Name: 静止状态脑电图的微状态和欧米茄复杂性分析 (视频) | JoVE Journal
Uploaded: 2018-06-15T12:30:00.000+00:00
Duration: 6 min 40 s
Description: 学习使用无参考脑电图微状态分析和欧米茄复杂性分析技术，研究静息态脑网络动态。该方法可识别四种微状态图，量化脑电信号复杂度，为脑疾病神经机制研究提供标准化方案。

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

playerTrialDesktop

本文受到国家自然科学基金（31671141）的支持。

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
<ol>
	<li>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。</li>
</ol>
2. 脑电图数据记录
<ol>
	<li>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。</li>
	<li>将电极帽戴在受试者头部。
	<ol>
		<li>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。</li>
		<li>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。</li>
	</ol>
	</li>
	<li>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）。
	<ol>
		<li>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。</li>
	</ol>
	</li>
	<li>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。</li>
</ol>
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。
<ol>
	<li>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。</li>
	<li>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。</li>
	<li>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 &#34;选择通道范围内的数据&#34; 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。</li>
	<li>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 &#34;频率通带下限（Hz）&#34;，并选择 80 作为 &#34;频率通带的上限（Hz）&#34;然后点击按钮 &#34;好的&#34;.</li>
	<li>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 &#34;频率通带下限（Hz）&#34;，并选择 51 作为 &#34;频率通带的上限（Hz）&#34;，并选择该选项 &#34;使用陷波滤波器处理数据，而非通带滤波&#34;然后点击按钮 &#34;好的&#34;.</li>
	<li>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。</li>
	<li>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。</li>
	<li>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）。</li>
	<li>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］）。</li>
	<li>保存预处理后的脑电图数据（文件 | 将当前数据集另存为）。</li>
</ol>
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。
<ol>
	<li>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]）。</li>
	<li>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。 &#34;最少课程数量&#34;，选择6作为 &#34;最大班级数量&#34;，选择 50 作为 &#34;重启次数&#34;，选择 &#34;使用地图的最大数量&#34;，并选择以下选项 &#34;仅GFP峰&#34; 和 &#34;无极性&#34;然后点击按钮 &#34;好的&#34;.</li>
	<li>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）。</li>
	<li>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）。</li>
	<li>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 &#34;选择用于平均的组别&#34;. 在选项中 &#34;平均值名称&#34;，为组水平微状态图命名。默认名称为 &#34;总平均值&#34;然后点击按钮 &#34;好的&#34;。这将创建一个名为 &#34;总平均值&#34;，用于存储组水平的微状态图谱。</li>
	<li>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 &#34;更多&#34;，随后显示的地图数量变为四幅。选择 &#34;男性，排序&#34;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 &#34;关闭&#34;.</li>
	<li>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）。</li>
	<li>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。
	<ol>
		<li>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 &#34;4 类&#34; 用于选项 &#34;课程数量&#34;，选择以下选项 &#34;仅对 GFP 峰值进行拟合&#34; 和 &#34;去除可能被截断的微状态&#34;，选择 30 作为 &#34;标签平滑窗口（ms）&#34; 并选择 1 作为 &#34;非光滑性惩罚&#34;然后点击 &#34;好的&#34;将保存一个存储微状态参数的 csv 文件到计算机中。</li>
	</ol>
	</li>
</ol>
5. Omega 复杂度分析
<ol>
	<li>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。</li>
	<li>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。</li>
	<li>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。</li>
</ol>

