的抑郁癥患者體驗到的積極情緒均值更低， 而積極情緒的變異性、不穩定性和反應性等指標和健康對照組沒有顯著差異。處于抑郁癥緩解期的個體在積極情緒均值上的情緒失調的結果則不太一致。部分研究表明： 處于抑郁癥緩解期的個體和健康對照組的積極情緒均值沒有顯著差異， 這兩個組別的積極情緒均值都顯著大于抑郁癥患者（Thompson， Bailen， & English， 2021; Thompson， Liu， et al.， 2021）。然而， Schoevers等（2021）的研究表明： 相比于健康對照組， 處于抑郁癥或焦慮障礙緩解期的個體的積極情緒均值更小。鑒于相關研究數量較少， 未來需要更多研究探究處于抑郁癥緩解期的個體在積極情緒上的情緒失調。

總而言之， 與橫斷面研究結果一致（Watson， Clark & Carey， 1988）， EMA研究結果表明： 抑郁癥患者 （相比于健康對照組） 在日常生活中體驗到更大的消極情緒均值， 更小的積極情緒均值。EMA研究結果進一步佐證了DSM-5中界定的抑郁癥患者悲傷、空虛、或是易激惹的心境狀態， 以及快感缺失等核心癥狀（American Psychiatric Association， 2013）。

3.2? 抑郁癥患者消極情緒波動幅度更大

3.2.1 ?更大的消極情緒變異性

EMA研究中關于抑郁癥患者消極情緒變異性的研究結果較為一致， 抑郁癥患者（相比于健康對照組）表現出更大的消極情緒變異性（Crowe et al.， 2019; Lamers et al.， 2018; J. Nelson et al.， 2020; Schoevers et al.， 2021; Thompson， Bailen， & English， 2021）。在控制情緒均值之后， 消極情緒變異性的組間差異依舊顯著（J. Nelson et al.， 2020; Thompson， Bailen， & English， 2021）。這表明抑郁癥患者消極情緒波動的整體幅度比健康對照組更大， 且這種差異不能用情緒均值來解釋。值得注意的是， 高消極情緒變異性并非是抑郁癥特異于其他精神障礙的情緒動態特征， 具有雙相障礙Ⅰ型、雙相障礙Ⅱ型和焦慮障礙終身診斷的患者（相對于健康對照組）也表現出了更大的消極情緒變異性（Lamers et al.， 2018）。此外， 研究表明： 處于抑郁癥緩解期的個體也表現出了一定程度的消極情緒失調， 但情緒失調程度小于目前患有抑郁癥的患者（Schoevers et al.， 2021; Thompson， Bailen， & English， 2021）。具體來說， 處于抑郁癥緩解期的個體的消極情緒變異性仍大于健康對照組， 表現出更大的消極情緒波動幅度， 但是波動的幅度小于抑郁癥患者（Schoevers et al.， 2021; Thompson， Bailen， & English， 2021）。

總體而言， EMA的研究結果表明： 抑郁癥患者（相比于健康對照組）在日常生活中體驗到的整體的消極情緒波動幅度更大。該結果與針對非臨床樣本的研究結果較為一致， 針對非臨床樣本的EMA研究表明： 個體的消極情緒變異性越大， 當下的抑郁癥狀越嚴重（Houben et al.， 2015; Jenkins et al.， 2020; Sperry et al.， 2020）。

3.2.2? 更大的消極情緒不穩定性

EMA研究得到的抑郁癥患者消極情緒不穩定性的結果較為一致， 抑郁癥患者（相比于健康對照組）表現出更大的消極情緒不穩定性（Crowe et al.， 2019; Lamers et al.， 2018; J. Nelson et al.， 2020; Schoevers et al.， 2021）。Schoevers等（2021）的研究結果表明： 抑郁癥或焦慮障礙患者的情緒不穩定性（RMSSD）最大， 其次是處于緩解期的個體， 健康對照組情緒不穩定性最小?？紤]到情緒不穩定性（RMSSD）和情緒均值之間存在數學運算和概念上的重疊， 研究者額外采用相對變異指標（RMSSD*）控制了情緒均值對情緒不穩定性（RMSSD）可解釋性的影響， 結果表明： 三個組別情緒不穩定性的組間差異仍然存在， 從而證明了研究結果的穩健性（Schoevers et al.， 2021）。值得注意的是， 更大的消極情緒不穩定性可能并非是抑郁癥的特異性癥狀， 而是心境障礙和焦慮障礙情緒失調的普遍性特征。Lamers等（2018）的研究表明： 具有抑郁癥、雙相障礙和焦慮障礙終身診斷的患者在悲傷和焦慮情緒上的不穩定性都顯著大于健康對照組。

盡管大多數研究表明抑郁癥患者（相比于健康對照組）在連續2個時間點的消極情緒變化的幅度更劇烈， 但是J. Nelson等（2020）認為抑郁癥患者和健康對照組在消極情緒不穩定性上的差異可能源于消極情緒變異性。換言之， 抑郁癥患者更大的消極情緒波動可能源于整體上更大的情緒波動幅度， 而與時間依賴性無關。該研究表明： 控制情緒變異性的效應后， 抑郁癥患者和健康對照組的組間差異不再顯著?？紤]到情緒不穩定性（MSSD）和情緒變異性（SD）之間存在極高的相關 （r = 0.83， 95% CI [0.75， 0.89]）， J. Nelson等（2020）認為情緒不穩定性和情緒變異性存在概念和數學運算上的冗余， 抑郁癥在情緒不穩定性上的異?？赡鼙磺榫w變異性所解釋。未來的研究需要從方法學層面進一步完善情緒動力指標， 探究不同情緒動力指標與心理健康、精神病理學之間的獨特關系， 從而提高情緒動力指標在理論層面的可解釋性（Dejonckheere et al.， 2019; Wendt et al.， 2020）。

總體而言， EMA的結果表明： 抑郁癥患者（相比于健康對照組）在日常生活中連續2個時間點之間的消極情緒的瞬時變化更劇烈。該結果與針對非臨床樣本的研究結果較為一致， 針對非臨床樣本的EMA研究表明： 消極情緒不穩定性和基線的抑郁癥狀嚴重程度之間存在正相關（Houben et al.， 2015; Sperry et al.， 2020）。

3.3? 抑郁癥患者情緒系統僵化且缺乏靈活性

3.3.1? 更大的消極情緒慣性

大部分EMA研究表明： 日常生活中抑郁癥患者（相比于健康對照組）表現出更大的消極情緒慣性， 消極情緒更容易延續到下個時刻， 從而導致心境持續惡化（Minaeva et al.， 2021; J. Nelson et al.， 2020; Schoevers et al.， 2021）。Minaeva等（2021）的研究首次將傳統的情緒慣性的概念拓展到隔夜情緒慣性（Overnight Emotion Inertia）上， 揭示了抑郁癥患者隔夜消極情緒慣性與睡眠之間的關系。該研究的結果表明： 相比于健康對照組， 抑郁癥患者隔夜消極情緒慣性更大， 具體而言， 抑郁癥患者前一天睡前的消極情緒會顯著增加第二天早上的消極情緒。并且， 更大的隔夜消極情緒慣性與抑郁癥患者、處于抑郁癥緩解期的個體更短的睡眠時間有關， 與抑郁癥患者更差的睡眠質量有關（Minaeva et al.， 2021）。此外， 處于抑郁癥緩解期的個體也表現出一定程度的消極情緒慣性的失調。相比于健康對照組， 處于抑郁癥緩解期的個體的消極情緒慣性更大（Minaeva et al.， 2021; Schoevers et al.， 2021）， 但小于抑郁癥患者的消極情緒慣性（Schoevers et al.， 2021）。

然而， 部分研究沒有發現抑郁癥患者和健康對照組在消極情緒慣性上的組間差異（Lamers et al.， 2018; Thompson， Bailen， & English， 2021）。研究結果的不一致可能源于不同的EMA測量方案。EMA測量方案的測量頻率越少、測量時間間隔越長， 能夠捕捉的情緒信息的時間分辨率就更低， 難以捕獲情緒慣性等具有時間依賴性的情緒動態特征。Lamers等（2018）的研究的EMA方案每天測量4次， Thompson， Bailen和English等（2021）的研究的EMA方案每天測量5次。相比而言， J. Nelson等（2020）和Minaeva等（2021）的研究采用了更高頻的EMA方案（每天測量10次）， 對情緒信息的時間分辨率更高， 這可能使得J. Nelson等（2020）和Minaeva等（2021）的研究都捕捉到了抑郁癥患者和健康對照組在消極情緒慣性上的差異。因此， 未來的研究應當在考慮被試負擔的前提下， 采用合適的高頻EMA測量方案， 以提高對情緒慣性等具有時間依賴性的情緒動態特征的測量精度（Dejonckheere et al.， 2020; Lapate & Heller， 2020）。

