摘要

近年来，脑电(EEG)微状态越来越多地用于以毫秒尺度研究大规模脑网络的时间动态。通过研究其地形和时间序列，微状态研究有助于理解大脑在静息状态下的功能组织及其在神经或精神疾病中的变化。不同研究中的伪迹去除策略可能会改变微状态的地形和特征，从而可能降低研究结果的可推广性和可比性。因此，本研究的目的是测试微状态提取过程的可靠性以及微状态特征在不同脑电数据预处理策略下的稳定性，这些策略使用独立成分分析(ICA)去除数据中的伪迹。研究使用的是一个常规的静息态EEG数据集，其中包括受试者交替进行睁眼(EO)和闭眼(EC)两种状态的实验数据。执行了四种策略的测试：(i)不进行ICA预处理步骤，(ii)仅去除眼动伪迹，(iii)去除所有可靠识别的生理/非生理伪迹，(iv)仅保留可靠识别的大脑独立成分(ICs)。研究结果显示，跳过眼动伪迹去除步骤会影响微状态评估标准的稳定性、微状态地形，并大大降低EO/EC条件下微状态特征比较的统计功效，但当使用更为严格的预处理方法时，这些差异并不那么显著。总的来说，如果数据质量好并且去除了眼动伪迹，微状态地形和特征可以有效地反映大脑活动，即使在不同预处理步骤下也具有稳健性，这为自动化微状态提取流程铺平了道路。

引言

近年来，脑电(EEG)微状态研究因其在精神障碍诊断、监测、预后和预防方面的潜力而广受关注。微状态有助于我们在毫秒尺度上研究大规模脑网络的时间动态，这些网络以不同的同步模式为特征，并且这些模式在40-120ms内保持稳定，然后迅速转换到另一种状态。计算微状态地形的一种方法是执行k均值聚类分析。微状态的时间动态可以通过提取一些特征来分析，例如平均持续时间、特定微状态在一段时间内的平均出现次数、可解释的方差，以及微状态的结构和复杂性。

对现有研究的分析结果显示，不同研究中的微状态地形具有显著的相似性，这使得研究者们通常能在静息态EEG数据中观察到几种“典型”的微状态。然而，对现有研究的进一步分析表明，分配给同一微状态类别的模板地图存在相当大的地形差异。这种变异性可能取决于多种因素，包括用于提取微状态的算法类型或微状态类别的手动错误分类。另一个可能的相关变异性来源是微状态提取前用于预处理数据的流程和伪迹去除技术不同。目前，只要微状态与类似研究中的文献结果相符，数据就被认为预处理得当。然而，不同的伪迹去除策略可能会改变微状态的地形和特征。

独立成分分析(ICA)是去除EEG伪迹最常用的算法之一。事实上，ICA能够将头皮EEG电极上线性混合的信息分解为最大时间独立的成分(IC)过程，这些成分可用于评估个体EEG的有效源动态，而无需定义明确的脑电前向问题头部模型。每个IC都由一个相对于头皮通道的投影模式(通常称为“头皮图”)和时变符号的等效源信号(通常称为IC时程)来表示。在有足够的、经过适当预处理数据的情况下，ICA能够有效区分脑电信号中的各种伪迹，例如心电图(ECG)信号伪迹、头皮和颈部肌肉的肌电图(EMG)活动、由于眼动、眨眼和眼动震颤引起的眼电图(EOG)活动，以及由头皮和电极之间连接偶尔中断所产生的单通道噪声。

将ICA伪迹去除作为微状态预处理步骤需要获得高度可靠的提取成分，并在进一步分析中正确解释和使用这些成分。然而，有时数据中的噪声(源于不充分的数据采集、低阻抗头皮/传感器接口小、无法解析的信号源)、数据采样不足(例如，可用的数据点不足)和算法缺陷(例如，收敛问题、局部极小值的存在)可能会降低IC的质量，这使得除了具有最高解释方差的IC(即眼动活动)之外，很难可靠地识别其他IC。一种可能的预处理方法是首先进行更宽松的滤波(例如，使用更高的高通频率以增加数据的平稳性)，提取ICA成分，然后在更保守的预处理程序(例如较低的高通频率)后将它们用作空间滤波器。这种方法在需要保留低频信号(＜1Hz)的实验中(例如在涉及睡眠/无意识状态的实验中)具有独特优势。