<ol><li>Khanna, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Microstates+in+resting-state+EEG%3A+current+status+and+future+directions%5BTitle%5D)+AND+%22Neurosci+Biobehav+Rev%22%5BJournal%5D)">Microstates in resting-state EEG: current status and future directions.</a> Neurosci Biobehav Rev. 49, 105-113 (2015).</li>
<li>Chen, J. L., Ros, T., Gruzelier, J. H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Dynamic+changes+of+ICA-derived+EEG+functional+connectivity+in+the+resting+state%5BTitle%5D)+AND+%22Hum+Brain+Mapp%22%5BJournal%5D)">Dynamic changes of ICA-derived EEG functional connectivity in the resting state.</a> Hum Brain Mapp. 34 (4), 852-868 (2013).</li>
<li>Imperatori, C., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Aberrant+EEG+functional+connectivity+and+EEG+power+spectra+in+resting+state+post-traumatic+stress+disorder%3A+a+sLORETA+study%5BTitle%5D)+AND+%22Biol+Psychol%22%5BJournal%5D)">Aberrant EEG functional connectivity and EEG power spectra in resting state post-traumatic stress disorder: a sLORETA study.</a> Biol Psychol. 102, 10-17 (2014).</li>
<li>Gao, F., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Altered+Resting-State+EEG+Microstate+Parameters+and+Enhanced+Spatial+Complexity+in+Male+Adolescent+Patients+with+Mild+Spastic+Diplegia%5BTitle%5D)+AND+%22Brain+Topogr%22%5BJournal%5D)">Altered Resting-State EEG Microstate Parameters and Enhanced Spatial Complexity in Male Adolescent Patients with Mild Spastic Diplegia.</a> Brain Topogr. 30 (2), 233-244 (2017).</li>
<li>Seitzman, B. A., et al. <a target="_blank" href="https://www.ncbi.nlm.nih.gov/pubmed/27742598">Cognitive manipulation of brain electric microstates.</a> Neuroimage. 146, 533-543 (2017).</li>
<li>Lehmann, D., Michel, C. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((EEG-defined+functional+microstates+as+basic+building+blocks+of+mental+processes%5BTitle%5D)+AND+%22Clin+Neurophysiol%22%5BJournal%5D)">EEG-defined functional microstates as basic building blocks of mental processes.</a> Clin Neurophysiol. 122 (6), 1073-1074 (2011).</li>
<li>Koenig, T., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Millisecond+by+millisecond%2C+year+by+year%3A+normative+EEG+microstates+and+developmental+stages%5BTitle%5D)+AND+%22Neuroimage%22%5BJournal%5D)">Millisecond by millisecond, year by year: normative EEG microstates and developmental stages.</a> Neuroimage. 16 (1), 41-48 (2002).</li>
<li>Britz, J., Van De Ville, D., Michel, C. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((BOLD+correlates+of+EEG+topography+reveal+rapid+resting-state+network+dynamics%5BTitle%5D)+AND+%22Neuroimage%22%5BJournal%5D)">BOLD correlates of EEG topography reveal rapid resting-state network dynamics.</a> Neuroimage. 52 (4), 1162-1170 (2010).</li>
<li>Musso, F., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Spontaneous+brain+activity+and+EEG+microstates.+A+novel+EEG%2FfMRI+analysis+approach+to+explore+resting-state+networks%5BTitle%5D)+AND+%22Neuroimage%22%5BJournal%5D)">Spontaneous brain activity and EEG microstates. A novel EEG/fMRI analysis approach to explore resting-state networks.</a> Neuroimage. 52 (4), 1149-1161 (2010).</li>
<li>Strelets, V., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Chronic+schizophrenics+with+positive+symptomatology+have+shortened+EEG+microstate+durations%5BTitle%5D)+AND+%22Clin+Neurophysiol%22%5BJournal%5D)">Chronic schizophrenics with positive symptomatology have shortened EEG microstate durations.</a> Clin Neurophysiol. 114 (11), 2043-2051 (2003).</li>
<li>Kikuchi, M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((EEG+microstate+analysis+in+drug-naive+patients+with+panic+disorder%5BTitle%5D)+AND+%22PLoS+One%22%5BJournal%5D)">EEG microstate analysis in drug-naive patients with panic disorder.</a> PLoS One. 6 (7), e22912(2011).</li>
<li>Santarnecchi, E., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((EEG+Microstate+Correlates+of+Fluid+Intelligence+and+Response+to+Cognitive+Training%5BTitle%5D)+AND+%22Brain+Topogr%22%5BJournal%5D)">EEG Microstate Correlates of Fluid Intelligence and Response to Cognitive Training.</a> Brain Topogr. , (2017).</li>
<li>Schlegel, F., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((EEG+microstates+during+resting+represent+personality+differences%5BTitle%5D)+AND+%22Brain+Topogr%22%5BJournal%5D)">EEG microstates during resting represent personality differences.</a> Brain Topogr. 25 (1), 20-26 (2012).</li>
