作为一种连续现象的EEG微状态

近年来，脑电微状态分析作为一种描述大规模电生理数据时空动态性特征的工具得到了广泛的应用。脑电微状态被认为存在两种假设：(1)“胜者为王”，即任何给定时间点的地形图都处于一种状态；(2)从一种状态离散地转换到另一种状态。在本研究中，我们从脑电数据的几何角度研究了这些假设，将微状态地形作为原始通道空间子空间的基向量。我们发现，微状态内和微状态间的距离分布在很大程度上是重叠的：对于低全局场强 (GFP)范围，标记为一个微状态的单个时间点通常与多个微状态向量等距，这挑战了“胜者为王”的假设。在高场强下，微状态的可分性有所改善，但仍然较弱。虽然许多GFP峰(用于定义微状态的时间点)出现在高GFP范围内，但与较差可分性相关的低GFP范围也包含GFP峰。此外，几何分析表明，微状态及其跃迁看起来更像是连续的，而不是离散的，传感器空间轨迹变化率的分析显示了渐进的微状态转变。综上所述，我们的发现表明，脑电微状态被认为在空间和时间上是连续的更好，而不是神经集群的离散激活。 1.背景 基于脑电地形图具有准稳定模式的发现，研究人员描述这些稳定的地形图为脑电微状态。脑电微状态分析被认为是研究许多认知过程的神经特征的有效方法，也是研究脑电动态性并将之与认知和疾病联系起来的一种有效的方法。 当前的微状态模型基于两个关键假设，其中之一就是在任何时间点都存在一个单一的状态，即“胜者为王”原则。在脑电数据的几何角度下，M通道脑电数据集可以概念化为M维空间，每个时间点的地形对应于该M维空间中的一个坐标。微状态分析也可以看作是一种降维技术，它将每个微状态概念化为一维子空间，即表征为传感器空间中的向量。目前，将脑电数据紧密分布在(少量)微状态向量周围的假设称为离散性假设。如果微状态分析的离散性假设成立，那么与每个微状态相关的数据点应该紧密地分布在其父向量的周围，并且快速过渡到另一个微状态。 本研究使用标准微状态分析并结合经验和仿真数据的正交投影距离来表明，在传感器空间中，一个微状态内的时间点不一定局限于其父微状态向量周围。相反，单个时间点的地形图可以接近于多个微状态，并且取决于全局场功率，并且随着时间的推移而平滑地改变。因此，本研究表明，时空离散性的假设可能不能准确地捕捉到微状态的本质。此外，我们还证明了主成分分析可以用来可视化3D中的数据分布，因为它保留了不同聚类之间和聚类内的距离。 2.材料与方法 2.1 数据描述 本研究中，我们分析了两个数据集。我们使用了68名对照组和46名抑郁症/高BDI组，数据以500 Hz重新采样。 2.2 实验装置 使用64通道神经扫描系统记录数据，电极布置符合10-10国际系统。 2.3 数据分析 使用MATLAB中的EEGLAB工具箱导入数据进行分析。这些数据最初有66个通道，其中60个通道被保留下来进行分析。在进一步分析之前进行平均参考。然后，对数据进行1-30 Hz的带通滤波。执行ICA后手动清理数据。去除无关的伪影成分。 2.4 微状态分析 微状态分析算法包括以下步骤： (1)我们使用L1范数来计算GFP。这产生了GFP的时间序列，它反映了随着时间推移地形中的总能量(图1A-B)。 (2)GFP(t)的局部最大值被送到改进的k-均值聚类算法(步骤3-7)(图1C)。我们选择了四个聚类进行分析。 (3)聚类过程从随机选择n个模板图开始，其中n是聚类或微状态图的数量。 (4)利用GFP峰值数据计算n个模板图的空间相关性。取空间相关性的绝对值确保结果不依赖于地形图极性。 (5)计算模板图的解释方差。 (6)重新定义模板图，通过从每个聚类中提取所有地形图的第一主成分来实现。 (7)重复步骤4至6，直到解释方差不随迭代次数增加而改善。 (8)选择一组新的n个随机选择的模板图，并重复步骤3到7。最后，选择解释方差最大的一组模板图作为最终的微状态向量。