整體上看， 盡管有少部分研究未能發現抑郁癥患者在消極情緒慣性上的情緒失調， 大部分EMA研究表明： 抑郁癥患者（相比于健康對照組） 在日常生活中體驗到的消極情緒更具有自我預測性。該研究結果與針對非臨床樣本的研究一致， 針對非臨床樣本的EMA研究表明： 消極情緒慣性可以正向預測個體當下的抑郁癥狀（Houben et al.， 2015; Houben & Kuppens， 2020; Koval et al.， 2012; Kuppens et al.， 2010）?？刂葡麡O情緒均值和消極情緒變異性后， 消極情緒慣性和當下抑郁癥狀的關系仍然顯著（Houben & Kuppens， 2020）。

3.3.2? 更大的情緒網絡密度

EMA研究結果表明： 抑郁癥患者（相對于健康對照組）的情緒網絡更密集， 情緒網絡節點之間的聯結數量更多且聯結強度更大（Pe et al.， 2015; Wigman et al.， 2015）。Wigman等（2015）的研究比較了抑郁癥患者、精神病性障礙患者和健康對照組在情緒網絡特征上的差異， 結果表明： 抑郁癥組在情緒網絡節點的強度中心性、接近中心性和中介中心性等幾乎所有中心性指標都顯著大于精神病性障礙組和健康對照組。并且， 相比于精神病性障礙組， 抑郁癥患者表現出更多的積極情緒和消極情緒之間的聯系（Wigman et al.， 2015）。Pe等（2015）的研究則進一步表明抑郁癥患者（相對于健康對照組）整體上更密集的情緒網絡源于消極情緒網絡密度的組間差異， 而非積極情緒網絡密度的組間差異。此外， Shin等（2022）的研究揭示了情緒網絡密度作為抑郁和焦慮障礙臨床標志物的潛在前景。該研究的結果表明： 消極情緒網絡密度和積極情緒網絡密度都可以在人口學變量、情緒均值和變異性之上顯著預測個體的診斷狀態（Shin et al.， 2022）。

總體而言， EMA的結果表明： 抑郁癥患者（相比于健康對照組）在日常生活中的情緒網絡更加密集， 患者當前的情緒很大程度上取決于上個時間點的心境狀態， 情緒系統僵化且缺乏靈活性。該結果與針對非臨床樣本的研究結果一致， 一項針對青少年非臨床樣本的EMA研究表明： 個體的情緒網絡密度越大， 抑郁癥狀越嚴重（Lydon- Staley et al.， 2019）。

3.4? 抑郁癥患者情緒反應性異常

3.4.1? 對積極事件的心境點亮效應

大量EMA研究的結果表明： 相比于健康對照組， 抑郁癥患者在日常生活中經歷積極事件后表現出心境點亮效應（Mood Brightening Effect）。具體而言， 抑郁癥患者在經歷積極事件之后表現出更大程度的消極情緒減少（Khazanov et al.， 2019; Lamers et al.， 2018; J. Nelson et al.， 2020; Panaite et al.， 2018; Schricker et al.， 2022）。部分研究還發

現抑郁癥患者經歷積極事件后表現出更大程度的積極情緒增加（Khazanov et al.， 2019; Schricker et al.， 2022）， 并且抑郁癥狀越嚴重的患者的心境點亮效應越大（Khazanov et al.， 2019）。此外， 處于復發性抑郁癥緩解期的個體（相對于健康對照組）也表現出對積極事件的心境點亮效應（Schricker et al.， 2022）。

總體而言， EMA的研究表明： 相比于健康對照組， 抑郁癥患者經歷積極事件后消極情緒的緩解程度更大。這啟發著臨床醫生采用行為激活、愉悅事件清單等干預手段提高抑郁癥患者日常生活中積極事件的頻率， 從而改善抑郁癥患者的情緒紊亂。該研究結果與針對非臨床樣本的研究結果一致， 針對非臨床樣本的EMA研究表明： 總體幸福感低的個體經歷積極事件后消極情緒減少和積極情緒增加的程度都更大（Grosse Rueschkamp et al.， 2020）。

3.4.2? 對消極事件更大的消極情緒反應性

許多EMA研究表明： 抑郁癥患者（相比于健康對照組）在經歷消極事件后表現出更大的消極情緒反應性， 即更大程度的消極情緒增加（Lamers et al.， 2018; Sheets & Armey， 2020; van Winkel et al.， 2015）。相比于健康對照組和處于抑郁癥緩解期的個體， 抑郁癥患者經歷消極事件、人際問題等應激源后消極情緒增加的程度更劇烈（Sheets & Armey， 2020; van Winkel et al.， 2015）。然而， 處于抑郁癥緩解期的個體消極情緒反應性相關的研究結果不一致。一方面， 有研究表明： 處于復發性抑郁癥緩解期的個體（相對于健康對照組）在經歷消極事件后也表現出更大的消極情緒反應性（Schricker et al.， 2022）。另一方面， 有研究指出： 處于抑郁癥緩解期的個體和健康對照組在人際或非人際消極事件上的情緒反應性都沒有組間差異（Sheets & Armey， 2020）。還有研究發現： 處于抑郁癥緩解期的個體和健康對照組對事件應激源（Event Stressors）和活動應激源（Activity Stressors）的消極情緒反應性沒有組間差異， 但是處于抑郁癥緩解期的個體對社交應激源（Social Stressors）具有更大的消極情緒反應性（van Winkel et al.， 2015）。由此可見， 處于抑郁癥緩解期的個體在不同情境類型下的情緒反應性異?？赡艽嬖诓煌哪Ｊ?， 處于緩解期的個體和健康對照組在消極情緒反應性上的差異可能存在邊界條件。未來的研究可以探究情境類型等變量在處于抑郁癥緩解期的個體消極情緒反應性中潛在的調節作用。

總體而言， 相比于健康對照組， 抑郁癥患者經歷了消極事件后體驗到更大程度的消極情緒增加。該研究結果與針對非臨床樣本的研究一致， 針對非臨床樣本的EMA研究表明： 個體的抑郁癥狀水平越高， 對于社交互動這個應激源的消極情緒反應性越大（Booij et al.， 2018）。

3.5 ?抑郁癥患者情緒系統復雜度下降

3.5.1? 更低的消極、積極情緒的分化水平

只有2篇研究從情緒分化的角度探究了抑郁癥患者情緒系統的復雜度特征（Thompson， Liu， et al.， 2021; Tomko et al.， 2015）。結果表明： 相比于健康對照組， 抑郁癥患者消極情緒和積極情緒的分化水平都更低（Thompson， Liu， et al.， 2021）。此外， 相比于邊緣性人格障礙（Borderline Personality Disorder）患者， 抑郁障礙（Depressive Disorder）患者的消極情緒分化水平更高， 但消極情緒分化水平對沖動性的負向預測效應在兩組患者之間不存在組間差異（Tomko et al.， 2015）。處于抑郁癥緩解期的個體的情緒分化能力也表現出和抑郁癥患者相似的缺陷。具體而言， 處于抑郁癥緩解期的個體消極情緒和積極情緒的分化水平低于健康對照組， 且情緒分化水平和抑郁癥患者沒有顯著差異（Thompson， Liu， et al.， 2021）。

總而言之， EMA研究結果表明： 抑郁癥患者傾向于采用單維的、簡化的形式處理消極或積極情緒信息， 難以細致區分不同情緒之間的差別。與消極情緒分化相關的研究結果與針對非臨床樣本的研究一致， 針對非臨床樣本的EMA研究表明： 個體的消極情緒分化程度越低， 抑郁癥狀越嚴重（Liu et al.， 2020; Starr et al.， 2017; Willroth et al.， 2020）。然而， 針對非臨床樣本的EMA研究中， 積極情緒分化和抑郁癥狀不存在顯著的相關關系（Liu et al.， 2020; Starr et al.， 2017; Willroth et al.， 2020）。鑒于目前探究情緒分化（尤其是積極情緒分化）的研究數量較少， 未來需要更多EMA研究探索抑郁癥臨床人群情緒系統復雜度上的潛在缺陷。

