需要JoVE订阅才能观看此内容。 请登录或开始免费试用

方法文章

静息态脑电图的微状态与Omega复杂性分析

9.7K 次观看

⸱

DOI：

10.3791/56452

⸱

2018年6月15日

 ,  , 
1Department of Pain Medicine, Peking University People's Hospital, 2Key Laboratory of Child Development and Learning Science of Ministry of Education, Research Center for Learning Science, School of Biological Sciences & Medical Engineering, Southeast University

本文内容

摘要

本文介绍了脑电图（EEG）微状态分析和欧米伽复杂度分析的实验方案，这两种方法均为无参考电极的脑电图测量技术，对于探索脑部疾病的神经机制具有重要价值。

摘要

微状态和omega复杂度是两种无需参考电极的脑电图（EEG）测量指标，能够表征EEG数据的时间和空间复杂性，已被广泛用于研究某些脑部疾病的神经机制。本文旨在逐步描述EEG微状态和omega复杂度分析所依据的实验方案。这两种测量方法的主要优势在于能够消除传统频谱分析中固有的依赖参考电极的问题。此外，微状态分析充分利用了静息态EEG高时间分辨率的特点，所获得的四种微状态类别可分别对应相应的静息态脑网络。omega复杂度用于刻画全脑或特定脑区的空间复杂性，相较于仅关注单通道信号复杂性的传统复杂度指标具有明显优势。这两种EEG测量方法可相互补充，分别从时间和空间维度研究大脑复杂性。

引言

脑电图（EEG）因其具有非侵入性、低成本以及极高的时间分辨率，已被广泛用于临床诊断和科学研究中记录人脑的电活动1。为了研究静息态下的脑电图信号，研究人员已开发出多种脑电图技术（例如，功率谱分析、功能连接性分析）2,3。其中，微状态分析和欧米伽复杂性分析能够充分利用脑电图信号中固有的空间和时间信息4。

既往研究表明，尽管在闭眼或睁眼的静息状态下，脑电图（EEG）信号的空间分布随时间变化，但其瞬时脑地形图呈现出不连续的动态变化，即某些准稳态脑地形图之间交替出现稳定期和短暂的过渡期5。微状态被定义为具有准稳态脑地形图的这些短暂阶段，持续时间为80至120毫秒1。由于不同的电位分布必然由不同的神经源产生，这些微状态可能构成思维活动的基本单元，因而可被视为"思维与情绪的原子"6。利用现代模式分类算法，研究者一致观察到四种静息态脑电微状态类别，分别标记为A类、B类、C类和D类7。此外，研究发现这四种静息态脑电微状态类别与许多静息态功能磁共振成像（fMRI）研究中所观察到的已知功能系统密切相关8,9。因此，微状态分析为研究人脑的静息态网络（RSNs）提供了一种新方法。此外，每类微状态的平均持续时间、出现频率以及四类微状态图的空间拓扑形态，均显著受到某些脑部疾病的影响4,10,11，并与流体智力12和人格特质13相关联。

另一方面，传统的多通道脑电图功能连接性仅能描述两个头皮电极之间的功能连接，因而无法评估整个头皮范围或特定脑区内的全局功能连接。Wackermann（1996）提出的欧米伽复杂度（omega complexity）14，通过结合主成分分析（PCA）与香农熵的计算方法，已被用于量化空间分布脑区之间的宽频带全局同步性。为了评估各个频段的欧米伽复杂度，通常首先进行傅里叶变换25。

微状态和omega复杂度可用于反映两个密切相关的概念， 即时间复杂性和空间复杂性4由于微状态类别代表人脑中的特定心理操作，因此可以反映神经振荡的时间结构。持续时间较短且每秒出现频率较高，表明时间复杂性更高。Omega复杂性与大脑中独立神经源的数量呈正相关，因此通常被视为空间复杂性的指标4.

