查看: 842|回复: 1
打印 上一主题 下一主题

[数据分析] 静息态EEG微状态:现状及未来发展方向 [复制链接]

Rank: 5Rank: 5

水晶
2285
心级
1915
精华
0
主题
178
帖子
184
跳转到指定楼层
楼主
发表于 2019-9-6 20:50:25 |只看该作者 |倒序浏览
本帖最后由 罗叶双 于 2019-9-6 20:52 编辑

EEG具有高时间分辨率,是研究大脑电活动的有力工具。已有研究提出数种从EEG信号中提取信息的方法,微状态分析是其中一种,它认为多通道EEG记录是一系列准稳态的微状态,每个微状态的特征是整个通道独特的地形图拓扑结构。该方法同时考虑整个大脑皮层区域的信号,能评估大尺度脑网络功能,并且这些网络的损坏与数种神经精神障碍有关。来自哈佛医学院Berenson-Allen无创脑刺激中心和多伦多大学Temerty大脑治疗干预中心的Arjun Khanna、Faranak Farzan等人在Neuroscience &Biobehavioral Reviews发表文章。包含几方面内容:

1)介绍EEG微状态分析方法。

2)回顾EEG静息态的微状态分析在各种神经精神障碍和行为表现中的应用。

3)讨论将该方法用于检测疾病的神经生理损伤和神经生理变化,以及进一步应用到干预反应中。

4)讨论静息态EEG的微状态如何反映静息态脑网络之间的快速切换,它可以代表其他神经成像模式所描述的静息态网络(RSNs)的活动。

总结如下:EEG微状态是多通道EEG中地形图拓扑结构的准稳定时期;静息态EEG由少数交替的微状态所主导;各种神经精神类疾病选择性地影响EEG微状态;EEG微状态可反映特定fMRI探测的静息态网络(RSNs)。研究总结EEG微状态分析的现状和未来发展方向,并认为EEG微状态是一种有前景的神经生理学工具,可用于了解和评估健康和患病群体在毫秒时间尺度上的脑网络动力学。


关键词:微状态、EEG、全脑信号、静息态、精神分裂症、痴呆、老化


一种常见的量化头皮EEG振荡活动特征和功能的方法是将EEG信号看作一个动态系统,它可以用状态和动力学来描述。系统“状态”是描述系统在任何给定时间t的所有变量的组合,系统“动力学”描述状态随时间的变化。因此,研究EEG的一种方法是根据感兴趣的变量定义系统的瞬时状态,并根据状态特征的变化(如特定状态发生的持续时间或频率)来描述大脑活动的变化。微状态分析(Microstateanalysis)是用多通道电极的地形图拓扑结构定义状态的方法。Lehmannet al.证明多通道静息态EEG信号的alpha频段(8-12Hz)可以被解析为几个不同的准稳态。这些“微状态”(离散状态)是由头皮上的多通道电极记录的地形图拓扑结构来定义,在迅速过渡到不同的微状态之前,地形图在80-120 ms内保持稳定。微状态分析同时考虑所有电极信号建立功能状态的全局表征。另外,微状态时间序列的丰富语法为EEG信号提供了多种新的量化方法,具有潜在的神经生理学意义。已有研究证明EEG时间序列特征在行为状态、人格类型、神经精神障碍方面的差异。收敛性证据表明微状态时间序列可帮助认识静息态的大脑神经活动。EEG微状态分析是一种功能强大、可应用于临床的神经生理学方法,用于评估健康和患病群体的全脑功能状态。


1、微状态分析介绍:全脑活动可以用全域能量表示(Global field power, GFP),GFP代表大脑的瞬时电场强度,因此通常用于测量全脑对事件的反应,或描述大脑活动的快速变化。在微状态分析中,GFP曲线局部极大值处(场强最强、地形图信噪比最高的时间)的地形图是EEG信号的离散状态,信号的演化被称作一系列状态(Figure 1a)。






EEG微状态分析有两个特点:? ?

1)虽然在多通道记录中有大量地形图,但大多数信号都可以通过几个地形图来表示(通常大于地形图图总方差的70%)。大多数研究静息态EEG的研究报告四个典型微状态右额-左后部(A)、左额-右后部(B)、中额-枕叶(C)和中额(D)地形图(Figure1a)。? ?

2)地形图在突然过渡到另一地形图之前,会在80-120 ms内保持主导地位。单个地形图的准稳定周期称为微状态。


? ? 微状态分析方法一直在不断发展:? ???

1)早期研究采用自适应分割技术对EEG进行分割,将每个连续GFP峰值的地形图与其前一个峰进行比较,并考虑如果正/负电位的质心位置变化超过预定量,则开始一个新的微状态(Lehmann et al., 1987)。研究者可以观察微状态的总体平均长度和一般地形分布特征,但早期使用自适应分割技术的研究很少将微状态分组为类。? ???

2)聚类分析是最近发展起来的一种方法,具有重要的方法学优势(Pascual-Marqui et al., 1995)。在聚类分析中,同时提取所有GFP峰的地形图,并将其纳入聚类算法,根据相似性将这些地形图分为一小组类,而不考虑它们的出现顺序;然后,将GFP峰值处的地形图纳为这些类之一,并将EEG信号重新表示为一系列微状态类别(Figure 1a)。? ???

3)最近有人提出使用独立成分分析来定义微状态类别。

微状态时间序列的常见参数:

1)平均持续时间(averageduration or lifespan)是此微状态出现时保持稳定的平均时间长度。

2)出现频率(frequency)是在记录期间,微状态每秒占优势的平均次数。

3)覆盖范围(coverage)是此微状态占主导地位的总记录时间的一部分。

4)四个微状态的地形图(topographicalshape)通常与群体和行为状态相比较。??

5)微状态振幅(amplitude)是微状态优势期的平均GFP。

6)微状态的全局解释方差(globalexplained variance)是给定微状态解释总方差的百分比。

7)微状态之间的转换概率都是非随机的,其转换序列具有潜在重要意义(Lehmann et al., 2005)。在微状态分析中,这些参数的变化描述了脑状态的变化。





篇幅限制,阅读全文请点击链接??https://mp.weixin.qq.com/s/5EgA4Mh9olUc-Az0a91HFQ



原文:


Khanna, A.,Pascual-Leone, A., Michel, C. M., & Farzan,F. (2015). Microstates inresting-state EEG: current status and futuredirections. Neuroscience &Biobehavioral Reviews, 49,105-113. doi:10.1016/j.neubiorev.2014.12.010.


如需原文及补充材料,请加微信:siyingyxf 获取,如对思影课程感兴趣也可加此微信号咨询。



附件: 你需要登录才可以下载或查看附件。没有帐号?注册
转发到微博

Rank: 3Rank: 3

水晶
575
心级
206
精华
0
主题
2
帖子
195
沙发
发表于 2019-9-9 23:29:57 |只看该作者
您需要登录后才可以回帖 登录 | 注册

bottom

Powered by Discuz! X2

? 2001-2011 Template By Yeei. Comsenz Inc.

回顶部