4? 討論

本綜述首次從情緒動力學的視角總結了抑郁癥臨床人群在日常生活中情緒失調的主要特征， 研究結果支持了精神病理學的動態模型， 如復雜動態系統模型和網絡模型（B. Nelson et al.， 2017）。與傳統的橫斷面回溯性問卷研究和實驗室研究的結果一致， EMA研究表明： 抑郁癥患者在日常生活中體驗到的消極情緒平均強度更大， 積極情緒平均強度更小。傳統的研究方法大多局限于特質性的整體情緒強度， 而情緒動力學提供了抑郁癥臨床人群情緒失調更精細的動態信息。整體上看， 抑郁癥的情緒失調的動態特征更側重于反映在消極情緒上， 且主要表現出四大特點。第一， 抑郁癥患者日常生活中消極情緒波動幅度更大， 具體表現為更大的消極情緒變異性和消極情緒不穩定性。第二， 抑郁癥患者情緒系統僵化且缺乏靈活性， 具體表現為更大的消極情緒慣性和更密集的情緒網絡。第三， 抑郁癥患者對日常生活情境的情緒反應性異常， 具體表現為患者經歷積極事件后表現出心境點亮效應， 經歷消極事件后表現出更大的消極情緒反應性。第四， 抑郁癥患者情緒系統的復雜度下降， 傾向于過度簡化情緒體驗， 具體表現為患者積極和消極情緒的情緒分化水平更低。此外， 本綜述初步表明： 處于抑郁癥緩解期的個體在多種情緒動力指標上也表現出一定程度的情緒失調。討論部分將從復雜動態系統理論（Complex Dynamical System Theory）、網絡理論等多種理論視角解讀抑郁癥臨床人群情緒失調的表現。

4.1? 抑郁癥患者情緒失調的動態特征

4.1.1? 消極情緒波動幅度大

與健康對照組相比， 抑郁癥患者在日常生活中消極情緒體驗的整體波動幅度更大， 并且消極情緒在連續2個時間點之間的波動幅度更劇烈。該結論與情緒動力學的核心原則一致， 情緒動力學認為： 適應性的情緒波動有助于個體響應外界的情境變化， 但是當情緒波動逾越穩態時會導致心理功能失調（Carver， 2015; Kuppens & Verduyn， 2017）。復雜動態系統理論也表明了抑郁癥與情緒波動幅度的關系。該理論認為： 生態系統、情緒等復雜系統具有多個穩態， 這些穩態受到許多因素的非線性影響， 并隨之發生轉換（Scheffer et al.， 2009; van de Leemput et al.， 2014）。當系統接近狀態改變的臨界點（Tipping Point）時， 系統在響應外界情境擾動（Disturbances）的過程中回復到平衡態的速度變得很慢， 這個現象稱為臨界慢化現象（Critical Slowing Down） （Dakos et al.， 2008）。研究結果表明： 不斷增大的情緒系統的變異性（情緒觀測值的方差）是臨界慢化現象的指標之一， 預示著個體即將從功能正常轉變為罹患抑郁癥（van de Leemput et al.， 2014; Wichers et al.， 2016）。根據復雜動態系統理論， 抑郁癥患者的情緒失調表現為消極情緒偏離平衡態的幅度變大， 患者難以通過有效的情緒調節或認知控制將情緒較快地調控至平衡態， 從而表現出情緒系統的不穩定和脆弱性。

4.1.2? 情緒系統僵化且缺乏靈活性

與健康對照組相比， 抑郁癥患者的消極情緒更富有自我預測性， 先前體驗到的消極情緒更容易延續到下個時刻。此外， 抑郁癥患者的情緒網絡更密集， 情緒節點之間的聯結強度更高。該結論與復雜動態系統理論、網絡理論的觀點一致（B. Nelson et al.， 2017）。依據復雜動態系統理論， 當情緒具有高度自我預測性、情緒網絡高度密集時， 系統處于高度脆弱的、低復原力的狀態， 更傾向于發生穩態的轉變（van de Leemput et al.， 2014; Wichers et al.， 2016）。此外， 依據網絡理論， 情緒系統中不同情緒節點并非互相獨立， 一個情緒節點的激活可以擴散到情緒網絡的其他節點（B. Nelson et al.， 2017）。如果各種情緒相互強化和反饋循環的程度太大， 情緒激活導致共振和級聯效應（Cascade Effect）的風險更大（Wichers et al.， 2015）。此時， 情緒系統處于容易發生狀態改變的脆弱狀態， 外界情境對某個情緒節點的輕微擾動會導致整個情緒網絡的劇烈激活， 此后即使外界的情境刺激消失， 情緒系統仍持續處于高度激活的狀態（Wichers et al.， 2015; Wigman et al.， 2015）。因此， 依據精神障礙的動態模型（B. Nelson et al.， 2017）， 抑郁癥患者表現出更大的消極情緒慣性和更密集的情緒網絡， 這種僵化且缺乏靈活性的情緒系統導致患者易沉溺于消極情緒增加、積極情緒減少的螺旋式心境惡化的循環中， 從而導致了抑郁癥相關的精神病理學癥狀的產生、發展和維持。

4.1.3? 情緒反應性異常

與健康對照組相比， 抑郁癥患者經歷積極事件后傾向于體驗到更大程度的消極情緒減少。該結果與情感對比理論（Affective Contrast Theory）一致， 該理論認為： 個體當下的情緒體驗部分取決于先前的情緒經驗， 個體的情緒反應會受到之前對比性的情緒體驗的影響而增強（Newman & Llera， 2011）。抑郁癥患者在日常生活中更少經歷積極事件， 長期處于慢性的心境低落狀態。因此， 當富有對比性的積極事件發生時， 相比于先前習慣性的高強度消極情緒體驗， 抑郁癥患者體驗到消極情緒緩解的程度更大。另一種可能的解釋是抑郁癥患者對未來事件的預期更加消極， 對積極事件的預期較低， 這種預期會放大對積極事件的情緒反應（Khazanov et al.， 2019; Schricker et al.， 2022）。

此外， 抑郁癥患者經歷消極事件后傾向于體驗到更大程度的消極情緒增加。依據認知行為理論， 抑郁癥患者存在非適應性的認知信念和解釋偏差（Beck et al.， 1979）， 這些消極的思維方式可能導致了患者對日常應激事件更大的消極情緒反應性。抑郁癥患者對消極事件的習慣性反芻可能是導致消極情緒反應性異常的認知因素。過去EMA研究結果表明： 個體經歷日常壓力事件后的反芻水平越高， 體驗到的消極情緒越劇烈（Connolly & Alloy， 2017; Ruscio et al.， 2015）。反芻在應激和消極情緒之間起中介作用， 且抑郁癥患者的中介效應比健康對照組更大（Ruscio et al.， 2015）。未來的EMA研究可以探索反芻等認知因素放大抑郁癥患者對消極事件的反應的病理學機制。

值得注意的是， 與實驗室研究得到的結果不同（Bylsma et al.， 2008; Rottenberg， 2017）， EMA研究的結果不支持抑郁癥的情緒情境不敏感性（Emotion Context Insensitivity， ECI）理論， 而是發現了抑郁癥患者（相對于健康對照組）更劇烈的情緒反應性。依據ECI理論， 抑郁癥患者難以調動個體的認知資源應對內外界情境的變化， 持續性地對環境刺激表現出更小的情緒反應性（Bylsma et al.， 2008; Rottenberg， 2005， 2017）。對于實驗室研究和EMA研究得到的不同結果， 存在一些可能的解釋。一方面， 部分研究者認為： 通過實驗性指導語誘發的情緒和現實生活中自發產生的情緒在本質上存在差異（Mestdagh & Dejonckheere， 2021）。相比于EMA研究， 實驗室研究中采用的標準化的實驗刺激缺少個體相關性和情緒顯著性（Khazanov et al.， 2019）， 且假想的應激源與真實應激源引發的情緒反應的機制可能存在差異（Grillon et al.， 2013）。另一方面， 部分研究者認為： 相較于實驗室研究中受到嚴格控制的實驗情境， EMA研究根植于復雜多變的日常生活情境， 目前該研究方法仍無法有效控制情境類型和其他混淆因素， 內部效度不足可能使得EMA研究無法支持ECI理論（J. Nelson et al.， 2020）。未來的研究需要進一步權衡EMA研究和實驗室研究的內部效度和外部效度， 從方法學的角度優化對情緒反應性的測量， 從而得出科學嚴謹且具有高生態效度的研究結果。

4.1.4? 情緒系統復雜度下降

目前探討抑郁癥臨床人群情緒系統豐富度的EMA研究相對較少， 且局限于情緒分化這一個指標。整體上， 與健康對照組相比， 抑郁癥患者對積極情緒和消極情緒的分化水平較低， 傾向于以相對單一的、籠統的方式感知和報告情緒， 而無法區分離散情緒之間的細致差別。較低的情緒分化水平可能與認知功能缺陷有關， 抑郁癥患者傾向于采取僵化的負面認知歸因來處理情境信息， 在感知加工、工作記憶和執行控制等認知功能上存在普遍缺陷（Austin et al.， 2001）。認知能力上的缺陷可能導致抑郁癥患者傾向于單維地、相對一致地加工各種不同的離散情緒， 從而非適應性地沉溺在低落心境之中。此外， 過去的研究也表明了抑郁障礙和述情障礙（Alexithymia）之間的關系， 這兩種精神障礙在情緒分化水平上都存在一定程度的缺陷， 主要表現為情緒洞察上的缺陷， 例如： 難以識別、標注情緒， 以及對情緒狀態的知覺和表達更寬泛和不具體等（Honkalampi et al.， 2000）。

