个体内部和个体间的静息状态EEG微状态时间动态相关性_gfp峰值处干扰最小

微状态反映了由在宽带EEG中占主导地位的大脑网络的同步活动产生的瞬态脑状态。人们对大脑功能组织如何在个体之间变化，或其时空动态在多大程度上依赖于状态的问题越来越感兴趣。然而，很少有研究检查了健康人群中微状态时间参数的个体内部和个体间相关性。在本研究中，我们在闭眼静息和简单视觉固定期间记录的神经电活动被分割成一系列瞬态微状态间隔。我们发现，五种由数据驱动的微状态配置解释了研究中包含的374次记录（来自187名参与者）的EEG时间序列的地形变异的主要部分。我们观察到，微状态的时间动态在个体内部的变化程度大于在个体间的差异，个体内部因素解释了微状态持续时间和发生率的大部分差异。然而，我们发现了几个个体差异能预测微状态的时间动态。其中，年龄和性别是最可靠的。这些发现不仅表明，整个大脑神经网络的丰富时间动态在个体内部变化很大，而且微状态似乎能基于特质个体差异区分个体。研究者们应将注意力转向理解影响个体内部变化的因素，而不仅仅是关注微状态作为大脑功能测量的个体间差异。本文发表在NeuroImage杂志。(可添加微信号siyingyxf或18983979082获取原文，另思影提供免费文献下载服务，如需要也可添加此微信号入群，原文也会在群里发布)。

    

本文亮点：

• 通过瞬态地形图模式可以识别出EEG微状态的序列。

• 在宽带静息状态的EEG中识别出五个微状态地形图的聚类。

•微状态的时间动态在个体内部和个体间有所不同。

• 动态预测了个体差异和感知状态。

关键词：老化 EEG 个体差异 马尔可夫链 微状态 情绪 个性

1.引言

     人们认为，神经认知网络通过动态序列化协调脑状态来实时执行认知功能（Bressler和Kelso，2016；Bressler和Tognoli，2006；Varela等人，2001）。因此，现在已经出现了一种有价值的方法，用于研究人类认知和行为，即测量全局功能性脑网络的自发活动。特别是，当代神经影像研究越来越关注在安静休息期间获得的自发脑网络活动模式的特征。这项工作的一个重要目标是确定这些模式是否可以作为健康个体之间或临床亚群体之间心理差异的可靠预测因子（Dubois和Adolphs，2016）。人们也假设认知功能的老化和疾病相关变化会在脑网络中表现出结构和功能差异（Campbell和Schacter，2017）。理解内在脑网络组织在多大程度和范围内可以编码稳定的、类似特质的动机、情感和认知差异（正如人格理论家长期以来所主张的（例如，McNaughton和Smillie，2018））。因此，这是一个需要继续研究的重要话题。

     最近的大样本神经影像学研究已经开始详细探讨这些问题（Barch等人，2013）。这些研究已经调查了人口统计特征（Kharabian Masouleh等人，2019；Smith等人，2015）、个性（Dubois等人，2018；Nostro等人，2018）、智力（Cox等人，2019）和认知功能（Lerman-Sinkoff等人，2017）对结构和功能连接模式的贡献。这项工作的很大一部分已经检查了从整个神经影像学会议中得出的活动的平均连接模式——所谓的“静息态”功能连接。然而，最近在基于fMRI的方法中的进步表明，休息状态的大脑在更快的时间尺度上，即几秒钟的级别，动态地转换通过功能网络配置（Abrol等人，2017；Preti等人，2017）。然而，即使在这个时间尺度上，时间变化的功能连接模式也比通过头皮记录的电脑脑电图（EEG）可以接触到的毫秒级的时空动态慢几个数量级。因此，EEG可能特别适合于在更快的毫秒级时间尺度上描述整个大脑神经网络的协调动态。

