EEG microstates

简介

  1. 静息态下的大脑并非保持不活动状态，不同空间分布的脑区（distributed brain areas）或者说神经元以一种有组织的形式活跃着，为处理外在刺激做着最优的准备(Fox and Raichle, 2007, Fox et al., 2005, Greicius et al., 2003).
  2. 如何刻画大脑不同脑区之间的协同工作关系？
    1. 使用rfMRI构建大脑静息态网络（resting-state networks, RSNs）。具有并行加工的组织特征，即多个大脑网络之间同时活动，以一种分布式协同工作的方式实现不同的大脑功能。 具有高空间分辨率，但时间分辨率太低，其信号基本处于0.08-0.15的低频频段上。而有研究指出，为了调解复杂的心理活动并以最佳方式对快速变化的输入做出响应，网络必须在亚秒级的时间范围内重组为不同的空间模式。这显然是fmri方法构建的 RSN无法实现的。
    2. EEG/MEG可以在亚秒级的时间尺度上记录大脑神经元的电活动，因而能够更好地刻画静息态下大脑的时间动力学特征及其对刺激加工的影响。
  3. 定义：脑电微状态测量了短时间内头皮电压分布（地形图拓扑结构）的准稳定性，是一种高时间精度的脑电空间信息测量指标。单个地形图的准稳定周期（80-120ms）称为微状态。EEG的微状态可以视为fMRI所测量的静息态脑网络（RSN），其所反映的都是不同空间分布的大脑脑区在神经活动上的同步性，其区别在于前者具有高时间分辨率和低时间分辨率，而后者恰恰相反。 Lehmannet al.证明多通道静息态EEG信号的alpha频段（8-12Hz）可以被解析为几个不同的准稳态。这些“微状态”（离散状态）是由头皮上的多通道电极记录的地形图拓扑结构来定义，在迅速过渡到不同的微状态之前，地形图在80-120 ms内保持稳定。微状态分析同时考虑所有电极信号建立功能状态的全局表征。
  4. 脑电微状态与静息态网络密切相关。最近EEG-fMRI同步研究表示，无论在清醒的静息状态下(Britz et al., 2010; Musso et al., 2010; Van de Ville et al., 2010)，还是在慢波睡眠状态下（Xu et al., 2020），EEG微状态和fmri静息态网络存在高度的相关关系。
  5. 脑电微状态在脑疾病中的临床应用越来越多。有研究表明脑电微状态可以作为多种疾病的biomarker(schizophrenia: Tomescu et al., 2014; AD: Chu et al., 2020).

表现形式（指标）

  1. 利用多通道电极采集的数据可以确定电位场的空间分布，并绘制出3D电位地形图。地形图空间结构的不同反映着不同神经元的激活，脑电微状态就使用 脑电地形图作为大脑状态的主要区分指标。
  2. 在头皮电位地形图的计算中，前人主要使用k-mean聚类方法并通过交叉验证标准确定最佳聚类数。前人研究发现 最佳地图数为4个,这四个聚类图解释的总体方差为65%~84% （Koenig et al., 2002）：
    1. A
    2. B
    3. C
    4. D
  3. 确定微状态之后，将聚类地形图拟合到数据中，从不同的微状态中提取以下时间参数并计算（思影科技 ，作者杨晓飞）： 1）微状态保持稳定的平均持续时间； 2）微状态的发生频率； 3）微状态总记录时间的分数。 4）每个微状态的总体方差； 5）微状态到任何其他微状态的转换概率。

计算步骤和方法

  1. EEG数据预处理
  2. 使用Cartool软件分三步进行微观状态分析（Chu et al., 2020方法部分）： 2.1 第一步中，计算全局场功率(Global Field Power，GFP)时间序列。GFP是对头皮电位强度的测量，它基于每个采样点上所有电极之间的电位差，从而得到每个采样点电场强度的标量值(Skrandies, 1989)。 高GFP意味着峰值附近的EEG地形图分布稳定，而且GFP最大值处EEG信号的信噪比也最大。因此，选择GFP峰时间点所有电极的瞬时电压幅度值进行聚类分析。GFP最大值处的瞬时脑电势场称为map。 2.2 第二步，个体水平上聚类分析。先对每个参与者的头皮地图进行改进的k-means聚类，再通过交叉验证(cross-validation, CV)标准确定最佳聚类数。多项研究表明，受试者的最佳聚类数为4个，因此，我们将聚类数量设置为2-6个，根据最大全局解释方差(GEV)选择最优类集，然后分别将两组(PD组和health组)的原始瞬时图聚类为4个微状态类。 2.3 最后，以生成的类标记组图为模板，将每个受试者原始个体连续EEG序列划分为4个微状态类(A、B、C、D类)。
  3. 使用EEGLAB插件计算EEG微状态：
    1. Microstate EEGlab toolbox

References

  1. Michel, C. M. and T. Koenig (2018). “EEG microstates as a tool for studying the temporal dynamics of whole-brain neuronal networks: A review.” NeuroImage 180: 577-593.
  2. Xu, J., Pan, Y., Zhou, S., Zou, G., Liu, J., Su, Z., … & Gao, J. H. (2020). EEG microstates are correlated with brain functional networks during slow-wave sleep. NeuroImage, 116786.
  3. Chu, C., Wang, X., Cai, L., Zhang, L., Wang, J., Liu, C., & Zhu, X. (2020). Spatiotemporal EEG microstate analysis in drug-free patients with Parkinson’s disease. NeuroImage: Clinical, 25, 102132.
  4. Dierks, T., Jelic, V., Julin, P., Maurer, K., Wahlund, L. O., Almkvist, O., … & Winblad, B. (1997). EEG-microstates in mild memory impairment and Alzheimer’s disease: possible association with disturbed information processing. Journal of neural transmission, 104(4), 483-495.
  5. Gui, P., Jiang, Y., Zang, D., Qi, Z., Tan, J., Tanigawa, H., … & Mao, Y. (2020). Assessing the depth of language processing in patients with disorders of consciousness. Nature Neuroscience, 1-10.
  6. 脑电微状态方法介绍
  7. Koenig, T., Prichep, L., Lehmann, D., Sosa, P. V., Braeker, E., Kleinlogel, H., … & John, E. R. (2002). Millisecond by millisecond, year by year: normative EEG microstates and developmental stages. Neuroimage, 16(1), 41-48.
  8. Khanna, A. , Pascual-Leone, A. , Michel, C. M. , & Farzan, F. . (2015). Microstates in resting-state eeg: current status and future directions. Neuroscience & Biobehavioral Reviews, 49, 105-113.
  9. 静息态EEG微状态：现状及未来发展方向