除了情緒分化， 情緒雙極性（Emotion Bipolarity）和情緒豐富度（Emodiversity）也是衡量情緒系統復雜度的指標， 但是這些指標尚未應用到針對抑郁癥臨床樣本的EMA研究中。情緒雙極性主要探究個體傾向于相互獨立地體驗積極情緒和消極情緒， 抑或是非此即彼地、單維地體驗積極情緒和消極情緒的問題， 常見的計算指標是積極情緒和消極情緒的個體內相關系數（Dejonckheere et al.， 2018）。情緒豐富度描述了個體情緒體驗的多樣性和相對豐富程度， 常見的計算指標是香農信息熵（Shannons Entropy） （Quoidbach et al.， 2014; Urban-Wojcik et al.， 2022）。針對非臨床樣本的EMA研究表明： 抑郁癥狀和情緒復雜度異常有關（Dejonckheere et al.， 2018; Urban-Wojcik et al.， 2022）。Dejonckheere等（2018）的研究表明： 抑郁癥狀可以前瞻性地正向預測后續更大的情緒雙極性。具體而言， 個體的抑郁癥狀越嚴重， 之后的情緒體驗模式會趨向于單維化， 即個體消極情緒增加的同時會僵化地體驗到積極情緒的減少， 而無法獨立地感知積極情緒和消極情緒。此外， Urban-Wojcik等（2022）的研究結果表明： 更小的積極情緒豐富度、更大的消極情緒豐富度和更嚴重的抑郁癥狀呈正相關（Urban-Wojcik et al.， 2022）。未來的EMA研究需要綜合采用情緒分化、情緒雙極性和情緒豐富度等多種情緒復雜度指標， 更加全面、精細地探索抑郁癥臨床人群在情緒系統復雜度上的潛在缺陷。

4.2? 處于抑郁癥緩解期個體的情緒失調

鑒于本綜述納入的文獻中探究抑郁癥緩解期的EMA研究數量較少， 這個部分的結果需要謹慎看待。本綜述初步表明： 相比于健康對照組， 處于抑郁癥緩解期的個體仍表現出一定程度的情緒失調。具體而言， 處于抑郁癥緩解期的個體（相對于健康對照組）表現出更大的消極情緒的均值、變異性、不穩定性和慣性， 經歷積極事件后的心境點亮效應， 經歷消極事件后更大的消極情緒反應性， 以及更低的情緒分化水平（Lamers et al.， 2018; Minaeva et al.， 2021; Schoevers et al.， 2021; Schricker et al.， 2022; Thompson， Bailen， & English， 2021; Thompson， Liu， et al.， 2021; van Winkel et al.， 2015）。

該研究結果初步支持了抑郁癥患者的并發癥或疤痕模型（Complications or Scar Model）和設定點理論（Set-Point Theory）， 并且印證了在臨床實踐中做好抑郁癥復發預防工作的重要性。疤痕模型認為抑郁癥對個體的特質具有持久性的消極影響， 這些影響在緩解期時依舊存在（Allen & Sheeber， 2008）。設定點理論認為抑郁癥情緒調節系統的紊亂可能表現為持久的設定點的改變， 例如更高的消極情緒設定點和更低的積極情緒設定點， 從而影響緩解期后復發的易感性（Burcusa & Iacono， 2007; Ormel et al.， 2017）。但是， 目前的EMA研究尚未揭示情緒動態特征和抑郁癥之間的因果方向和影響機制。未來的研究可以結合EMA和縱向追蹤的研究方法， 探索情緒動力指標在抑郁癥患者抑郁發作、緩解和復發過程中的動態變化過程， 從而解答情緒動態特征是引發抑郁癥的易感性因素， 抑或是由抑郁癥造成的“疤痕”的研究問題。

4.3? 情緒動力學視角的臨床意義

相比于橫斷面回溯性問卷研究和實驗室研究， 基于情緒動力學視角的EMA研究得到的抑郁癥的情緒動態特征具有更高的生態效度， 且考慮到了情緒的時間維度。本綜述表明： 日常生活情境下， 抑郁癥患者的情緒失調不僅表現為更大的消極情緒平均強度和更小的積極情緒平均強度， 還表現為更大的消極情緒波動幅度、更僵化且缺少靈活性的情緒系統、異常的情緒反應性和情緒系統復雜度。因此， 針對抑郁癥情緒失調的干預還需要著眼于這些情緒動態特征， 并根據特定類型的情緒失調實施針對性的干預措施。近年來， 采用EMA的干預研究表明： 基于正念的干預能顯著改善情緒分化水平（van der Gucht et al.， 2019）。標準化正念減壓療法（Mindfulness Based Stress Reduction， MBSR）能顯著改善消極情緒變異性、消極情緒不穩定性（Keng et al.， 2021）。臨床醫生可以根據個體化醫療（Personalized Medicine）的原則， 以患者自身情緒失調的具體特征作為靶點， 進行有針對性的精準治療， 從而提高抑郁癥的有效治愈率（Khoury & Galea， 2016）。

此外， 情緒動力學強調從微觀層面對現實生活情境下個體的心理、生理和行為的復雜作用過程進行動態監測， 這啟發著臨床工作者采用更科學、智能化的手段開展精神障礙的臨床評估和治療。從臨床視角上看， EMA為精神疾病和心理障礙的個體化醫療提供了最好的機遇之一（Myin- Germeys et al.， 2018）。在未來的臨床實踐中， 可以嘗試結合EMA主動測量和體動記錄儀（Actigraphy）等被動測量方法對臨床人群進行實時的、多模態的移動設備監測， 從情緒、身體活動、攝食行為、能量、睡眠等多系統之間動態聯系的角度理解精神障礙的發病機制（Merikangas et al.， 2019）， 并根據癥狀網絡中的核心節點制定有效的干預方案。近年來， 研究者將EMA的理念應用到臨床干預中， 提出了生態瞬時干預（Ecological Momentary Intervention， EMI）的干預方法（Heron & Smyth， 2010）。EMI將心理干預的場所從傳統的臨床設置拓展到現實生活中， 通過生物傳感器、嵌入型傳感器等收集數據， 并通過機器學習等技術進行風險預測， 從而在患者的情緒狀態達到風險閾值時提供個體定制化的干預措施（Colombo et al.， 2019）。已有研究初步證明EMI在治療抑郁癥門診患者時是一種具有成本效益的附加干預措施， 在未來的臨床應用中具有潛在前景（Simons et al.， 2017）。

4.4? 現有研究的不足與未來研究展望

首先， 盡管EMA采集的時間序列數據在探究情緒等心理變量的個體內過程具有獨特優勢， 但是目前的EMA研究仍著眼于探索情緒波動的普遍性模式與規則（Nomothetic Principle）， 而忽視了情緒波動的個體特異性規則（Idiographic Principle） （Mestdagh & Dejonckheere， 2021）。具體而言， 目前的EMA研究主要關注抑郁癥臨床人群和健康對照組在情緒動態指標的組間差異， 而忽視了情緒失調在抑郁癥患者個體內的動態過程及其對自身精神病理學癥狀的影響。近年來， 越來越多研究者呼吁將EMA應用到個體化模型中， 例如個體化癥狀網絡（Epskamp et al.， 2018; Fisher et al.， 2017）， 從而指導未來的臨床決策和進行實時干預（Wright et al.， 2019; Zimmermann et al.， 2019）。未來的EMA研究可以著眼于抑郁癥臨床人群在日常生活中心理、行為、生理等系統的動態交互過程， 從個體內水平探索抑郁癥臨床人群的情緒失調及其與精神病理學癥狀之間的關系， 進一步推進精準精神病學（Precision Psychiatry）的臨床應用（Fernandes et al.， 2017; Reichert et al.， 2021）。

其次， 雖然越來越多EMA研究采用情緒動力指標探究了抑郁癥臨床人群在日常生活中情緒失調的動態特征， 但是較少研究探究情緒動力指標對應的神經生理過程， 抑郁癥患者日常生活中情緒失調的生理機制尚不清晰。近年來， 開始有研究結合EMA和神經影像技術探究情緒動力指標對應的神經環路異常。結果表明： 情緒均值與默認模式網絡（Default Mode Network）功能連通性有關， 積極情緒和消極情緒均值更高的個體， 左側海馬體灰質體積更小， 默認模式網絡功能連通性更強（Ismaylova et al.， 2018）。情緒變異性和情緒慣性均與默認模式網絡內部連通性相關（Provenzano et al.， 2021; Servaas et al.， 2017）。突顯環路、額頂控制網絡和情緒環路也起到重要作用： 更高的消極情緒均值對應著額頂控制網絡連通性的下降（Price et al.， 2017）， 更高的情緒變異性對應著突顯環路和情緒環路中更弱的功能連通性（Servaas et al.， 2017）。未來需要更多研究結合EMA和神經影像技術探究情緒動力指標對應的神經生理過程， 從多模態的視角探究抑郁癥臨床人群情緒失調的病理學機制。