     描述大脑网络大规模动态的一种方式是通过量化宽带头皮记录的脑电图（EEG）中的有组织的电压配置地形图模式（Michel 和 Koenig，2018）。在短时间尺度上观察时，某些头表电压地形图的空间分布会在进行中的信号中呈现出准稳定的模式。在这些时期，通常持续40到120毫秒，特定的地形配置会倾向于占主导地位，然后迅速过渡到其他瞬时的准稳定配置。这些地形稳定的时期，被称为微状态（microstates）（Lehmann等人，1987；Wackermann等人，1993），反映了全球皮层网络及其交替的时间动态特征的相位同步神经活动的瞬态脑状态（关于微状态方法论的评论，请参见Michel 和 Koenig，2018）。

      根据物理定律，头皮记录的电场空间配置的任何瞬时转变都意味着大脑中活跃神经发生器分布的变化（Vaughan，1982）。因此，微状态的不同空间配置被认为反映了在那一时刻占主导地位的不同神经网络的活动。由此推断，全球大脑状态的变化序列和时间动态可以用一系列微状态的电场强度和地形配置随时间的变化来描述。研究一致发现，在安静休息期间，EEG时间序列的观察方差中有4到7个数据驱动的微状态群体占据了大部分（Michel和Koenig，2018）。休息状态下EEG微状态群体的地形配置在个体内部和个体之间都非常一致，而且相同的群体在各项研究中都被普遍识别出来。此外，已经发现微状态的电脑源部分与常见的fMRI衍生的休息状态功能网络对齐（Bréchet等人，2019；Britz等人，2010；Custo等人，2017），使得微状态分析成为定义大脑自发组织的fMRI技术的相关和补充方法。

     从休息状态下微状态的时间动态中，可以获得丰富的神经生理参数语法，然后可以用来描述正在进行的大脑网络活动。然而，只有少数研究检查了微状态时间参数与年龄、性别和心理功能障碍的个体差异之间的关联。到目前为止，特定微状态配置的持续时间、发生率和序列的测量已经与年龄和性别的个体差异（Koenig等人，2002；Tomescu等人，2018），以及临床和神经诊断和功能障碍（Rieger等人，2016；Zoubi等人，2019）相关联。关于微状态参数与人格特质或认知表现测量的关联的信息更是有限。对微状态的功能意义，以及更广泛的协调大脑系统的运作的理解，将从进一步探索健康人群中的微状态时间动态与哪些状态、特征或认知能力相关的研究中受益。

     在本报告中，我们在一大批健康成年人中评估了休息状态下EEG微状态时间动态的一些内在和人际相关性。这项研究的数据来自一个公开可用的数据集，包括227个个体，由年轻和年老的年龄组样本组成，数据收集于2013年至2015年之间（Babayan等人，2019）。微状态参数是从16分钟的头皮记录的EEG中提取的，这些EEG是在休息状态下收集的，包括分别持续8分钟的闭眼和睁眼时期。参与者还接受了一系列人口统计、人格、情绪状态和认知表现测量的评估。我们检查了这些人级变量与微状态时间参数之间的关联。对于每个受试者，我们量化了：

     (a)每个微状态配置在持续的EEG信号中的优势（即，其全局解释的方差）；

     (b)描述每个配置的平均持续时间和频率的时间参数；

     (c)EEG时间序列中不同微状态配置出现的转换概率。

    我们的研究有三个目标。首先，我们试图通过直接对比睁眼和闭眼的休息状态，来描述微状态参数和转换动态对休息感知状态变化的敏感性。其次，我们研究了年龄组（老年人与年轻人）和性别对微状态时间参数和转换的个体间差异。最后，我们探索了微状态参数与包含在更大规模研究的评估工具集中的个性、情绪和认知功能测量的关联（Babayan等人，2019）。对于个性测量，我们选择了两种常用的工具，分别评估动机倾向和主要的个性维度：Carver和White（1994）的行为抑制和行为激活量表，以及Costa和McCrae（1992）的NEO五因素个性库。此外，使用多维情绪状态问卷（Steyer等人，1997）评估情绪状态；并使用注意力表现测试的三个模块（Zimmermann和Fimm，2002）来指标注意力表现，该测试旨在评估心理运动警觉性、刺激-反应相容性和工作记忆的认知方面。