本文详细描述了脑电图微状态分析和欧米伽复杂性分析的实验方案。脑电图微状态分析和欧米伽复杂性分析分别提供了测量大脑活动时间复杂性和空间复杂性的机会。

访问受限。请登录或开始试用以查看此内容。

方案

本方案已获得当地伦理委员会批准。所有参与者及其家长均已签署本实验的知情同意书。

1. 受试者

  1. 仅纳入15名年龄在14至22岁之间的健康男性青少年受试者（平均值 ± 标准差：18.3 ± 2.8 岁）。
    注：目前用于分析微状态和欧米伽复杂性的方案是为健康受试者开发的，但不仅限于该群体。

2. 脑电图数据记录

  1. 让受试者坐在一个安静、温度可控的房间内的舒适椅子上，在此环境中记录脑电图（EEG）数据。本方案中使用 ANT 脑电图系统采集 20 导联的 EEG 数据。
  2. 将电极帽戴在受试者头部。
    1. 本研究中使用中号尺寸的电极帽，因其适用于大多数青少年或成年男性受试者。对于儿童，请测量每位受试者的头围，并据此选择合适尺寸的电极帽。
    2. 将 Cz 电极置于枕外隆突与鼻根之间约 50% 的位置，以及左右耳道连线中点间约 50% 的位置。将参考电极分别置于左、右乳突骨上。其余头皮电极根据国际 10-20 系统的标准位置放置。
      注意：用于脑电微状态分析和欧米伽复杂度分析时，配备 20 个通道的电极系统和脑电放大器已足够。
  3. 通过将钝头针插入电极孔内，向所有电极注入导电凝胶。使用导电凝胶以降低阻抗。确保所有电极的阻抗均低于 10 千欧姆（kΩ）。
    1. 在此期间，可为受试者提供一些娱乐内容（例如播放短片）。若使用干电极或盐水电极，则跳过注入导电凝胶的步骤。
  4. 指导受试者在 5 分钟的记录过程中闭眼放松。使用数字化软件对脑电信号进行数字化处理并记录。采样率至少设置为 250 样本/秒。在线滤波器的通带范围应宽于 0.1 Hz 至 80 Hz。
    注意：尽管大多数市售的电极-放大器系统采用有源电极系统，可提高脑电信号的信噪比，但在脑电记录期间切勿将该系统靠近任何电子设备。

3. 脑电图数据预处理

注意：脑电图（EEG）数据可使用多种开源或商业软件进行预处理。下文提供的说明专用于 EEGLAB。这只是可用来预处理 EEG 数据的多种可选方案之一。

  1. 将原始脑电图（EEG）数据导入脑电图软件（例如 EEGLAB）（文件 | 导入数据 | 使用 EEGLAB 函数和插件）。
    注意：EEGLAB 可识别来自不同电极-放大器系统的原始脑电图（EEG）数据，例如 EGI、ANT、Brain Vision recorder 和 Neuroscan。
  2. 将通道位置文件加载到脑电图软件中（编辑 | 通道位置）。尽管脑电数据和通道名称已导入 EEGLAB，但仍需将通道位置文件导入脑电图软件，以获取这些电极的空间位置。
  3. 移除参考电极（编辑 | 选择数据 | 选择通道范围内的数据）。在选项中 "选择通道范围内的数据" 在弹出的对话框中，仅选择记录电极，不要选择参考电极，以便移除参考电极。由于这两个参考电极分别置于左侧和右侧乳突骨，其所记录的数据并非“真实的”脑信号。
  4. 在 0.5 至 80 Hz 范围内对 EEG 数据进行带通滤波（工具｜滤波数据｜基本 FIR 滤波器［新版，默认］）。在弹出的对话框中，选择 5 作为 "频率通带下限（Hz）"，并选择 80 作为 "频率通带的上限（Hz）"然后点击按钮 "好的".
  5. 使用陷波滤波器在49至51 Hz之间去除电源线噪声（工具 | 滤波数据 | 基本FIR滤波器[新，默认]）。在弹出的对话框中，选择49作为下限频率 "频率通带下限（Hz）"，并选择 51 作为 "频率通带的上限（Hz）"，并选择该选项 "使用陷波滤波器处理数据，而非通带滤波"然后点击按钮 "好的".
  6. 使用盲源分离（Blind Source Separation, BSS）算法校正由眼动、肌电图（EMG）或任何其他非生理伪迹污染的数据部分15对于眼动伪迹，点击工具 | 使用AAR 1.3进行伪迹去除 | EOG去除 | 使用BSS；对于肌电伪迹，选择工具 | 使用AAR 1.3进行伪迹去除 | 使用BSS去除EMG。
  7. 将预处理后的连续脑电图（EEG）数据分割为片段，每个片段时长为2 s。为此，编写“EEG = eeg_regepochs(EEG, 'recurrence', 2, 'limits',[0 2],'rmbase' ,NaN); pop_saveset(EEG)，然后按键盘上的 Enter 键。此时将弹出一个窗口，允许保存分割后的 EEG 数据。
  8. 将分割后的脑电图数据导入脑电图软件（文件 | 加载现有数据集）。
  9. 拒绝任何电极上振幅值超过 ± 80 µV 的 EEG 数据段（工具 | 拒绝数据段 | 拒绝数据［所有方法］）。
  10. 保存预处理后的脑电图数据（文件 | 将当前数据集另存为）。