最后， 目前的EMA研究在方法學上存在一些不足， 一定程度上降低了研究結果的可信度和可比性。第一， 不同研究采用的測量方案不同， 具體表現為EMA測量頻率和持續時間存在差異。未來的研究需要探索既能捕捉到情緒波動信息， 又不會造成較大的被試負擔的EMA測量方案（Hasselhorn et al.， 2021; van Genugten et al.， 2020）， 并進一步制定達成共識的標準EMA測量流程。第二， 不同研究測量的情緒條目存在差異， 缺少標準化問卷。未來的研究需要編制標準的EMA瞬時情緒問卷， 并合理選擇多水平驗證性因子分析等方法檢驗EMA問卷的個體內和個體間信效度（Eisele et al.， 2021; Geldhof et al.， 2014）。第三， 目前的EMA研究很少控制情境因素對情緒波動模式的影響。這可能使得情緒時間序列數據的信噪比降低， 研究者難以獲取情緒波動的有效信息（Dejonckheere et al.， 2020; Lapate & Heller， 2020）。近年來， 有研究采用準實驗EMA方法， 將個體的情緒體驗錨定在特定情境中， 有效提高了情緒數據的信噪比（Dejonckheere et al.， 2020， 2021）。未來的EMA研究需要注重對情境信息的收集， 并探索準實驗EMA方法等提高內部效度的研究方法。第四， 情緒動力學領域的EMA研究對情緒的測量仍依賴于主觀報告問卷。未來的EMA研究可以通過手環等便攜式設備同步收集心率變異性、皮膚電導等生理指標， 從而探索反映抑郁癥情緒失調特征的多模態指標。

參考文獻

Allen， N. B.， & Sheeber， L. B. （2008）. The importance of affective development for the emergence of depressive disorders during adolescence. In L. B. Sheeber & N. B. Allen （Eds.）， Adolescent emotional development and the emergence of depressive disorders （pp. 1?10）. Cambridge： Cambridge University Press.

American Psychiatric Association. （2013）. Diagnostic and statistical manual of mental disorders， 5th edition （DSM?5）. Washington， DC： Author.

Austin， M.-P.， Mitchell， P.， & Goodwin， G. M. （2001）. Cognitive deficits in depression： Possible implications for functional neuropathology. The British Journal of Psychiatry， 178（3）， 200?206.

Barrett， L. F.， Gross， J.， Christensen， T. C.， & Benvenuto， M. （2001）. Knowing what youre feeling and knowing what to do about it： Mapping the relation between emotion differentiation and emotion regulation. Cognition & Emotion， 15（6）， 713?724.

Beck， A. T.， Rush， A. J.， Shaw， B. F.， & Emery， G. （1979）. Cognitive therapy of depression. New York， NY： Guilford Press.

Booij， S. H.， Snippe， E.， Jeronimus， B. F.， Wichers， M.， & Wigman， J. T. W. （2018）. Affective reactivity to daily life stress： Relationship to positive psychotic and depressive symptoms in a general population sample. Journal of Affective Disorders， 225， 474?481.

Borsboom， D. （2017）. A network theory of mental disorders. World Psychiatry， 16（1）， 5?13.

Bringmann， L. F.， Pe， M. L.， Vissers， N.， Ceulemans， E.， Borsboom， D.， Vanpaemel， W.， Tuerlinckx， F.， & Kuppens， P. （2016）. Assessing temporal emotion dynamics using networks. Assessment， 23（4）， 425?435.

Burcusa， S. L.， & Iacono， W. G. （2007）. Risk for recurrence in depression. Clinical Psychology Review， 27（8）， 959? 985.

Bylsma， L. M.， Morris， B. H.， & Rottenberg， J. （2008）. A meta-analysis of emotional reactivity in major depressive disorder. Clinical Psychology Review， 28（4）， 676?691.

Carver， C. S. （2015）. Control processes， priority management， and affective dynamics. Emotion Review， 7（4）， 301-307.

Carver， C. S.， Sutton， S. K.， & Scheier， M. F. （2000）. Action， emotion， and personality： Emerging conceptual integration. Personality and Social Psychology Bulletin， 26（6）， 741? 751.

Colombo， D.， Fernández-?lvarez， J.， Patané， A.， Semonella， M.， Kwiatkowska， M.， García-Palacios， A.， Cipresso， P.， Riva， G.， & Botella， C. （2019）. Current state and future directions of technology-based ecological momentary assessment and intervention for major depressive disorder： A systematic review. Journal of Clinical Medicine， 8（4）， 465.

Connolly， S. L.， & Alloy， L. B. （2017）. Rumination interacts with life stress to predict depressive symptoms： An ecological momentary assessment study. Behaviour Research and Therapy， 97， 86?95.

*Crowe， E.， Daly， M.， Delaney， L.， Carroll， S.， & Malone， K. M. （2019）. The intra-day dynamics of affect， self-esteem， tiredness， and suicidality in major depression. Psychiatry Research， 279， 98?108.

Dakos， V.， Scheffer， M.， van Nes， E. H.， Brovkin， V.， Petoukhov， V.， & Held， H. （2008）. Slowing down as an early warning signal for abrupt climate change. Proceedings of the National Academy of Sciences， 105（38）， 14308?14312.

Dejonckheere， E.， Mestdagh， M.， Houben， M.， Erbas， Y.， Pe， M.， Koval， P.， Brose， A.， Bastian， B.， & Kuppens， P. （2018）. The bipolarity of affect and depressive symptoms. Journal of Personality and Social Psychology， 114（2）， 323?341.

Dejonckheere， E.， Mestdagh， M.， Houben， M.， Rutten， I.， Sels， L.， Kuppens， P.， & Tuerlinckx， F. （2019）. Complex affect dynamics add limited information to the prediction of psychological well-being. Nature Human Behaviour， 3（5）， 478?491.

Dejonckheere， E.， Mestdagh， M.， Kuppens， P.， & Tuerlinckx， F. （2020）. Reply to： Context matters for affective chronometry. Nature Human Behaviour， 4（7）， 690?693.

Dejonckheere， E.， Mestdagh， M.， Verdonck， S.， Lafit， G.， Ceulemans， E.， Bastian， B.， & Kalokerinos， E. K. （2021）. The relation between positive and negative affect becomes more negative in response to personally relevant events. Emotion， 21（2）， 326?336.

Demiralp， E.， Thompson， R. J.， Mata， J.， Jaeggi， S. M.， Buschkuehl， M.， Barrett， L. F.， Ellsworth， P. C.， Demiralp， M.， Hernandez-Garcia， L.， Deldin， P. J.， Gotlib， I. H.， & Jonides， J. （2012）. Feeling blue or turquoise？ Emotional differentiation in major depressive disorder. Psychological Science， 23（11）， 1410-1416.

Eisele， G.， Lafit， G.， Vachon， H.， Kuppens， P.， Houben， M.， Myin-Germeys， I.， & Viechtbauer， W. （2021）. Affective structure， measurement invariance， and reliability across different experience sampling protocols. Journal of Research in Personality， 92， 104094.

Epskamp， S.， van Borkulo， C. D.， van der Veen， D. C.， Servaas， M. N.， Isvoranu， A.-M.， Riese， H.， & Cramer， A. O. J. （2018）. Personalized network modeling in psychopathology： The importance of contemporaneous and temporal connections. Clinical Psychological Science， 6（3）， 416?427.

Fernandes， B. S.， Williams， L. M.， Steiner， J.， Leboyer， M.， Carvalho， A. F.， & Berk， M. （2017）. The new field of ‘precision psychiatry. BMC Medicine， 15（1）， 80.

Fisher， A. J.， Reeves， J. W.， Lawyer， G.， Medaglia， J. D.， & Rubel， J. A. （2017）. Exploring the idiographic dynamics of mood and anxiety via network analysis. Journal of Abnormal Psychology， 126（8）， 1044?1056.

Fredrickson， B. L.， & Joiner， T. （2002）. Positive emotions trigger upward spirals toward emotional well-being. Psychological Science， 13（2）， 172?175.

Geldhof， G. J.， Preacher， K. J.， & Zyphur， M. J. （2014）. Reliability estimation in a multilevel confirmatory factor analysis framework. Psychological Methods， 19（1）， 72-91.