     众所周知，大脑的时空动态在个体内部以及个体之间可以有相当大的变化（Van Horn等人，2008）。这种皮层网络动态的快速变化被认为是支持瞬时感知转变和持续认知功能的。按照类似的逻辑，微状态的时间动态可能最好地反映了内部状态和在快速时间尺度上表现出来的认知过程的个体内部变异性。为了解答这个问题，我们量化了微状态的时间参数在个体内部相对于个体之间的变化程度。我们还研究了微状态参数如何受到个体的休息感知状态（闭眼vs睁眼）的影响，或者如何因特定的地形微状态配置而有所不同。

     在许多神经影像学模式中都观察到了可靠的年龄相关差异（Campbell和Schacter，2017）。基于这些以及其他报告微状态中年龄相关差异的研究（即，Koenig等人，2002；Tomescu等人，2018），我们也预期在微状态动态中会发现大量的年龄组差异。然而，考虑到本研究的探索性目标，我们对哪些微状态时间动态或微状态配置的测量会与年龄、性别、人格、情绪或注意力表现的特定个体差异相关，没有具体的假设。通过微状态可以识别的大脑系统的属性，有可能至少在这些测量中的一些上编码稳定的类似特征的差异。沿着这些线索，值得注意的是Liégeois等人（2019）最近的一项研究，该研究对比了静态和动态的fMRI连接模式。这些作者报告说，网络连接的时间变化模式比静态的连接测量更强烈地预测了认知任务的表现（Liégeois等人，2019），但是静态和动态的功能连接对情感和生活满意度的自我报告结果的预测能力或多或少是相等的。因此，我们初步预测，认知功能的测量可能比个性或情绪的自我报告测量更可靠地与微状态动态相关。

2. 方法 

2.1. 参与者

     作为Max Planck莱比锡心-脑-身体研究的一部分，招募了227名参与者（Babayan等人，2019）。招募目标为两个年龄组：20至35岁的年轻成年人（N = 153，45名女性，平均年龄 = 25.1岁，标准差 = 3.1）和59至77岁的老年成年人（N = 74，37名女性，平均年龄 = 67.6岁，标准差 = 4.7）。所有参与者在研究纳入前都经过了广泛的医学和心理筛查程序，并在德国莱比锡大学认知神经病学日间诊所和Max Planck人类和认知与大脑科学研究所进行了测试。关于参与者招募和资格的更多细节由Babayan等人（2019）报告。所有参与者在研究参与前都提供了书面知情同意，为他们在研究中的时间收到了金钱补偿，并同意他们的数据匿名分享。数据由Babayan等人（2019）按照赫尔辛基宣言收集和分享，研究方案已经得到莱比锡大学伦理委员会的批准（参考号#154/13-ff）。

2.2. 程序 

      研究评估在两天内进行，每个session持续大约4小时（有关完整的评估和数据收集细节，请参阅Babayan等人，2019）。第一次评估（第1天）包括进行一系列认知任务，然后进行MRI扫描并收集血压、人体测量和血液样本。第二次评估（第2天）包括情绪状态问卷，获取16分钟的休息EEG，以及进行心理问卷和工具的评估，以及进行精神病学访谈（SCID；Wittchen等人，1997）。参与者还被邀请在后来的日期参加后续评估。在一个隔音室内，从216名参与者那里记录了休息状态的EEG。每次记录被分为16个连续的1分钟块，以闭眼和睁眼条件交替，从闭眼条件开始。参与者坐在电脑屏幕前，对于每个块，他们被指示保持清醒并静坐闭眼，或者静坐睁眼，同时注视着在白色背景上呈现的黑色十字。使用演示软件（Neurobehavioral Systems Inc.，USA）通知参与者块之间的变化。

2.3. EEG数据收集和处理

      EEG是从一个62通道的主动电极帽（ActiCAP，Brain Products GmbH，德国）记录的，其中61个通道按照国际10-10系统排列。在右眼下方放置了一个额外的电极来记录垂直眼动。参考电极位于FCz位置，接地位于胸骨。数据由BrainAmp MR plus放大器（Brain Products GmbH，德国）以0.1μV的幅度分辨率和2500Hz的采样率获取，并在线带通滤波在0.015Hz和1kHz之间。获取后，EEG在离线时下采样到250Hz，并用8阶Butterworth滤波器在1和45Hz之间带通滤波。闭眼和睁眼时期分别连接，每个条件留下一个8分钟的片段。