为了帮助识别哪些独立成分(IC)应保留或丢弃以便进行进一步分析，文献中描述了几种方法，例如通过评估数据重采样的稳定性、互信息量的减少或IC地形图的偶极性(即单个等效偶极子与IC头皮地形的拟合度)来进行判断。IC的分类进一步得到了自动分类方法如ICLabel的支持。然而，即使在正确识别IC之后，目前仍没有一套明确的规则来确定哪种IC去除策略最适合微状态提取。

一般来说，IC去除策略可以分为四种，从保守到激进依次为：(i)不进行ICA预处理(即直接使用经过带通滤波、插值坏导和坏段剔除的原始数据)；(ii)仅去除眼部相关的IC(例如眨眼和眼动)；(iii)去除所有可靠识别为生理伪迹的IC(例如心跳、肌肉活动等)；(iv)仅保留可靠识别为脑部IC的成分(基于ICLabel输出概率和偶极性判断)。本研究的目的是测试微状态提取过程的可靠性，即在这四种基于ICA的EEG数据预处理策略下，微状态特征的稳定性，所使用的静息态EEG数据集包含受试者交替进行睁眼(EO)和闭眼(EC)的数据。

材料与方法

实验设置和数据收集

该数据集(共227名参与者)是莱比锡大学马克斯普朗克研究所(Max Plank Institute)“身心情绪互动研究”(Mind-Body-Emotion Interaction study)项目的一部分。数据集包括年轻人(N=153，45名女性，平均年龄=25.1岁，标准差=3.1)和老年人(N=74，37名女性，平均年龄=67.6岁，标准差=4.7)两组样本，所有参与者在纳入研究之前接受了广泛的医学和心理筛查，并在德国莱比锡大学认知神经病学日间诊所和马克斯普朗克人类认知与脑科学研究所进行了测试。所有参与者在参加研究之前均提供了书面知情同意书，获得了相应的报酬，并同意匿名共享数据。有关参与者招募的更多细节可参阅Babayan等人(2019)的研究。

最终，在安静室内记录了216名参与者的静息态EEG数据。受试者坐在屏幕前，交替执行闭眼和睁眼条件，共16个连续的1分钟block。在闭眼条件下，要求受试者保持清醒；在睁眼条件下，要求受试者静坐着，并注视白色背景上的一个黑色十字架。参与者通过Presentation软件(Neurobehavioral Systems Inc.)接收block间变化的提示，并在数据中做了标记。

EEG数据通过一个62通道的主动电极帽(ActiCAP, Brain Products, GmbH, Germany)记录，按照国际10-10电极定位系统排列，并在右眼下方放置了一个额外的电极来记录垂直眼动(vEOG)。FCz为参考电极点，接地点位于胸骨。使用BrainAmp MR plus放大器(Brain Products GmbH, Germany)采集数据，采样率为2500Hz、振幅分辨率为0.1µV，硬件滤波范围为0.015Hz至1kHz。

数据预处理

整个数据处理流程如图1所示。原始数据首先使用零相位1Hz 24阶切比雪夫II型滤波器进行高通滤波，然后使用零相位45Hz 70阶切比雪夫II型滤波器进行低通滤波，最后以250Hz的频率进行重采样。由于所使用的滤波器具有过渡带陡度(rollover steepness)，因此无需额外使用50Hz的陷波滤波器。去除具有极端振幅伪迹的通道，即峰度和/或振幅范围超出其他通道6个标准差的通道。对剩余数据进行平均重参考，并通过主成分分析(PCA)降维后，使用AMICA算法提取独立成分(ICs)。在所有的ICA算法中，AMICA能够最大程度地减少信号之间的依赖性。为了提高ICs的稳定性，在AMICA算法的前五次迭代后，每隔5步就进行3次自动剔除，剔除标准为对数似然值超出5个标准差范围的数据。最大迭代次数设置为2000次。需要注意的是，数据剔除是AMICA算法内部的一个步骤，目的是提高所提取ICs的可靠性。然后，将IC权重应用于ICA前的数据集(即未进行数据剔除的数据集)。