4. 脑电微状态分析

注意：微状态类别分析采用经典K均值聚类算法的一种改进版本16，该算法包含自下而上和自上而下两个步骤。在自下而上的步骤中，以空间相关性作为聚类判据，识别出组水平的微状态类别。随后在自上而下的步骤中，将每个被试在每组中的每个地形图分配给空间相关性最大的脑电微状态类别。在静息态脑电微状态分析中，通常忽略地形图的极性。脑电微状态类别分析可借助多种开源软件完成，例如CARTOOL、sLORETA、EMMA和MapWin。以下提供的操作说明专门针对EEGLAB的Microstates插件。该EEGLAB插件可从https://sccn.ucsd.edu/wiki/EEGLAB_Extensions_and_plug-ins下载。

  1. 对于每位受试者，加载预处理后的脑电图数据（文件 | 加载现有数据集），将参考通道转换为共同平均参考（工具 | 重参考），并对脑电图数据在2至20 Hz范围内进行带通滤波（工具 | 滤波数据 | 基本FIR滤波器[新建，默认]）。
  2. 确定每个被试的四个微状态图谱（工具 | 微状态 | 确定微状态图谱）。在弹出的对话框中，选择 3 作为微状态数量。 "最少课程数量"，选择6作为 "最大班级数量"，选择 50 作为 "重启次数"，选择 "使用地图的最大数量"，并选择以下选项 "仅GFP峰" 和 "无极性"然后点击按钮 "好的".
  3. 在识别出每个受试者的微状态图谱后，保存其脑电图数据（文件 | 另存为当前数据集）。
  4. 一次性导入上一步中保存的所有受试者的脑电图（EEG）数据集（文件 | 加载现有数据集）。
  5. 识别组水平的微状态图谱（工具 | 微状态 | 跨数据集平均微状态图谱）。在弹出的对话框中，选择所有被试数据集的选项 "选择用于平均的组别". 在选项中 "平均值名称"，为组水平微状态图命名。默认名称为 "总平均值"然后点击按钮 "好的"。这将创建一个名为 "总平均值"，用于存储组水平的微状态图谱。
  6. 手动按照经典顺序排列四个组水平微状态图的顺序（绘图 | 编辑微状态图）。在弹出窗口中选择 "更多"，随后显示的地图数量变为四幅。选择 "男性，排序"在弹出的对话框中，输入四个组水平微状态图的新顺序，然后单击 "关闭".
  7. 对每位受试者的四个微状态图谱进行排序（工具 | 微状态 | 根据均值对个体微状态图谱进行排序）。
  8. 保存每位受试者的微状态参数（工具 | 微状态 | 量化数据集中的微状态 [平均模板图]），该操作将依次弹出两个对话框。
    1. 在第一个对话框中，选择所有受试者的数据集。在第二个对话框中，选择 "4 类" 用于选项 "课程数量"，选择以下选项 "仅对 GFP 峰值进行拟合" 和 "去除可能被截断的微状态"，选择 30 作为 "标签平滑窗口（ms）" 并选择 1 作为 "非光滑性惩罚"然后点击 "好的"将保存一个存储微状态参数的 csv 文件到计算机中。

5. Omega 复杂度分析

  1. 使用自定义脚本将每个时间段和每位受试者的脑电图数据以 ASCII 或 txt 格式保存。步骤 5.1 的自定义脚本示例可在补充材料中找到。
    注意：若需计算全脑 omega 复杂度，则需导出所有头皮电极的脑电图数据为 ASCII 或 txt 格式；若计算区域 omega 复杂度，则仅导出该头皮区域电极的脑电图数据。例如，为计算前部 omega 复杂度，仅导出前部区域电极（即 Fp1、Fp2、F7、F3、Fz、F4 和 F8）的数据；为计算后部 omega 复杂度，仅导出后部区域电极（即 T5、T6、P3、P4、Pz、O1 和 O2）的数据。
  2. 使用 sLORETA 软件17（工具 | 全局连接性）计算所有离散频率的 omega 复杂度。该软件可从 http://www.uzh.ch/keyinst/loreta.htm 获取。
  3. 使用自定义脚本26 计算每个频段的 omega 复杂度。在本研究中，将以下八个频段的 omega 复杂度计算为各频段范围内的平均值：delta（0.5–3.5 Hz）、theta（4–7.5 Hz）、alpha1（8–10 Hz）、alpha2（10.5–13.5 Hz）、beta1（14–18 Hz）、beta2（18.5–30 Hz）、gamma1（30.5–48 Hz）和 gamma2（52–80 Hz）4。步骤 5.3 的自定义脚本示例可在补充材料中找到。