Girolamo， G.， Barattieri di San Pietro， C.， Bulgari， V.， Dagani， J.， Ferrari， C.， Hotopf， M.， ... Zarbo， C. （2020）. The acceptability of real-time health monitoring among community participants with depression： A systematic review and meta-analysis of the literature. Depression and Anxiety， 37（9）， 885?897.

Grillon， C.， Franco-Chaves， J. A.， Mateus， C. F.， Ionescu， D. F.， & Zarate， C. A. （2013）. Major depression is not associated with blunting of aversive responses; evidence for enhanced anxious anticipation. PloS ONE， 8（8）， e70969.

Gross， J. J.， & Thompson， R. A. （2007）. Emotion regulation： Conceptual foundations. In J. J. Gross （Ed.）， Handbook of emotion regulation （pp. 3?24）. The Guilford Press.

Grosse Rueschkamp， J. M.， Kuppens， P.， Riediger， M.， Blanke， E. S.， & Brose， A. （2020）. Higher well-being is related to reduced affective reactivity to positive events in daily life. Emotion， 20（3）， 376?390.

Hamaker， E. L.， Asparouhov， T.， Brose， A.， Schmiedek， F.， & Muthén， B. （2018）. At the frontiers of modeling intensive longitudinal data： Dynamic structural equation models for the affective measurements from the COGITO study. Multivariate Behavioral Research， 53（6）， 820?841.

Hasselhorn， K.， Ottenstein， C.， & Lischetzke， T. （2021）. The effects of assessment intensity on participant burden， compliance， within-person variance， and within-person relationships in ambulatory assessment. Behavior Research Methods， 54（4）， 1541?1558.

*Heininga， V. E.， Dejonckheere， E.， Houben， M.， Obbels， J.， Sienaert， P.， Leroy， B.， van Roy， J.， & Kuppens， P. （2019）. The dynamical signature of anhedonia in major depressive disorder： Positive emotion dynamics， reactivity， and recovery. BMC Psychiatry， 19（1）， 1?11.

Heron， K. E.， & Smyth， J. M. （2010）. Ecological momentary interventions： Incorporating mobile technology into psychosocial and health behaviour treatments. British Journal of Health Psychology， 15（1）， 1?39.

Herrman， H.， Patel， V.， Kieling， C.， Berk， M.， Buchweitz， C.， Cuijpers， P.， ... Wolpert， M. （2022）. Time for united action on depression： A Lancet-World Psychiatric Association Commission. The Lancet， 399（10328）， 957?1022.

Honkalampi， K.， Hintikka， J.， Saarinen， P.， Lehtonen， J.， & Viinam?ki， H. （2000）. Is alexithymia a permanent feature in depressed patients？ Results from a 6-month follow-up study. Psychotherapy and Psychosomatics， 69（6）， 303? 308.

Houben， M.， & Kuppens， P. （2020）. Emotion dynamics and the association with depressive features and borderline personality disorder traits： Unique， specific， and prospective relationships. Clinical Psychological Science， 8（2）， 226?239.

Houben， M.， van den Noortgate， W.， & Kuppens， P. （2015）. The relation between short-term emotion dynamics and psychological well-being： A meta-analysis. Psychological Bulletin， 141（4）， 901?930.

Huang， Y.， Wang， Y.， Wang， H.， Liu， Z.， Yu， X.， Yan， J.， ... Wu， Y. （2019）. Prevalence of mental disorders in China： A cross-sectional epidemiological study. The Lancet Psychiatry， 6（3）， 211?224.

Ismaylova， E.， Di Sante， J.， Gouin， J.-P.， Pomares， F. B.， Vitaro， F.， Tremblay， R. E.， & Booij， L. （2018）. Associations between daily mood states and brain gray matter volume， resting-state functional connectivity and task-based activity in healthy adults. Frontiers in Human Neuroscience， 12， 168.

Jahng， S.， Wood， P. K.， & Trull， T. J. （2008）. Analysis of affective instability in ecological momentary assessment： Indices using successive difference and group comparison via multilevel modeling. Psychological Methods， 13（4）， 354?375.

James， S. L.， Abate， D.， Abate， K. H.， Abay， S. M.， Abbafati， C.， Abbasi， N.， ... Murray， C. J. L. （2018）. Global， regional， and national incidence， prevalence， and years lived with disability for 354 Diseases and Injuries for 195 countries and territories， 1990?2017： A systematic analysis for the Global Burden of Disease Study 2017. The Lancet， 392（10159）， 1789?1858.

Jenkins， B. N.， Hunter， J. F.， Richardson， M. J.， Conner， T. S.， & Pressman， S. D. （2020）. Affect variability and predictability： Using recurrence quantification analysis to better understand how the dynamics of affect relate to health. Emotion， 20（3）， 391?402.

Kashdan， T. B.， & Farmer， A. S. （2014）. Differentiating emotions across contexts： Comparing adults with and without social anxiety disorder using random， social interaction， and daily experience sampling. Emotion， 14（3）， 629?638.

Keng， S.-L.， Tong， E. M.， Yan， E. T. L.， Ebstein， R. P.， & Lai， P.-S. （2021）. Effects of mindfulness-based stress reduction on affect dynamics： A randomized controlled trial. Mindfulness， 12（6）， 1490?1501.

*Khazanov， G. K.， Ruscio， A. M.， & Swendsen， J. （2019）. The “brightening” effect： Reactions to positive events in the daily lives of individuals with major depressive disorder and generalized anxiety disorder. Behavior Therapy， 50（2）， 270?284.

Khoury， M. J.， & Galea， S. （2016）. Will precision medicine improve population health？. The Journal of the American Medical Association， 316（13）， 1357?1358.

*K?hling， J.， Moessner， M.， Ehrenthal， J. C.， Bauer， S.， Cierpka， M.， K?mmerer， A.， Schauenburg， H.， & Dinger， U. （2016）. Affective instability and reactivity in depressed patients with and without borderline pathology. Journal of Personality Disorders， 30（6）， 776?795.

Koval， P.， Kuppens， P.， Allen， N. B.， & Sheeber， L. （2012）. Getting stuck in depression： The roles of rumination and emotional inertia. Cognition & Emotion， 26（8）， 1412?1427.

Kuppens， P.， Allen， N. B.， & Sheeber， L. B. （2010）. Emotional inertia and psychological maladjustment. Psychological Science， 21（7）， 984?991.

Kuppens， P.， & Verduyn， P. （2015）. Looking at emotion regulation through the window of emotion dynamics. Psychological Inquiry， 26（1）， 72?79.

Kuppens， P.， & Verduyn， P. （2017）. Emotion dynamics. Current Opinion in Psychology， 17， 22?26.

*Lamers， F.， Swendsen， J.， Cui， L.， Husky， M.， Johns， J.， Zipunnikov， V.， & Merikangas， K. R. （2018）. Mood reactivity and affective dynamics in mood and anxiety disorders. Journal of Abnormal Psychology， 127（7）， 659? 669.

Lapate， R. C.， & Heller， A. S. （2020）. Context matters for affective chronometry. Nature Human Behaviour， 4（7）， 688?689.

Liu， D. Y.， Gilbert， K. E.， & Thompson， R. J. （2020）. Emotion differentiation moderates the effects of rumination on depression： A longitudinal study. Emotion， 20（7）， 1234?1243.

Lydon-Staley， D. M.， Xia， M.， Mak， H. W.， & Fosco， G. M. （2019）. Adolescent emotion network dynamics in daily life and implications for depression. Journal of Abnormal Child Psychology， 47（4）， 717?729.

McKone， K. M. P.， & Silk， J. S. （2022）. The emotion dynamics conundrum in developmental psychopathology： Similarities， distinctions， and adaptiveness of affective variability and socioaffective flexibility. Clinical Child and Family Psychology Review， 25（1）， 44?74.

Merikangas， K. R.， Swendsen， J.， Hickie， I. B.， Cui， L.， Shou， H.， Merikangas， A. K.， ... Zipunnikov， V. （2019）. Real-time mobile monitoring of the dynamic associations among motor activity， energy， mood， and sleep in adults with bipolar disorder. JAMA Psychiatry， 76（2）， 190?198.

Mesquita， B.， & Boiger， M. （2014）. Emotions in context： A sociodynamic model of emotions. Emotion Review， 6（4）， 298?302.

Mestdagh， M.， & Dejonckheere， E. （2021）. Ambulatory assessment in psychopathology research： Current achievements and future ambitions. Current Opinion in Psychology， 41， 1?8.

Mestdagh， M.， Pe， M.， Pestman， W.， Verdonck， S.， Kuppens， P.， & Tuerlinckx， F. （2018）. Sidelining the mean： The relative variability index as a generic mean-corrected variability measure for bounded variables. Psychological Methods， 23（4）， 690?707.