图1.评估预处理对微状态影响的步骤示意图。

使用EEGLAB中的DIPFIT插件对IC头皮地形图(混合矩阵的列)进行偶极子源定位。每个IC的偶极性定义为dip(ICn)=100(1−resvar(ICn))，其中resvar(ICn)是其头皮地形图投影与其单个等效偶极子(或在眼动IC的情况下为双偶极子)之间的残差方差(拟合误差)，该残差方差使用最佳拟合的头部四层球形模型进行计算(半径：71，72，79，85mm，层电导率：0.33，0.0042，1，0.33µS)。偶极型IC的偶极性值大于85%，而准偶极型IC的偶极性值则大于95%。

随后，使用ICLabel为每个IC分配其属于不同类别的概率，具体类别如下：

脑源性：即包含由一个或两个高度连接的皮层区域局部同步活动生成的IC，其功率通常随频率升高而下降。

肌源性：即来源于肌肉运动单元群的IC，通常表现为高频宽带活动，聚合了多个运动单元的动作电位。

眼动：即包含快速或持续“方波”直流偏移的IC，分别由眨眼和眼球水平运动产生。眼球转动会改变其形成的电偶极子(视网膜为负极，角膜为正极)在额部头皮的投影。

心源性：即在时间序列中呈现明显QRS波群的IC，其头皮地形图通常近似为对角线性梯度。

工频噪声：即捕获工频电流噪声影响的IC，在50Hz或60Hz处具有高功率峰值，通常由电器设备或未良好接地的EEG放大器引起。

通道噪声：即表明存在影响单个通道的大幅伪迹或信号质量较差的IC(例如由高阻抗、电极物理移动导致)。

其他：即不属于上述任何类型的IC，例如包含不确定噪声或因ICA算法分离效果不佳而未明确归类的IC。

为比较不同IC去除策略对微状态参数的影响，数据根据四个预处理水平(即清洗强度)进行处理，这些强度是基于去除的IC类型和数量。图2展示了一个示例受试者的分类流程示意图。IC的去除通过以下方式实现：将混合矩阵中对应伪迹IC的列置零后，对IC激活数据进行反向投影。

在RAW预处理条件下，数据中没有去除任何ICs。

在EYES条件下，仅去除被分类为高ICLabel概率(pICLabel＞0.80)的眼动伪迹和偶极性dip(ICn)＞0.85的IC(绿色框标注)。

在ART条件下，去除所有可以可靠分类为生理伪迹的IC。去除的成分包括被分类为眼动伪迹(如EYES条件)、心电活动(pICLabel＞0.80)和高偶极性的肌电活动(pICLabel＞0.80，dip(ICn)＞0.85)。低偶极性或低概率的肌电活动实际上可能是由非稳态噪声引起的(这种噪声仅在特定时段活跃)，或者是由于IC分离不当所致。

HARD条件对应最不保守的预处理方法，在该条件下，所有未被可靠分类为大脑活动的IC(即pICLabel＞0.80，dip(ICn)＞0.80)都被去除。这个过程确保了最干净的信号，但代价是可能会丢弃一定数量的生理数据。

图2.ICs标签。一个示例受试者的IC分类过程。

偶极性阈值的设定基于以下事实：当偶极性大于80/85%时，这些IC有较高的可能性在逐点自举法中也保持稳定。关于ICLabel，初步分析显示，当ICs被正确分类(基于专家审核)时，它们被分配给正确类别的概率至少为0.85/0.90。

微状态提取

在Cartool中分两个阶段进行微状态提取。微状态提取的第一阶段是独立地对每个预处理水平(RAW、EYES、ART、HARD)和条件(睁眼-EO、闭眼-EC)进行处理。EEG微状态分割的步骤如图1所示。