访问受限。请登录或开始试用以查看此内容。

结果

脑电图微状态

图1展示了经总均值归一化处理的微状态图谱。图1中识别出的这四种微状态类别的电位分布格局与以往研究中发现的结果非常相似4。

健康受试者的微状态参数均值和标准差（SD）如表1所示。微状态A类的出现频率为3.44 ± 1.29次/秒，持续时间为72 ± 13毫秒。微状态B类的出现频率为3.54 ± 0.85次/秒，持续时间为71 ± 18毫秒。微状态C类的出现频率为3.85 ± 0.63次/秒，持续时间为69 ± 9毫秒。微状态D类的出现频率为3.41 ± 0.78次/秒，持续时间为66 ± 11毫秒。

访问受限。请登录或开始试用以查看此内容。

讨论

本文详细描述了两种脑电图分析方法，即微状态分析和omega复杂度分析，分别用于测量人脑的时间复杂性和空间复杂性。该实验方案中包含若干关键步骤需特别指出：首先，在进行微状态和omega复杂度计算之前，必须对脑电数据进行预处理以去除噪声；其次，脑电数据应在计算微状态和omega复杂度前重参考至平均参考；第三，连续的脑电数据必须在计算微状态和omega复杂度之前分割为若干片段，每个片段的长度应为2秒；最后，可用于微状态分析的软件包括Cartool（https://sites.google.com/site/cartoolcommunity/about）、sLORETA（http://www.uzh.ch/keyinst/loreta.htm）和MapWin（http://www.thomaskoenig.ch/index.php/software/mapwin）。本研究中，微状态分析是通过EEGLAB中的一个插件完成的。

尽管此处进行的微状态分析应用于静息态脑电图（EEG）数据，但它也可轻松应用于事件相关电位（ERPs），这将有助于我们揭示认知实验中多种认知操作的时间进程，并为ERP分析...

访问受限。请登录或开始试用以查看此内容。

披露

作者无任何利益冲突需要披露。

致谢

本文受到国家自然科学基金（31671141）的支持。

访问受限。请登录或开始试用以查看此内容。

材料

本文使用的材料清单
姓名公司目录编号评论
ANT 20通道脑电/事件相关电位系统ASA-Lab, ANT B.V., Netherlands公司网站地址：
http://www.ant-neuro.com/
用于微状态分析的EEGLAB插件Thomas Koenighttps://sccn.ucsd.edu/wiki/EEGLAB_Extensions_and_plug-ins
sLORETARoberto D. Pascual-Marquihttp://www.uzh.ch/keyinst/loreta.htm
MATLAB 2010aThe MathWorks Inc.公司网站地址：
http://www.mathworks.com/
eeglab加州大学圣地亚哥分校斯瓦茨计算神经科学中心https://sccn.ucsd.edu/eeglab/index.php