*Minaeva， O.， George， S. V.， Kuranova， A.， Jacobs， N.， Thiery， E.， Derom， C.， ... Booij， S. H. （2021）. Overnight affective dynamics and sleep characteristics as predictors of depression and its development in women. Sleep， 44（10）， 1?12.

Mofsen， A. M.， Rodebaugh， T. L.， Nicol， G. E.， Depp， C. A.， Miller， J. P.， & Lenze， E. J. （2019）. When all else fails， listen to the patient： A viewpoint on the use of ecological momentary assessment in clinical trials. JMIR Mental Health， 6（5）， e11845.

Moher， D.， Liberati， A.， Tetzlaff， J.， Altman， D. G.， & PRISMA Group. （2009）. Preferred reporting items for systematic reviews and meta-analyses： The PRISMA statement. PLoS Medicine， 6（7）， e1000097.

Mokkink， L. B.， Terwee， C. B.， Patrick， D. L.， Alonso， J.， Stratford， P. W.， Knol， D. L.， Bouter， L. M.， & de Vet， H. C. （2010）. The COSMIN study reached international consensus on taxonomy， terminology， and definitions of measurement properties for health-related patient-reported outcomes. Journal of Clinical Epidemiology， 63（7）， 737?745.

Moors， A. （2014）. Flavors of appraisal theories of emotion. Emotion Review， 6（4）， 303?307.

Myin-Germeys， I.， Kasanova， Z.， Vaessen， T.， Vachon， H.， Kirtley， O.， Viechtbauer， W.， & Reininghaus， U. （2018）. Experience sampling methodology in mental health research： New insights and technical developments. World Psychiatry， 17（2）， 123?132.

Myin‐Germeys， I.， Peeters， F.， Havermans， R.， Nicolson， N. A.， DeVries， M. W.， Delespaul， P.， & van Os， J. （2003）. Emotional reactivity to daily life stress in psychosis and affective disorder： An experience sampling study. Acta Psychiatrica Scandinavica， 107（2）， 124?131.

Nelson， B.， McGorry， P. D.， Wichers， M.， Wigman， J. T. W.， & Hartmann， J. A. （2017）. Moving from static to dynamic models of the onset of mental disorder： A review. JAMA Psychiatry， 74（5）， 528?534.

*Nelson， J.， Klumparendt， A.， Doebler， P.， & Ehring， T. （2020）. Everyday emotional dynamics in major depression. Emotion， 20（2）， 179?191.

Newman， M. G.， & Llera， S. J. （2011）. A novel theory of experiential avoidance in generalized anxiety disorder： A review and synthesis of research supporting a contrast avoidance model of worry. Clinical Psychology Review， 31（3）， 371?382.

Ormel， J.， VonKorff， M.， Jeronimus， B. F.， & Riese， H. （2017）. Set-Point Theory and personality development： Resolution of a paradox. In J. Specht （Ed.）， Personality development across the lifespan （pp. 117?137）. Elsevier.

*Panaite， V.， Whittington， A.， & Cowden Hindash， A. （2018）. The role of appraisal in dysphoric affect reactivity to positive laboratory films and daily life events in depression. Cognition & Emotion， 32（6）， 1362?1373.

*Pe， M. L.， Kircanski， K.， Thompson， R. J.， Bringmann， L. F.， Tuerlinckx， F.， Mestdagh， M.， ... Gotlib， I. H. （2015）. Emotion-network density in major depressive disorder. Clinical Psychological Science， 3（2）， 292?300.

Price， R. B.， Lane， S.， Gates， K.， Kraynak， T. E.， Horner， M. S.， Thase， M. E.， & Siegle， G. J. （2017）. Parsing heterogeneity in the brain connectivity of depressed and healthy adults during positive mood. Biological Psychiatry， 81（4）， 347?357.

Provenzano， J.， Fossati， P.， Dejonckheere， E.， Verduyn， P.， & Kuppens， P. （2021）. Inflexibly sustained negative affect and rumination independently link default mode network efficiency to subclinical depressive symptoms. Journal of Affective Disorders， 293， 347?354.

Quoidbach， J.， Gruber， J.， Mikolajczak， M.， Kogan， A.， Kotsou， I.， & Norton， M. I. （2014）. Emodiversity and the emotional ecosystem. Journal of Experimental Psychology： General， 143（6）， 2057?2066.

Reichert， M.， Gan， G.， Renz， M.， Braun， U.， Brü?ler， S.， Timm， I.， ... Meyer-Lindenberg， A. （2021）. Ambulatory assessment for precision psychiatry： Foundations， current developments and future avenues. Experimental Neurology， 345， 113807.

Reitsema， A. M.， Jeronimus， B. F.， van Dijk， M.， & de Jonge， P. （2022）. Emotion dynamics in children and adolescents： A meta-analytic and descriptive review. Emotion， 22（2）， 374?396.

Rottenberg， J. （2005）. Mood and emotion in major depression. Current Directions in Psychological Science， 14（3）， 167?170.

Rottenberg， J. （2017）. Emotions in depression： What do we really know？. Annual Review of Clinical Psychology， 13（1）， 241?263.

Ruscio， A. M.， Gentes， E. L.， Jones， J. D.， Hallion， L. S.， Coleman， E. S.， & Swendsen， J. （2015）. Rumination predicts heightened responding to stressful life events in major depressive disorder and generalized anxiety disorder. Journal of Abnormal Psychology， 124（1）， 17?26.

Scheffer， M.， Bascompte， J.， Brock， W. A.， Brovkin， V.， Carpenter， S. R.， Dakos， V.， ... Sugihara， G. （2009）. Early-warning signals for critical transitions. Nature， 461（7260）， 53?59.

Schick， A.， Rauschenberg， C.， Ader， L.， Daemen， M.， Wieland， L. M.， Paetzold， I.， ... Reininghaus， U. （2023）. Novel digital methods for gathering intensive time series data in mental health research： Scoping review of a rapidly evolving field. Psychological Medicine， 53（1）， 55?65.

*Schoevers， R. A.， van Borkulo， C. D.， Lamers， F.， Servaas， M. N.， Bastiaansen， J. A.， Beekman， A. T. F.， ... Riese， H. （2021）. Affect fluctuations examined with ecological momentary assessment in patients with current or remitted depression and anxiety disorders. Psychological Medicine， 51（11）， 1906?1915.

*Schricker， I. F.， Nayman， S.， Reinhard， I.， & Kuehner， C. （2022）. Reciprocal prospective effects of momentary cognitions and affect in daily life and mood reactivity toward daily events in remitted recurrent depression. Behavior Therapy， 54（2）， 274?289.

Seah， T. H. S.， & Coifman， K. G. （2022）. Emotion differentiation and behavioral dysregulation in clinical and nonclinical samples： A meta-analysis. Emotion， 22（7）， 1686?1697.

Servaas， M. N.， Riese， H.， Renken， R. J.， Wichers， M.， Bastiaansen， J. A.， Figueroa， C. A.， ... Ruhé， H. （2017）. Associations between daily affective instability and connectomics in functional subnetworks in remitted patients with recurrent major depressive disorder. Neuropsychopharmacology， 42（13）， 2583?2592.

*Sheets， E. S.， & Armey， M. F. （2020）. Daily interpersonal and noninterpersonal stress reactivity in current and remitted depression. Cognitive Therapy and Research， 44（4）， 774?787.

*Shin， K. E.， Newman， M. G.， & Jacobson， N. C. （2022）. Emotion network density is a potential clinical marker for anxiety and depression： Comparison of ecological momentary assessment and daily diary. British Journal of Clinical Psychology， 61（S1）， 31?50.

Simons， C. J. P.， Drukker， M.， Evers， S.， van Mastrigt， G. A. P. G.， H?hn， P.， Kramer， I.， ... Wichers， M. （2017）. Economic evaluation of an experience sampling method intervention in depression compared with treatment as usual using data from a randomized controlled trial. BMC Psychiatry， 17（1）， 415.

Sliwinski， M. J.， Almeida， D. M.， Smyth， J.， & Stawski， R. S. （2009）. Intraindividual change and variability in daily stress processes： Findings from two measurement-burst diary studies. Psychology and Aging， 24（4）， 828?840.

Sperry， S. H.， & Kwapil， T. R. （2019）. Affective dynamics in bipolar spectrum psychopathology： Modeling inertia， reactivity， variability， and instability in daily life. Journal of Affective Disorders， 251， 195?204.

Sperry， S. H.， Walsh， M. A.， & Kwapil， T. R. （2020）. Emotion dynamics concurrently and prospectively predict mood psychopathology. Journal of Affective Disorders， 261， 67?75.

Starr， L. R.， Hershenberg， R.， Li， Y. I.， & Shaw， Z. A. （2017）. When feelings lack precision： Low positive and negative emotion differentiation and depressive symptoms in daily life. Clinical Psychological Science， 5（4）， 613?631.