      来自Mind-Brain-Body研究的预处理EEG记录已经在数据共享库上供感兴趣的研究者使用。这些预处理数据的部分已经在Mahjoory等人（2019）和Schaworonkow和Nikulin（2019）的两项EEG振荡动态研究中使用。如Babayan等人（2019）所报告，基于视觉检查，排除了信号质量差、峰对峰偏差极大或高频活动爆发大的异常通道。接下来，主成分分析（PCA）被用来通过保留解释总数据方差95%的成分来降低数据的维度。然后使用Infomax独立成分分析（ICA）去除反映眼动、眼睑闪烁或心跳相关信号污染的成分，剩余的独立成分（M=21.4个成分，范围：14-28）被重建。由于缺少事件信息、采样率错误或数据质量不足，排除了13名参与者，剩下203名参与者的EEG可用。

      我们从数据共享库中收集了这203名匿名参与者的406个预处理EEG记录（即，每个闭眼和每个睁眼条件各一条记录）。然后我们使用球面样条插值来插补缺失的电极，以适应64通道的蒙太奇，并使用Cartool软件工具箱版本3.7（Brunet等人，2011）重新参考到平均值。我们排除了另外12名参与者，因为精神病学访谈发现可能存在未治疗的心理诊断（例如，物质滥用或未明确的幻觉）。这使得191名参与者可以用于当前的分析，闭眼和睁眼休息EEG的平均时间分别为7.83分钟（SD = 0.51）和7.77分钟（SD = 0.53）。

2.4. 地形分割和微状态参数估计 

       我们对每个382个个体EEG记录（191个闭眼，191个睁眼）进行了地形分割，以识别准稳定头皮电压配置的时期。这是通过在Cartool中实现的一种改进的k-means聚类方法实现的（Brunet等人，2011），该方法确定了能够解释时间序列中最大全局解释方差（GEV）的最优聚类数（k），同时使用最少数量的代表性地形图（Michel等人，2009；Murray等人，2008）。首先，在全局场强（GFP）时间序列的局部最大值（峰值）处生成地形电压图。这是对每个个体记录分别进行的。GFP是一个独立于参考的电压电位（μV）测量，它量化了在记录的给定样本处头皮电场的强度，相当于整个平均参考电极蒙太奇的振幅的标准偏差（Skrandies，1990）。GFP峰值被用来生成聚类的初始图，以便最大化地形信噪比。因为GFP峰值往往反映了全球神经元同步的高时刻，它们提供了瞬时准稳定电压地形的最佳表示（Koenig和Brandeis，2016）。

      电压图的聚类。对于每个记录，k-means聚类的迭代如下进行。对于给定的参与者和条件（闭眼或睁眼），从总的电压图集中随机选择1-12个图（k = [1:12]）作为聚类的初始质心。然后计算k个质心图和剩余的（未选择的）电压图之间的空间相关性。这些GFP图被分配给它们与之有最高空间相关性的质心，创建k个图的簇。相关值是从地图的相对地形配置（但不是极性）计算的，只有当地图与质心图的空间相关性超过0.5时，地图才被分配到一个簇。在所有相关性计算完毕并且个体地图分配到簇后，通过平均分配给给定k簇的组成地图来创建新的质心图。然后将任何剩余的未分配到簇的地图与重新计算（平均）的质心进行比较，并根据相关性标准再次分配。这个过程持续迭代，直到平均质心和地图之间的全局解释方差（GEV）收敛到一个限制。

       对于每个k = [1:12]的级别，这个过程重复100次，每次迭代都选择一个新的k个质心的子集。经过100次迭代后，确定了具有最大GEV(全局解释方差)的质心集。对于每个个体记录，在所有k的级别上，然后从这些最大GEV质心的集合中选择最优的k个簇，这是由7个独立优化标准定义的元标准确定的（参见Custo等人，2017；Bréchet等人，2019）。图1提供了一个示意图，描述了从一个随机参与者的闭眼数据的1秒钟中选择GFP最大值处的电压图进行聚类，以及一个完整的8分钟记录的k-means聚类过程的结果。