<li>Wackermann, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Beyond+mapping%3A+estimating+complexity+of+multichannel+EEG+recordings%5BTitle%5D)+AND+%22Acta+Neurobiol+Exp+%28Wars%29%22%5BJournal%5D)">Beyond mapping: estimating complexity of multichannel EEG recordings.</a> Acta Neurobiol Exp (Wars). 56 (1), 197-208 (1996).</li>
<li>Jung, T. P., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Removing+electroencephalographic+artifacts+by+blind+source+separation%5BTitle%5D)+AND+%22Psychophysiology%22%5BJournal%5D)">Removing electroencephalographic artifacts by blind source separation.</a> Psychophysiology. 37 (2), 163-178 (2000).</li>
<li>Pascual-Marqui, R. D., Michel, C. M., Lehmann, D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Segmentation+of+brain+electrical+activity+into+microstates%3A+model+estimation+and+validation%5BTitle%5D)+AND+%22IEEE+Trans+Biomed+Eng%22%5BJournal%5D)">Segmentation of brain electrical activity into microstates: model estimation and validation.</a> IEEE Trans Biomed Eng. 42 (7), 658-665 (1995).</li>
<li>Pascual-Marqui, R. D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Standardized+low-resolution+brain+electromagnetic+tomography+%28sLORETA%29%3A+technical+details%5BTitle%5D)+AND+%22Methods+Find+Exp+Clin+Pharmacol%22%5BJournal%5D)">Standardized low-resolution brain electromagnetic tomography (sLORETA): technical details.</a> Methods Find Exp Clin Pharmacol. 24, Suppl D. 5-12 (2002).</li>
<li>Hu, L., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+primary+somatosensory+cortex+contributes+to+the+latest+part+of+the+cortical+response+elicited+by+nociceptive+somatosensory+stimuli+in+humans%5BTitle%5D)+AND+%22Neuroimage%22%5BJournal%5D)">The primary somatosensory cortex contributes to the latest part of the cortical response elicited by nociceptive somatosensory stimuli in humans.</a> Neuroimage. 84, 383-393 (2014).</li>
<li>Murray, M. M., Brunet, D., Michel, C. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Topographic+ERP+analyses%3A+a+step-by-step+tutorial+review%5BTitle%5D)+AND+%22Brain+Topogr%22%5BJournal%5D)">Topographic ERP analyses: a step-by-step tutorial review.</a> Brain Topogr. 20 (4), 249-264 (2008).</li>
<li>Van de Ville, D., Britz, J., Michel, C. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((EEG+microstate+sequences+in+healthy+humans+at+rest+reveal+scale-free+dynamics%5BTitle%5D)+AND+%22Proc+Natl+Acad+Sci+U+S+A%22%5BJournal%5D)">EEG microstate sequences in healthy humans at rest reveal scale-free dynamics.</a> Proc Natl Acad Sci U S A. 107 (42), 18179-18184 (2010).</li>
<li>Gonuguntla, V., Mallipeddi, R., Veluvolu, K. C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Identification+of+emotion+associated+brain+functional+network+with+phase+locking+value%5BTitle%5D)+AND+%22Conf+Proc+IEEE+Eng+Med+Biol+Soc%22%5BJournal%5D)">Identification of emotion associated brain functional network with phase locking value.</a> Conf Proc IEEE Eng Med Biol Soc. 2016, 4515-4518 (2016).</li>
<li>Wen, D., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Resting-state+EEG+coupling+analysis+of+amnestic+mild+cognitive+impairment+with+type+2+diabetes+mellitus+by+using+permutation+conditional+mutual+information%5BTitle%5D)+AND+%22Clin+Neurophysiol%22%5BJournal%5D)">Resting-state EEG coupling analysis of amnestic mild cognitive impairment with type 2 diabetes mellitus by using permutation conditional mutual information.</a> Clin Neurophysiol. 127 (1), 335-348 (2016).</li>
<li>Rosales, F., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((An+efficient+implementation+of+the+synchronization+likelihood+algorithm+for+functional+connectivity%5BTitle%5D)+AND+%22Neuroinformatics%22%5BJournal%5D)">An efficient implementation of the synchronization likelihood algorithm for functional connectivity.</a> Neuroinformatics. 13 (2), 245-258 (2015).</li>
<li>Jia, H., Peng, W., Hu, L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+novel+approach+to+identify+time-frequency+oscillatory+features+in+electrocortical+signals%5BTitle%5D)+AND+%22J+Neurosci+Methods%22%5BJournal%5D)">A novel approach to identify time-frequency oscillatory features in electrocortical signals.</a> J Neurosci Methods. 253, 18-27 (2015).</li>
<li>Wackermann, J. Global characterization of brain electrical activity by means of the Ω complexity production rate. Brain Topogr. 18, 135(2005).</li>
<li>Wackermann, J., Putz, P., Gaßler, M. Unfolding EEG spatial complexity as a function of frequency. Brain Topogr. 16 (2), 124(2003).</li>
</ol>