Ten Have， M.， de Graaf， R.， van Dorsselaer， S.， Tuithof， M.， Kleinjan， M.， & Penninx， B. W. J. H. （2018）. Recurrence and chronicity of major depressive disorder and their risk indicators in a population cohort. Acta Psychiatrica Scandinavica， 137（6）， 503?515.

*Thompson， R. J.， Bailen， N. H.， & English， T. （2021）. Everyday emotional experiences in current and remitted major depressive disorder： An experience-sampling study. Clinical Psychological Science， 9（5）， 866?878.

Thompson， R. J.， Berenbaum， H.， & Bredemeier， K. （2011）. Cross-sectional and longitudinal relations between affective instability and depression. Journal of Affective Disorders， 130（1?2）， 53?59.

*Thompson， R. J.， Liu， D. Y.， Sudit， E.， & Boden， M. （2021）. Emotion differentiation in current and remitted major depressive disorder. Frontiers in Psychology， 12， 685851.

*Tomko， R. L.， Lane， S. P.， Pronove， L. M.， Treloar， H. R.， Brown， W. C.， Solhan， M. B.， Wood， P. K.， & Trull， T. J. （2015）. Undifferentiated negative affect and impulsivity in borderline personality and depressive disorders： A momentary perspective. Journal of Abnormal Psychology， 124（3）， 740?753.

Tracy， J. L. （2014）. An evolutionary approach to understanding distinct emotions. Emotion Review， 6（4）， 308?312.

Trull， T. J.， & Ebner-Priemer， U. W. （2020）. Ambulatory assessment in psychopathology research： A review of recommended reporting guidelines and current practices. Journal of Abnormal Psychology， 129（1）， 56?63.

Trull， T. J.， Lane， S. P.， Koval， P.， & Ebner-Priemer， U. W. （2015）. Affective dynamics in psychopathology. Emotion Review， 7（4）， 355?361.

Urban-Wojcik， E. J.， Mumford， J. A.， Almeida， D. M.， Lachman， M. E.， Ryff， C. D.， Davidson， R. J.， & Schaefer， S. M. （2022）. Emodiversity， health， and well-being in the Midlife in the United States （MIDUS） daily diary study. Emotion， 22（4）， 603?615.

van de Leemput， I. A.， Wichers， M.， Cramer， A. O.， Borsboom， D.， Tuerlinckx， F.， Kuppens， P.， ... Scheffer， M. （2014）. Critical slowing down as early warning for the onset and termination of depression. Proceedings of the National Academy of Sciences， 111（1）， 87?92.

van der Gucht， K.， Dejonckheere， E.， Erbas， Y.， Takano， K.， Vandemoortele， M.， Maex， E.， Raes， F.， & Kuppens， P. （2019）. An experience sampling study examining the potential impact of a mindfulness-based intervention on emotion differentiation. Emotion， 19（1）， 123?131.

van Genugten， C. R.， Schuurmans， J.， Lamers， F.， Riese， H.， Penninx， B. W. J. H.， Schoevers， R. A.， Riper， H. M.， & Smit， J. H. （2020）. Experienced burden of and adherence to smartphone-based ecological momentary assessment in persons with affective disorders. Journal of Clinical Medicine， 9（2）， 322.

*van Winkel， M.， Nicolson， N. A.， Wichers， M.， Viechtbauer， W.， Myin-Germeys， I.， & Peeters， F. （2015）. Daily life stress reactivity in remitted versus non-remitted depressed individuals. European Psychiatry， 30（4）， 441?447.

Waffenschmidt， S.， Knelangen， M.， Sieben， W.， Bühn， S.， & Pieper， D. （2019）. Single screening versus conventional double screening for study selection in systematic reviews： A methodological systematic review. BMC Medical Research Methodology， 19（1）， 132.

Walker， E. R.， McGee， R. E.， & Druss， B. G. （2015）. Mortality in mental disorders and global disease burden implications： A systematic review and meta-analysis. JAMA Psychiatry， 72（4）， 334?341.

Watson， D.， & Clark， L. A. （1994）. The PANAS-X： Manual for the positive and negative affect schedule. Iowa City， IA： University of Iowa.

Watson， D.， Clark， L. A.， & Carey， G. （1988）. Positive and negative affectivity and their relation to anxiety and depressive disorders. Journal of Abnormal Psychology， 97（3）， 346?353.

Watson， D.， Clark， L. A.， & Tellegen， A. （1988）. Development and validation of brief measures of positive and negative affect： The PANAS scales. Journal of Personality and Social Psychology， 54（6）， 1063?1070.

Watson， D.， & Tellegen， A. （1985）. Toward a consensual structure of mood. Psychological Bulletin， 98（2）， 219?235.

Wayda-Zalewska， M.， Grzegorzewski， P.， Kot， E.， Skimina， E.， Santangelo， P. S.， & Kucharska， K. （2022）. Emotion dynamics and emotion regulation in anorexia nervosa： A systematic review of ecological momentary assessment studies. International Journal of Environmental Research and Public Health， 19（20）， 13659.

Wendt， L. P.， Wright， A. G. C.， Pilkonis， P. A.， Woods， W. C.， Denissen， J. J. A.， Kühnel， A.， & Zimmermann， J. （2020）. Indicators of affect dynamics： Structure， reliability， and personality correlates. European Journal of Personality， 34（6）， 1060?1072.

Wichers， M. （2014）. The dynamic nature of depression： A new micro-level perspective of mental disorder that meets current challenges. Psychological Medicine， 44（7）， 1349?1360.

Wichers， M.， Groot， P. C.， Psychosystems， ESM Group， & EWS Group. （2016）. Critical slowing down as a personalized early warning signal for depression. Psychotherapy and Psychosomatics， 85（2）， 114?116.

Wichers， M.， Wigman， J. T. W.， & Myin-Germeys， I. （2015）. Micro-level affect dynamics in psychopathology viewed from complex dynamical system theory. Emotion Review， 7（4）， 362?367.

*Wigman， J. T. W.， van Os， J.， Borsboom， D.， Wardenaar， K. J.， Epskamp， S.， Klippel， A.， ... Wichers， M. （2015）. Exploring the underlying structure of mental disorders： Cross-diagnostic differences and similarities from a network perspective using both a top-down and a bottom-up approach. Psychological Medicine， 45（11）， 2375?2387.

Willroth， E. C.， Flett， J. A. M.， & Mauss， I. B. （2020）. Depressive symptoms and deficits in stress-reactive negative， positive， and within-emotion-category differentiation： A daily diary study. Journal of Personality， 88（2）， 174?184.

Wright， A. G. C.， Gates， K. M.， Arizmendi， C.， Lane， S. T.， Woods， W. C.， & Edershile， E. A. （2019）. Focusing personality assessment on the person： Modeling general， shared， and person specific processes in personality and psychopathology. Psychological Assessment， 31（4）， 502?515.

Zimmermann， J.， Woods， W. C.， Ritter， S.， Happel， M.， Masuhr， O.， Jaeger， U.， Spitzer， C.， & Wright， A. G. C. （2019）. Integrating structure and dynamics in personality assessment： First steps toward the development and validation of a personality dynamics diary. Psychological Assessment， 31（4）， 516?531.

The dynamic features of emotion dysregulation in major depressive disorder： An emotion dynamics perspective

Abstract： The core feature of major depressive disorder， as defined in the DSM-5， is persistent emotional disturbances characterized by excessive sadness and drastically reduced pleasant emotional experiences. Recent research on emotion dynamics has emphasized that the emotion dysregulation in major depressive disorder goes beyond increased negative emotional intensity and decreased positive emotional intensity. It is also manifested as abnormal patterns of emotion dynamics. A total of 18 studies were included in this systematic review， which utilized ecological momentary assessment to explore everyday emotion dynamics in major depressive disorder. The key findings are as follows： （1） Patients with depression have greater negative emotion fluctuations compared with the healthy control group. These fluctuations were manifested as greater negative emotion variability and instability. （2） Depressed patients exhibit a rigid and inflexible emotional system， characterized by greater negative emotion inertia and denser emotion networks. （3） Depressed patients exhibit abnormalities in emotional reactivity. This is reflected as the mood brightening effect after positive events and greater negative emotion reactivity after negative events. （4） Patients with depression experience a decreased complexity in their emotional system. This is manifested as a lower level of emotion differentiation. Furthermore， patients with remitted depression also exhibit some degree of emotion dysregulation. This review is the first to comprehensively elucidate the primary features of emotion dysregulation in major depressive disorder from the perspective of emotion dynamics. These features provide potential intervention targets with high ecological validity for individualized treatment and relapse prevention of depression.

Keywords： major depressive disorder， emotion dynamics， emotion dysregulation， ecological momentary assessment