参考文献

  1. Khanna, A., et al. Microstates in resting-state EEG: current status and future directions. Neurosci Biobehav Rev. 49, 105-113 (2015).
  2. Chen, J. L., Ros, T., Gruzelier, J. H. Dynamic changes of ICA-derived EEG functional connectivity in the resting state. Hum Brain Mapp. 34 (4), 852-868 (2013).
  3. Imperatori, C., et al. Aberrant EEG functional connectivity and EEG power spectra in resting state post-traumatic stress disorder: a sLORETA study. Biol Psychol. 102, 10-17 (2014).
  4. Gao, F., et al. Altered Resting-State EEG Microstate Parameters and Enhanced Spatial Complexity in Male Adolescent Patients with Mild Spastic Diplegia. Brain Topogr. 30 (2), 233-244 (2017).
  5. Seitzman, B. A., et al. Cognitive manipulation of brain electric microstates. Neuroimage. 146, 533-543 (2017).
  6. Lehmann, D., Michel, C. M. EEG-defined functional microstates as basic building blocks of mental processes. Clin Neurophysiol. 122 (6), 1073-1074 (2011).
  7. Koenig, T., et al. Millisecond by millisecond, year by year: normative EEG microstates and developmental stages. Neuroimage. 16 (1), 41-48 (2002).
  8. Britz, J., Van De Ville, D., Michel, C. M. BOLD correlates of EEG topography reveal rapid resting-state network dynamics. Neuroimage. 52 (4), 1162-1170 (2010).
  9. Musso, F., et al. Spontaneous brain activity and EEG microstates. A novel EEG/fMRI analysis approach to explore resting-state networks. Neuroimage. 52 (4), 1149-1161 (2010).
  10. Strelets, V., et al. Chronic schizophrenics with positive symptomatology have shortened EEG microstate durations. Clin Neurophysiol. 114 (11), 2043-2051 (2003).
  11. Kikuchi, M., et al. EEG microstate analysis in drug-naive patients with panic disorder. PLoS One. 6 (7), e22912(2011).
  12. Santarnecchi, E., et al. EEG Microstate Correlates of Fluid Intelligence and Response to Cognitive Training. Brain Topogr. , (2017).
  13. Schlegel, F., et al. EEG microstates during resting represent personality differences. Brain Topogr. 25 (1), 20-26 (2012).
  14. Wackermann, J. Beyond mapping: estimating complexity of multichannel EEG recordings. Acta Neurobiol Exp (Wars). 56 (1), 197-208 (1996).
  15. Jung, T. P., et al. Removing electroencephalographic artifacts by blind source separation. Psychophysiology. 37 (2), 163-178 (2000).
  16. Pascual-Marqui, R. D., Michel, C. M., Lehmann, D. Segmentation of brain electrical activity into microstates: model estimation and validation. IEEE Trans Biomed Eng. 42 (7), 658-665 (1995).
  17. Pascual-Marqui, R. D. Standardized low-resolution brain electromagnetic tomography (sLORETA): technical details. Methods Find Exp Clin Pharmacol. 24, Suppl D. 5-12 (2002).
  18. Hu, L., et al. The primary somatosensory cortex contributes to the latest part of the cortical response elicited by nociceptive somatosensory stimuli in humans. Neuroimage. 84, 383-393 (2014).
  19. Murray, M. M., Brunet, D., Michel, C. M. Topographic ERP analyses: a step-by-step tutorial review. Brain Topogr. 20 (4), 249-264 (2008).
  20. Van de Ville, D., Britz, J., Michel, C. M. EEG microstate sequences in healthy humans at rest reveal scale-free dynamics. Proc Natl Acad Sci U S A. 107 (42), 18179-18184 (2010).
  21. Gonuguntla, V., Mallipeddi, R., Veluvolu, K. C. Identification of emotion associated brain functional network with phase locking value. Conf Proc IEEE Eng Med Biol Soc. 2016, 4515-4518 (2016).
  22. Wen, D., et al. Resting-state EEG coupling analysis of amnestic mild cognitive impairment with type 2 diabetes mellitus by using permutation conditional mutual information. Clin Neurophysiol. 127 (1), 335-348 (2016).
  23. Rosales, F., et al. An efficient implementation of the synchronization likelihood algorithm for functional connectivity. Neuroinformatics. 13 (2), 245-258 (2015).
  24. Jia, H., Peng, W., Hu, L. A novel approach to identify time-frequency oscillatory features in electrocortical signals. J Neurosci Methods. 253, 18-27 (2015).
  25. Wackermann, J. Global characterization of brain electrical activity by means of the Ω complexity production rate. Brain Topogr. 18, 135(2005).
  26. Wackermann, J., Putz, P., Gaßler, M. Unfolding EEG spatial complexity as a function of frequency. Brain Topogr. 16 (2), 124(2003).

访问受限。请登录或开始试用以查看此内容。

重印与许可

标签

脑电图微状态分析静息态脑电图脑电图预处理带通滤波伪迹去除微状态映射组水平分析EEG Lab 软件无参考脑电图
静息态脑电图的微状态与Omega复杂性分析
联系我们
向图书馆推荐

隐私政策

使用条款

政策

版权所有 © 2026 MyJoVE Corporation。保留所有权利。