作者无任何利益冲突需要披露。

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...

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&#34;思维与情绪的原子&#34;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。

<table><tbody><tr><td>ANT 20通道脑电/事件相关电位系统</td><td>ASA-Lab, ANT B.V., Netherlands</td><td></td><td>公司网站地址：&lt;br/&gt; http://www.ant-neuro.com/</td></tr><tr><td>用于微状态分析的EEGLAB插件</td><td>Thomas Koenig</td><td></td><td>https://sccn.ucsd.edu/wiki/EEGLAB_Extensions_and_plug-ins</td></tr><tr><td>sLORETA</td><td>Roberto D. Pascual-Marqui</td><td></td><td>http://www.uzh.ch/keyinst/loreta.htm</td></tr><tr><td>MATLAB 2010a</td><td>The MathWorks Inc.</td><td></td><td>公司网站地址：&lt;br/&gt; http://www.mathworks.com/</td></tr><tr><td>eeglab</td><td>加州大学圣地亚哥分校斯瓦茨计算神经科学中心</td><td></td><td>https://sccn.ucsd.edu/eeglab/index.php</td></tr></tbody></table>

静息态脑电图的微状态与omega复杂性分析

Microstate and Omega Complexity Analyses of the Resting-state Electroencephalography

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。

脑电图微状态
经总平均归一化处理的微状态图谱显示如下 图1这四种微状态类别的电位分布图景与先前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与标准差（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。
<p class="jove_step" fo:keep-together.within-p...

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。

静息态脑电图的微状态与Omega复杂性分析

微状态与omega复杂度是两种无需参考的脑电图（EEG）测量指标，可用于表征……的时间和空间复杂性。

本学期已回答了脑部疾病领域的10个问题，例如在当前诊断中如何识别出一对高效的生物标记物。该技术的主要优势在于，当您遵循传统脑电图（EEG）分析方法时，可将其作为待解决问题的参考依据。该技术的应用拓展了我们对人脑静息态网络的理解。开始此操作时，将原始脑电图（EEG）数据导入EEG lab软件。接着，将电极位置文件加载到EEG lab软件中，以获取这些电极的空间位置。为去除参考电极，在弹出对话框的“选择通道范围数据”选项中，仅选择记录电极，不要选择参考电极，从而实现参考电极的移除。为了将脑电图（EEG）数据在0.5至80赫兹范围内进行带通滤波，在弹出的对话框中，将频率通带下限设为0.5赫兹，上限设为80赫兹，然后点击“确定”。为了使用49至51赫兹的陷波滤波器去除电源线噪声，在弹出的对话框中，将频率通带下限设为49赫兹，上限设为51赫兹，然后选择“使用陷波滤波器处理数据”而非带通滤波，并点击“确定”。为了去除眼动伪迹，点击“工具”，然后依次点击“使用AAR 1.3进行伪迹去除”和“使用BSS进行EOG去除”。要移除肌电干扰（EMG），请单击“工具”，然后选择“使用 AAR 1.3 进行伪迹去除及使用 BSS 进行 EMG 去除”。接下来，将预处理后的连续脑电图（EEG）数据分割为若干片段，每个片段长度为两秒。随后将弹出一个窗口，允许保存分割后的 EEG 数据。然后将分割后的脑电图（EEG）数据导入EEG实验室软件，并剔除在任一电极处幅值超过正负80微伏的EEG片段。接下来，保存预处理后的EEG数据。在此步骤中，对每位受试者加载预处理后的EEG数据，将参考电极转换为公共平均参考，对EEG数据进行2至20赫兹的带通滤波。接下来，确定每位受试者的四个微状态图。在弹出的对话框中，将类别最小数量设为3，最大数量设为6，重启次数设为50，选择要使用的最大图谱数量，并勾选“仅GFP峰值”和“无极性”选项。然后，点击“确定”按钮。随后，在识别出每个受试者自身的微状态图后，保存其脑电图（EEG）数据。一次性导入上一步中保存的所有受试者的 EEG 数据集，然后识别组水平的微状态图。在弹出的对话框中，于“选择用于平均的集合”选项中选中所有被试的数据集。在“平均值名称”选项中，为组水平微状态图命名，然后点击“确定”按钮。这将创建一个名为 GrandMean 的新数据集，用于存储组水平微状态图。根据经典顺序手动调整四个组水平微状态图的排列顺序。在弹出窗口中，选择“更多”，随后显示的地图数量将变为四个。然后选择“手动排序”。在弹出的对话框中，输入四个组水平微状态地图的新顺序，然后点击“关闭”。随后，对每位受试者的四个微状态图谱进行排序，并保存每位受试者的微状态参数，此操作将依次弹出两个对话框。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，为“类别数量”选项选择“4-类别”。选