图1. 行显示了随机选取的一段64通道闭眼静息EEG（250 Hz采样率）1秒钟的电压图时间序列（从左到右）。电压图是2D等距投影，鼻中线向上。在全局场电压（GFP）的局部最大值处确定电压图。在GFP峰值附近的几个样本中，地形图通常看起来几乎稳定。在GFP峰值处的地形图的k-means聚类（忽略极性）产生了该记录的最优k簇电压图（总共8分钟的EEG）。对这个记录进行k-means聚类的结果确定了6个聚类中心，这些中心解释了GFP最大值处地形图方差的85.93%。

      个体级质心的聚类。在第二步中，我们对从个体级电压图的聚类中识别出的最优质心进行了k-means聚类。这是为了识别最能解释所有个体级代表性聚类质心的最优全局聚类。从382个个体级地形图中随机选择了一组k=[1:15]的地图，用作聚类的质心。对于每个k级别，运行了200次迭代，直到GEV收敛到一个限制，并选择了具有最大GEV的k个质心。同样，只有当空间相关性超过0.5时，才会分配地图。所有迭代结束后，使用优化元准则确定了k=[1:15]全局聚类的最优数量，得到了一组最能代表整体个体级地形配置的k个全局质心。

      微状态时间序列的参数化。然后将全局质心拟合回原始的EEG记录，以分别为闭眼和开眼条件推导出微状态的时间序列。一个个体的连续EEG的所有样本都被全局地形图分类，该地形图显示了样本电压图和全局聚类质心之间的最高空间相关性。那些与所有全局质心的空间相关性低（<0.5）的EEG样本被留下，未分配给一个微状态质心。在质心分配过程中，再次忽略了极性。通过忽略给定质心连续六个样本以下的片段（<24毫秒），然后将这些短片段的前半部分分配给前一个质心，后半部分分配给时间序列中的后续质心，对连续的微状态序列进行了时间平滑。

     我们从每个个体级微状态时间序列中得到了三个微状态参数。全局解释方差（GEV），定义为每个特定全局地形质心（即，微状态配置）解释的观察地形方差的百分比。平均微状态持续时间，或者根据特定微状态配置分类的EEG时间序列的连续样本的平均持续时间（以毫秒为单位）。以及发生频率，表示平均每秒出现给定微状态的次数。在神经生理学术语中，持续时间被认为反映了一组神经发生器保持同步活动的平均时间，而频率代表了一组神经发生器随时间协调其活动的倾向（Khanna等，2015年；Michel和Koenig，2018年）。更详细的神经生理学解释这些参数，请参见Khanna等（2015年）和Michel和Koenig（2018年）。

      转移概率和微状态序列分析。我们还使用R包seqHMM（Helske和Helske，2019年）从微状态的时间序列中计算了一阶马尔可夫链转移概率。计算了每个个体记录的每对微状态配置之间，给定微状态转移到另一个微状态配置的概率。排除了转移到连续超过5个样本（>20毫秒）的未分配时期的转移；忽略了持续时间较短的未分配时期，并根据下一个出现的微状态计算了转移。

2.5. 认知、个性和情绪的个体差异评估 

    注意力表现。通过计算机进行了注意力表现测试（TAP版本2.3.1；参见Zimmermann和Fimm，2002年，以及Babayan等人，2019年）的三个模块，以评估注意力表现。错误、遗漏和反应时间（RTs）被记录为表现的结果，并在数据共享库上提供了总结分数。有两名参与者指出他们在TAP的模块中忘记了他们的阅读眼镜。我们仍然包括了这些参与者，因为他们的整体表现在他们的同龄人的可接受范围内。