在这里插入图片描述

图1 脑电微状态计算方法及可能的潜在机制。 根据每个时间点具有最大绝对值相关性的微状态模板，将GFP峰值标记为微状态之一。我们将最强相关性模板称为该时间点的“父”微状态。最后，为相邻时间点分配与最近GFP峰值的微状态相对应的父微状态。在两个后续微状态中，选择微状态之间的时间边界作为峰值GFP的中点。 2.5 到微状态向量的距离 我们计算每个数据点到所有微状态子空间的正交投影距离(图2A)。如果微状态遵循“胜者为王”原则，那么从每个时间点的地形图到微状态的正交投影距离对于其父微状态来说应该很小，而对于所有其他微状态来说应该很大(图2B)。此外，如果微状态是离散的，那么时间序列轨迹应该在它被标记为某微状态的持续时间内保持在靠近父微状态的位置，然后突然跳跃到另一个微状态向量；相反，如果EEG在微状态空间中是连续的，那么轨迹将平滑地流经整个空间，而不是保持靠近任何一个微状态子空间(图2C)。

在这里插入图片描述

图2 脑电微状态离散性和连续性的几何解释及其在实际数据中的探索。 2.6 将GFP分组为范围 为了了解微状态距离是否取决于GFP，我们定义了三组GFP范围(分别为每个受试者进行分组)：(1)GFP峰值点(图1B)。GFP峰只是局部峰，因此并不总是对应于高GFP值(图2D和3A)(2)高GFP。从每个受试者的GFP值分布中，我们提取了最大GFP值的15%。(3)低GFP。最低GFP值的15%。所有的分析都是针对这三个GFP范围重复进行的。

在这里插入图片描述

图3 在高GFP范围内的GFP峰接近离散性，在低GFP范围内的GFP峰可以是连续的。 2.7 在3-D空间中可视化数据 我们应用主成分分析(PCA)对数据进行低维可视化。PCA检测由记录的电极定义的原始60维空间中最高方差的方向，我们保留了前3个主成分用于可视化(见图1)。在降维之前没有应用额外的时间平滑。 2.7.1 传感器空间和PC空间的聚类间和聚类内距离之比 为了评估微状态趋向于聚类的程度，以及降维对聚类的影响，我们计算了聚类间距离与簇内距离的比率。此比率的值越高，表示聚类的离散性和可分性越高。当聚类混合时，r趋于1(见图4B和C)。如果一种降维方法保留了低维数据的特征，从而在两个空间中具有相似的比值，则该降维方法是合适的。

在这里插入图片描述

图4 在低GFP范围内，EEG数据更加混杂，PC投影增加了聚类间和聚类内距离比。 2.8 距离的统计分析 我们使用非参数Wilcoxon秩和检验和排列检验来比较不同GFP范围内距离值分布的差异。为了比较两个空间的聚类间和聚类内距离比，在每个GFP范围内使用Wilcoxon排序和检验。计算平均值的标准误差(SEM)。 2.9 轨迹速度和微状态动态性 我们使用轨迹速度来区分脑电微状态的离散和连续时间动态性。 2.10 仿真 我们使用矩形窗函数(离散情况)或重叠的Hann窗函数(连续情况)来模拟脑电(偶极子)的神经发生器。使用openmeeg软件的详细偶极子源模型。为了预测头皮电位，我们使用了相应的Leadfield矩阵。在仿真中，我们比较了头皮脑电发生器的离散激活和连续激活。为此，我们从2004个偶极子的集合中随机选择了4个偶极子，它们代表了微状态的生成器。这4个偶极子按照它们投射到头皮上时有明显的模式来选择(图5A1)。

