Microstate and Omega Complexity Analyses of the Resting-state Electroencephalography

本学期回答了脑部疾病领域的 10 个问题，例如如何在当今的诊断中识别一对有效的 bios 代码标记。这种技术的主要优点是，当您坚持传统的 EEG 分析时，它可以作为未决问题的参考。这项技术的应用延伸到我们对人脑静息态网络的理解。

要开始此过程，请将原始 EEG 数据导入 EEG 实验室软件。接下来，将通道位置文件加载到 EEG 实验室软件中，以获取这些电极的空间位置。要删除参比电极，请在弹出对话框的 Select data in channel range （在通道范围内选择数据） 选项，仅选择记录电极，不要选择参比电极，以便可以删除参比电极。

要在 0.5 到 80 赫兹之间对 EEG 数据进行带通过滤，请在弹出对话框中，为频通带赫兹的下边缘选择 0.5，并为通带赫兹的较高边缘选择 80。然后单击 Ok.To 使用 49 到 51 赫兹之间的陷波滤波器去除电力线噪声，在弹出对话框中，选择 49 作为频带赫兹的下边缘，选择 51 作为频带赫兹的较高边缘。然后选择 Notch 过滤数据而不是通带选项，然后单击 Ok.To Remove Eye Movements，单击 Tools，然后单击 Artifacts removal using AAR 1.3，以及 EOG removal using BSS。

要删除 EMG，请单击 Tools（工具），然后单击 Artifact removal using AAR 1.3（使用 AAR 1.3 去除伪影）和 Removing EMG using BSS（使用 BSS 去除 EMG）。接下来，将预处理后的连续 EEG 数据分割成 epoch 长度为 2 秒的 epoch。将弹出一个窗口，允许保存分割的脑电图数据。

然后将分割的 EEG 数据导入 EEG 实验室软件，并拒绝在任何电极上振幅值超过正负 80 微伏的 EEG epoch。接下来，保存预处理后的 EEG 数据。在此过程中，对于每个主题，加载预处理后的 EEG 数据，将参考通道转换为公共平均参考，并在 2 到 20 赫兹之间对 EEG 数据进行带通过滤。

接下来，确定每个主题中的 4 个微状态图。在弹出的对话框中，选择最小类数为 3，最大类数为 6，重启次数选择 50，选择要使用的最大映射数，然后选择仅 GFP 峰和无极性选项。然后，点击 Ok 按钮。

随后，在识别出自己的微观状态图后保存每个受试者的脑电图数据。一次导入上一步中保存的所有受试者的脑电图数据集。然后确定组级别的微状态映射。

在弹出对话框中，选择选项Choose sets for averaging中所有主题的数据集。在选项 Name of mean（平均值名称）中，为组级别的微状态映射命名，然后单击按钮 Ok.这将创建一个名为 GrandMean 的新数据集，用于存储组级别的微观状态映射。根据四个组级别微状态映射的经典顺序手动排序。

在弹出窗口中，选择 更多，然后显示的地图数量变为 4。之后，选择 Man sort。在弹出对话框中，输入四个组级别微状态映射的新顺序，然后单击 Close。

然后，对每个主题的四个微状态映射的顺序进行排序，保存每个主题的微状态参数，该参数将按顺序调用两个弹出对话框。在第一个对话框中，选择所有主题的数据集。在第二个对话框中，选择 4 个类作为选项 Number of Classes。

选择 Fitting only on GFP peaks （仅在 GFP 峰上拟合） 和 Remove potentially truncated microstates （删除可能截短的微状态） 选项。接下来，为标签平滑窗口选择 30，ms 并选择 1 作为非平滑度惩罚，然后单击 Ok.存储亚微状态参数的 CSV 文件将保存在计算机上。这些图像显示微状态 A 类和 B 类分别具有右额至左枕骨方向和左额至右枕骨方向。

微状态 C 类和 D 类具有对称的地形，但分别观察到前额叶至枕骨方向和前至中央至枕骨方向。该表显示了健康受试者的微观状态参数的平均值和标准差。一旦掌握，如果执行得当，这项技术可以在一小时内完成。

在尝试此过程时，请务必记住，应仔细预处理 EEG 数据。按照此过程，可以执行其他方法（如源定位）来回答其他问题，例如这些微状态映射的来源。这项技术为脑科学领域的研究人员铺平了一条道路，可以像揭露人脑一样的疾病。