      警觉性。在精神运动警觉性TAP模块中，要求参与者尽可能快地对在监视器上随机变化的间隔呈现的加号（“+”）刺激做出反应。在两种条件下，以四个块的形式呈现刺激。在第一种条件（块1和4）下，参与者只需尽可能快地对呈现的刺激做出反应。在第二种条件（块2和3）下，也要求参与者尽可能快地做出反应，但在这种情况下，目标刺激伴随着一个音频警告信号，该信号在目标出现前的300到700毫秒之间随机响起。收集了每个参与者在无信号和有信号条件下的平均反应时间（RT）。此外，我们计算了RT的个体内部变异系数（ICV），计算方法是每个参与者的个体内部RT标准偏差除以平均RT。配对比较表明，无信号条件下的平均RT（M=231.98毫秒，SD=43.99）在统计上并未与信号条件下的平均RT（M=232.55毫秒，SD=45.65）有所不同（p=.755）。同样，无信号条件下的ICV（M=0.14，SD=0.06）在统计上并未与信号条件下的ICV（M=0.15，SD=0.06）有所不同（p=.462）。条件之间的差异幅度对于RT（d=0.023，95% CI [-0.226, 0.180]）和ICV（d=0.054，95% CI [-0.257, 0.149]）都是微不足道的。因此，RTs和ICVs在各个条件下都进行了平均，以得出反映参与者任务平均表现的平均估计。个体的RT和ICV越大，表示反应速度越慢和变化越大。

     响应兼容性。在响应兼容性TAP模块中，要求参与者尽可能快地用与指向方向（而非空间位置）相一致的手（左或右）响应，箭头显示在中心固定点的左侧或右侧。也就是说，要求参与者根据箭头的方向做出反应，而不考虑箭头出现在监视器的哪一侧。有两名参与者被排除，因为他们在几乎所有的试验中都回答错误（>每种条件下25个错误）。当呈现的一侧与箭头的方向一致时，以及当呈现的一侧与指向方向不一致时，分别计算了正确反应的反应时间。一致条件下的反应时间（M=445.54毫秒，SD=108.54）显著快于不一致条件下的反应时间（M=486.45，SD=110.62）（p<.001，d=0.579，95% CI [0.371, 0.787]）。我们将响应兼容性量化为每个参与者在不一致和一致条件下的RT之差。响应兼容性得分越大，表示响应干扰效应越大。

     工作记忆。在工作记忆TAP模块中，参与者观看了一系列在屏幕上顺序呈现的数字。他们被要求尽可能快地响应，每当一个数字与前两次试验呈现的数字匹配时。总共呈现了15组数字序列。有一名参与者没有完成这个模块。对每个参与者，将正确识别的刺激的比例计算为准确性。

    个性。在静息EEG记录之后，参与者完成了几个自我报告的问卷，评估个性、动机、情感和情绪性（参见Babayan等人，2019年）。我们选择了两个经过充分验证的动机倾向和个性的度量，以探索与微状态参数的相关性。

    BIS-BAS。参与者完成了行为抑制和行为激活量表（BIS-BAS；Carver和White，1994年）的24项德语翻译版（Strobel等人，2001年），以评估避免不良结果和接近吸引结果的一般倾向。BIS-BAS评估了四个动机特质：对预期惩罚的反应的惩罚敏感性（BIS）；驱动力（BAS驱动），或者一个人在追求期望的目标上坚持不懈的倾向；寻求乐趣（BAS乐趣），或者一个人渴望新的奖励和寻找有趣情境的倾向；以及对奖励的反应性（BAS奖励），或者一个人对奖励的发生或预期有积极反应的倾向。量表项目的评分从1（“对我来说非常不真实”）到4（“对我来说非常真实”），并求和得到子量表分数。

    NEO-FFI。参与者完成了NEO五因素库存（NEO-FFI；Costa和McCrae，1992年）的60项德语翻译版（Borkenau和Ostendorf，2008年），以评估一般性格特质。NEO-FFI评估了5个一般特质，包括外向性，包括健谈、精力充沛和自信的倾向；神经质，包括紧张、情绪化和焦虑；对经验的开放性，包括广泛的兴趣和富有想象力和洞察力；宜人性，包括同情、善良和亲切；以及尽责性，包括有组织、彻底和可靠。量表项目的评分从0（“强烈反对”）到4（“强烈同意”），并对每个个性维度进行平均。