对于每个数据集，首先使用Cartool中的球面样条插值法对缺失通道进行插值处理。然后提取全局场功率(GFP)最大值。对于每个预处理水平、条件和参与者，提取GFP峰值地形图，并通过改进的k均值聚类提取出不同的模板。计算每个GFP地形图与每个随机生成模板之间的空间相关性，同时忽略地形图的极性。

然后，通过平均与模板相关性最高的GFP图，迭代更新每个模板。同时，计算模板图的全局解释方差(GEV)，并迭代此过程，直到GEV达到稳定。对于每个条件(EO和EC)和预处理水平(RAW、EYES、ART、HARD)，使用不同的标准(图3)来确定微状态类别的最佳数量，并通过特定的指标来评估每次分割的效果。将不同标准得到的最佳聚类数的结果合并，然后计算这些结果的均值/中位数，以确定一个最佳的微状态类别数量。使用的标准包括：

Gamma：改编自Goodman和Kruskal，基于一致与不一致聚类对。

Silhouettes：每个聚类一致性的拟合优度评估。

Davies和Bouldin：一种基于簇内和簇间分离度的比率来衡量聚类质量的指标。

Point-Biserial：一种计算二元聚类指数与距离矩阵之间相关性的测量方法。

Dunn：评估所有聚类之间分离度的指标。

Krzanowski-Lai指数：一种衡量聚类内部离散度的指标。

图3.微状态提取评估。

在每个条件下，通过使用第二步修改的k均值聚类，从所有参与者的模板中识别出主导微状态。每个聚类步骤计算200次，以最大化稳定性，并克服k均值算法中随机化过程可能导致的统计不稳定性。最后，计算了所有条件下微状态之间的空间相关性。

拟合和微状态特征

图4展示了每个微状态和预处理水平下EO和EC条件之间的地形相关值。由于EO和EC条件下的数据高度相关，因此在每个预处理水平上，将这两个条件的数据合并在一起，然后重新进行微状态的提取分析。作为微状态拟合的标准程序，计算了在组水平上识别出的每个微状态模板(即微状态拓扑A-E)与每个原始EEG数据集的每个EEG帧之间的空间相关性，同时采用了一个时间平滑约束(6个样本，24ms)来平滑数据。然后，每个EEG帧按照与之最匹配的模板(即微状态)以“赢家通吃”的方式进行标记，从而生成微状态序列以进行进一步分析。相关性低于0.5时不进行标记。每个被试在每个条件(EO，EC)、预处理水平(RAW，EYES，ART，HARD)下的微状态特征通过三因素方差分析(条件×预处理水平×地形图)进行比较，使用Tukey方法进行多重比较校正，结果见图5。比较的特征包括：

持续时间：通过平均该微状态在转变为另一个微状态之前处于活动状态的时间来获得每个微状态的持续时间。

发生率：计算每个微状态在每秒数据中出现的次数。

覆盖率：计算每个微状态在数据集中所覆盖的时间点的相对数量。

全局解释方差(GEV)：即由一组给定的微状态图所解释的数据方差百分比。

图4.微状态头皮地形图。每种预处理条件下(RAW，EYES，ART，HARD)睁眼(EO)和闭眼(EC)头皮地形图的互相关。

图5.微状态结果的评估。

结果

ICs标签

平均而言，共有2±1个(中位数±中位绝对偏差)ICs被可靠地识别为眼动伪迹(EYES-图2中的绿色框)。平均有4±1个ICs被可靠地识别为ART条件(绿色和橙色框)。在HARD条件下，平均去除了34±4个ICs(绿色、橙色和灰色框)。此外，在EO条件下，去除的ICs所解释的方差百分比通常高于EC条件(见表1)。

表1.在EYE、ART和HARD预处理水平以及睁眼(EO)/闭眼(EC)条件下，去除的ICs所解释的方差百分比(均值±标准差)。

微状态评估

在RAW条件下，微状态评估标准显示，睁眼(EO，n=6)和闭眼(EC，n=4)条件下的最佳微状态数量不同(图3)。无论去除多少IC，最终得到的最佳微状态数量会稳定为5个。提高预处理水平也减少了通过元标准得到的微状态数量范围(RAW：EO=4，5，6，7；EC=4，5，6；EYES：EO=4，5；EC=4，5；ART：EO=4，5，7；EC=4，5；HARD：EO=5；EC=5)。