microstate-omega-complexity-analyses-resting-state

Research

科研

JoVE Journal

Neuroscience

神经科学

静止状态脑电图的微状态和欧米茄复杂性分析

神经影像学研究人员通常将大脑的反应视为重复实验试次中的平均活动，并将随时间变化的信号变异视为“噪声”而忽略。然而，越来越多的研究表明，这种噪声中实际上包含有意义的信号。本文介绍了多尺度熵这一新方法，用于在时域内量化脑信号的变异性。...

脑电图神经影像数据的应用：事件相关电位、谱功率与多尺度熵

本手稿描述了一种在人类解决空间聚焦的工程问题时测量其神经活动的方法。脑电图方法有助于从神经效率角度解读β脑波测量结果，旨在最终实现不同问题类型之间以及不同参与者之间的任务表现比较。...

利用脑电图测量比较特定任务的神经效率：空间智力任务

本方案描述了一种用于追踪颞叶癫痫（TLE）患者内侧网络测量指标演变过程的方法。该方法基于颅内记录与一种新颖的数值数据分析技术的结合。具体而言，我们提出了一种针对卵圆孔记录数据的网络分析方案。...

耐药性颞叶癫痫患者卵圆孔电极记录的网络分析

高频振荡（HFOs）已作为术前生物标志物，用于识别药物难治性癫痫儿科患者中的致痫区。本文介绍了一种通过同步头皮脑电图（EEG）和脑磁图（MEG）无创记录、检测和定位HFOs的方法学。...

同时采用脑磁图与脑电图检测的发作间期高频振荡作为小儿癫痫的生物标志物

本文提供了在小鼠中低成本构建和外科植入慢性经颅高密度脑电图蒙太奇的详细说明，同时描述了信号记录、提取和处理技术。...

使用低成本开源资源在啮齿类动物模型中进行高密度脑电图采集

海马体中的θ活动与特定的认知和行为阶段相关。本文介绍一种利用时频分析方法检测海马体内高度有序θ振荡的分析技术。即，...

小鼠脑电图中高度有序θ振荡的自动检测

本文介绍了描述小鼠非快速眼动睡眠期间神经和心脏变量时间动态的实验与分析方法，这些变量可调节睡眠对声学刺激的反应性。...

量化睡眠小鼠谱功率与心率的极慢动态变化

我们介绍了两种可使用统计参数映射（Statistical Parametric Mapping,...

使用SPM软件分析颅内脑电图数据中的神经活动与脑连接

本文提供了一种简单易行的方案，通过使用 readily available...

在同步脑电图与功能性磁共振成像期间可靠获取脑电图数据

本方案旨在为意识障碍患者提供一种无创神经刺激——经耳迷走神经刺激（taVNS）——的创新性方法学见解。此外，还提出了一项临床与脑电图分析方案，用于评估该治疗在此类患者群体中的有效性，并讨论相关的伦理问题。...

经耳迷走神经刺激与意识障碍患者的脑电图评估

本方案介绍了基于 MATLAB 的静息态脑电图（EEG）数据标准化预处理流程 PIPEMAT-RS。该流程可确保去除伪迹、提高信号质量，并增强不同研究间数据的可重复性。该流程自动化地完成了滤波、独立成分分析（ICA）和伪迹分类等关键预处理步骤，有助于神经生理学研究中实现一致且可靠的 EEG...

PIPEMAT-RS：静息态脑电图预处理标准化MATLAB流程的开发与验证

学习使用无参考脑电图微状态分析和欧米茄复杂性分析技术，研究静息态脑网络动态。该方法可识别四种微状态图，量化脑电信号复杂度，为脑疾病神经机制研究提供标准化方案。

静息态脑电图的微状态与Omega复杂性分析

探索更多视频