     情绪。在静息EEG记录之前，参与者完成了24项多维情绪状态问卷（MDMQ；Steyer等人，1997年）以评估他们当前的情绪状态。情绪是从与三个维度相关的项目中评估的：积极情绪（好到坏）；唤醒（清醒到疲倦）；和焦虑（平静到紧张）。量表项目的评分从1（“一点也不”）到5（“非常”），并将项目求和以获得子量表分数。较低的分数表示参与者感到更积极、清醒和平静。对于积极情绪和焦虑的测量，有3个人的数据缺失，对于唤醒的测量，有5个人的数据缺失。

2.6. 分析 

      对于个体内分析，我们使用线性混合效应模型比较微状态配置（A、B、C、D和E；见结果）、感知条件（闭眼和睁眼）以及这些分类固定效应的交互作用对微状态参数的影响。使用R中的lme4包通过限制最大似然法估计模型参数（Bates等人，2015年），并通过Satterthwaite近似法计算自由度。报告了固定效应的Type III测试的全因素测试，以及模型的参数估计。还计算了每个结果的固定效应解释的方差比例（R2）（Nakagawa等人，2017年）。包括随机主题截距，以允许个人内部依赖性。此外，对于微状态持续时间和发生次数，我们使用R包sjstats（Lüdecke，2019年）在空模型（即，无条件均值）上计算了类内相关性（ICC）。对于重复测量数据，ICC可用于描述每个结果中的方差的比例，这是由于个体间差异和个体内差异（Hoffman，2015年）。由于全局解释方差在定义上是根据个体间的变异性进行缩放的，因此没有计算ICC。

      对于个体间分析，使用独立样本t检验比较年龄组（年轻人和老年人）和性别组（女性和男性）在每个微状态参数上的差异。使用R中的effsize包（Torchiano，2018年）计算了以合并方差为基础的标准化效应大小Cohen's d；在某些情况下，计算了配对比较的dz（Gibbons等人，1993年）。对于相关性分析，计算了微状态参数与个性、情绪和注意力表现的测量之间的双变量部分相关性，控制了年龄组差异。这些相关性的结果p值经过假发现率（FDR）控制Type I错误（Benjamini和Hochberg，1995年）。所有相关性和个体间分析都将微状态参数在闭眼和睁眼条件下进行了平均。

      功效分析表明，这项研究在191名参与者中具有很强的功效（1 – β = .95），可以检测到r > 0.25的相关性和d > 0.26的标准化个体内差异。然而，未能发现统计上显著的相关性并不能提供支持零假设（即效应等于零）的肯定证据。因此，我们使用了两个单侧检验（TOST）等价性检验程序（Lakens，2017年）来评估支持零假设的证据。在TOST程序中，零假设是存在最小有意义的效应，而替代假设是效应弱于感兴趣的最小效应大小。这是通过将观察到的效应与被认为在统计上有意义的效应的下限（ΔL）和上限（ΔU）进行两个单侧比较来评估的。在这里，有意义的效应被定义为等于或大于r = ± 0.15的相关性，或等于或大于d = ± 0.3的标准化均值差异。

      我们还评估了每个微状态转换对的转换概率在条件、年龄和性别差异。使用非参数置换测试来考虑由于多次比较转换对而产生的Type I错误（Nichols和Holmes，2002年）。将每个观察到的条件差异的强度与在所有转换对的多次比较中随机发生的最强效应的零分布进行了比较，这是对104个随机置换进行的。

3. 结果

3.1. 拓扑分割 

      k-均值聚类过程揭示了每个个体EEG记录的4到8个最优个体级质心拓扑图（平均值=5.08，标准差=0.94，所有记录的总拓扑图为1940个）。在闭眼条件下，最优个体级质心拓扑图平均解释了81.71%的全局解释方差（GEV，标准差=4.36，范围=72.31-91.90），在睁眼条件下解释了78.84%的GEV（标准差=3.45，范围=68.76-88.37）。此外，由质心解释的GEV总量在两种感知条件之间呈相关（r = 0.464，p < .001，95% CI [0.344, 0.568]）。

      在第二轮k-均值聚类中，确定了五个全局簇，这五个簇共同解释了1940个个体级簇质心拓扑图中的85.03%的GEV。我们将这五个簇称为微状态A至E，基于优化元准则，将它们保留为最优全局簇的数量。图2描绘了五个最优全局簇质心，并显示了1938个个体级簇拓扑图，根据它们的全局簇成员资格进行分组。1940个个体级拓扑图中有两个未被分配。