图4显示了EO和EC之间每种微状态的头皮地形图高度相关，在EYES、ART、HARD预处理水平下几乎完全相同，而在RAW条件下略低，尤其是微状态D(相关系数=0.97)和微状态E(相关系数=0.94)。

特征比较

图5展示了最终的微状态图和拟合结果。为了避免Murphy等人(2023)研究中提到的过拟合风险，本研究使用了一个综合考虑所有条件和预处理方法的微状态集来进行拟合分析。总体而言，在所有特征的统计分析中，“地形图”、“预处理”和“条件”之间存在显著的交互作用(p＜0.001)。此外，发生率和GEV在预处理、条件以及预处理/条件交互作用方面显著不同。持续时间的差异仅在考虑条件和预处理/条件交互作用时显著。

更具体地说，关于微状态A，在除RAW外的所有预处理水平中，睁眼(EO)条件下的持续时间、覆盖率和发生率显著高于闭眼(EC)条件(p＜0.05)。无论预处理条件如何，EC条件下的GEV值显著高于EO条件(p＜0.001)。此外，在EC条件下，只有RAW和HARD这两种预处理方式之间的差异达到了显著性。对于微状态B，EO和EC之间的持续时间差异在任何预处理条件下都不显著。在EC条件下，RAW的覆盖率、发生率和GEV显著高于HARD(p＜0.01)。

虽然对于微状态A和B，EO条件下的持续时间和覆盖率高于EC条件，但微状态C的持续时间和覆盖率则相反，EO条件下的值低于EC条件(p＜0.001)。然而，在RAW条件下，这些差异并不显著(尽管EO的值相对于EC较高，但并不显著)。在EO条件下，RAW的持续时间和覆盖率显著高于其他预处理水平(p＜0.001)。在除RAW外的所有预处理水平中，单独比较EO/EC条件下的持续时间、覆盖率和GEV值均显著。

在RAW条件下，微状态D的覆盖率、发生率和持续时间显著低于EYES、ART和HARD条件，而这种差异在EO条件下比在EC条件下更为明显(EO：p＜0.001，EC：p＜0.05)。在所有预处理水平下，EO条件下的GEV低于EC条件(p＜0.001)，但在不同的预处理水平之间未观察到显著差异。

最后，在EO条件下(与EC条件相比)，微状态E的持续时间、覆盖率、发生率和GEV都有显著的差异。另一方面，预处理水平的差异在以下指标中显著：EO条件下的覆盖率(RAW与所有其他预处理水平相比，p＜0.05)、EO条件下的GEV(RAW与HARD相比，p＜0.05)，以及EC条件下的GEV(HARD与所有其他预处理水平相比，p＜0.05)。

结论

研究结果表明，微状态特征在不同预处理水平下具有较高的稳定性。除RAW条件(未进行ICA预处理)外，其他预处理方式(EYES、ART、HARD)在持续时间、覆盖率、发生率和全局解释方差(GEV)方面的差异在睁眼(EO)和闭眼(EC)条件下不显著。预处理水平对EO和EC条件下的微状态特征比较影响较小，但完全跳过预处理会显著增加数据的变异性，导致EO/EC之间的差异几乎消失。总体而言，在数据质量良好且去除眼动伪迹的情况下，微状态地形图及其特征对肌电相关伪迹和非生理伪迹具有较强的鲁棒性，并且能够有效地捕捉与大脑活动相关的生理信号。这一发现为微状态分析的标准化和自动化流程提供了重要依据。

参考文献：Artoni, F., Michel, C.M. How does Independent Component Analysis Preprocessing Affect EEG Microstates? Brain Topogr 38, 26 (2025). https://doi.org/10.1007/s10548-024-01098-4

小伙伴们关注茗创科技，将第一时间收到精彩内容推送哦～