在这里插入图片描述

图5 仿真脑电数据以提供对微状态空间中连续轨迹的可能机制的观察。 3.结果 3.1 GFP峰值点相对于整个GFP的分布 GFP峰值通常用作估计微状态向量的基础，其基本原理是GFP峰值的集合代表了高信噪比的脑地形图。然而，这一假设存在两个潜在的问题：(1)考虑整个GFP数据和单个对象的GFP峰的分布(图2D2)，这表明GFP峰点既包括高GFP点，也包括低GFP点。标准微状态分析在定义微状态时包含了这些低的GFP点，然而，它们的影响还没有得到彻底的研究。(2)其次，峰值只构成整个数据集的一小部分，因此可能缺少相关信息。 3.2 微态的离散性或连续性取决于GFP 我们的分析表明，数据的变化更加连续，或许是由于导致脑电图的大规模脑活动过程的一般连续性。我们量化了每个时间点的数据到所有微状态的距离。我们观察到了一种类似于前高斯的距离分布，很少有时间点显示出到微状态矢量的非常小或非常大的距离(图2E-G)。本研究的发现没有为脑电微状态的空间离散性假设提供强有力的支持，因为即使在定义了k-均值聚类的GFP峰值的情况下，到所有微状态子空间的距离分布在很大程度上也是重叠的 3.3 GFP峰值与高GFP的离散程度 为了测量离散度的大小，我们使用了聚类间和聚类内距离之间的比率，称为r。我们发现，与高GFP范围和GFP峰相比，低GFP范围的r值较小(图4D1)。然而，对于任何GFP范围，我们都没有发现相对很高的r值(≫1)。因此，即使在GFP峰值和高GFP的情况下，数据也不在传感器空间中的离散聚类中。此外，对于较低的GFP范围，这种点的混合甚至更强。 3.4 基于主成分分析的传感器空间微状态数据可视化 我们发现，聚类间与聚类内距离之比在对所有GFP组应用PCA之后显著增加(图4D2)，表明PC空间中的可分性增强(图4B和C)，然而，r值仍然保持在2以下(其大致对应于两个标准差的聚类中心距离)，表明聚类之间有很大程度的重叠。 我们比较了传感器空间和PC空间中不同的聚类组合和不同的GFP范围的聚类指数。我们发现，在这两个空间中，聚类指数的值在GFP范围内都发生了显著变化。在所有聚类组合中，低GFP显著小于GFP峰值和高GFP。 3.5 发生器离散和连续激活的仿真研究 仿真的第一部分集中于源的离散、二元激活。为了可视化，64维数据被投影到最大的3个主成分上(图5C1)。很明显，偶极子的离散激活导致了很好的可分离聚类。在仿真的第二部分，微状态激活是连续的(图5B2)。偶极子的连续激活导致了主成分空间中相应的连续轨迹(图5C2)。这一模拟在原则上演示了如何通过平滑地重叠底层发生器的激活来获得传感器级别的连续轨迹。 3.6 轨迹速度和微状态动态性 为了量化速度曲线之间的差异，我们对峰值处的速度曲线进行分段，并对每个分段拟合一个渐变余弦函数(图5D1-3)。在离散的模拟情况下，我们发现余弦分数的窄分布更接近于0(图5E1)；而在连续模拟的情况下，我们发现一个更接近1的窄分布(图5E2)。这似乎表明了时间上的连续激活而不是离散激活。 4.讨论 4.1 脑电微状态的动态性和复杂性 我们试图通过测试微状态分析背后的两个关键假设来提供对动态性的新见解。我们发现微状态上比先前假设的在时间更连续，在空间上更不离散。在这个过程中，我们使用聚类分析，同时依赖于脑电微状态的重测可靠性，研究了数据的总体结构。我们对经验数据和模拟的分析提炼了一组神经机制，这些神经机制可能是EEG中观察到的微状态的基础。 4.2 离散与连续脑电微状态的比较 对于父和非父向量，大多数距离分布重叠。GFP峰值包括低GFP值和高GFP值，低GFP点反映了最差的微状态可分性(图2G)。我们对状态之间的转变动态性的分析，即通过速度曲线，进一步支持了一种连续的转变模式，而不是瞬时激活和失活的观点。 4.3 脑电微状态不是“胜者为王”现象 似乎脑电微状态的离散性比最初提出的要小，离散度的大小取决于GFP。对于低GFP点，似乎只存在很小的离散性。我们的结果支持微状态包含了非离散的、重叠的源激活的说法。 5.结论 总而言之，我们的发现不与现阶段大多数脑电微状态研究结果冲突。同时，我们认为，微状态大多包括连续的轨迹，这些轨迹在高GFP期间围绕父向量运行，而不是离散和孤立的聚类。