图2. 在8分钟闭眼和8分钟睁眼休息期间，通过k-均值聚类确定了五个全局簇质心。显示了从382个个体主题记录的k-均值聚类中得出的1938个簇质心，根据它们的全局簇成员资格进行分组。电压拓扑图是2D等距投影，鼻根向上。每个全局拓扑图是相应地图簇的质心。

     可以看到，五个全球微状态配置很好地代表了个体参与者记录中的拓扑图案的共性，而不考虑感知条件。为了确认这一点，我们对1940个个体级质心拓扑图进行了二次k-均值聚类，分别针对闭眼和睁眼休息条件。图3描绘了这次分析的结果全局簇和空间拓扑相关性。在闭眼和睁眼条件下，都确定了五个最优全局簇，分别解释了个体级簇质心中的85.48%和85.12%的GEV。重要的是，两种条件下独立确定的簇拓扑图基本上是等价的，所有的拓扑相关性都超过了r = .99。因此，对于所有进一步的分析，我们使用了从组合条件分析中确定的拓扑配置，如图2所示。

图3. 描绘了从闭眼和睁眼条件的单独聚类中确定的全球微状态簇拓扑图（A-E）之间的空间相关性。忽略极性，只考虑空间配置。

3.2. 拓扑拟合和微状态分析 

      五个全局簇质心（A至E）平均成功地分配给了382个原始EEG记录的连续时间序列中的85.94%的样本（标准差=11.11%）。由于大量的电压图（>45%）无法分配给全局簇，因此四个参与者被排除在所有进一步的分析之外。在剩下的374个记录中，五个全球微状态拓扑图平均在个体之间解释了闭眼条件下观察到的电压图中的65.03%（标准差=6.13%）的GEV，以及睁眼条件下的60.99%（标准差=5.62%）的GEV。

      一旦全局质心被拟合回观察到的EEG时间序列的电压图，就计算了每个微状态配置的GEV、平均持续时间和发生频率。表1提供了这些参数的描述统计，包括完整的EEG样本，以及作为闭眼和睁眼条件的函数。图4的左侧绘制了个体参与者数据以及条件均值和标准差。从图中可以看出，微状态C在两种感知条件下的EEG时间序列中都倾向于占主导地位。因此，对于接下来的内部模型，微状态配置的分类固定效应以微状态C为中心。感知条件的效应以闭眼状态为中心。

表1. 来自闭眼（EC）和睁眼（EO）条件的微状态参数的描述统计。

注：提供了全球解释方差（GEV）、微状态持续时间（以毫秒为单位）和每秒微状态发生率的均值和标准差，来自每个微状态配置（A-E）和条件（闭眼，EC；睁眼，EO）的参与者（N = 187）。

图4. 绘制了全球解释方差（GEV）、微状态间隔持续时间（以毫秒为单位）和每个微状态配置（A-E）的发生率的均值和标准差。微状态参数提供了闭眼和睁眼条件，以及年龄组（年轻人n = 128，老年人n = 59）在条件下的坍塌。观察到的主题平均值（n = 187）绘制为点。错误条是围绕平均值的标准偏差。

       全球解释方差。每个微状态配置解释的观察到的地形方差的平均百分比在闭眼条件下从5.05%到35.17%，在睁眼条件下从7.09%到28.02%（见表1）。然而，微状态C是唯一一个在任何感知条件下平均解释超过十分之一的全球地形方差的配置。全体微状态的总GEV的类内相关系数（ICC）为0.438，这表明43.8%的总GEV的方差归因于个体之间的差异，但大部分的方差（56.2%）归因于条件之间的个体内变异性或测量误差。感知状态对总GEV的影响也是显著的（b = -4.044%，p < .001，95% CI [-4.793, -3.295]），在总GEV的观察到的方差中，条件之间的差异解释了大约11%（R2 = 0.106）。因此，微状态解释EEG时间序列的整体能力在很大程度上受到个体在休息状态下的感知状态的影响，闭眼条件下解释的方差更多。

       在一个比较不同微状态在感知条件下的混合效应模型中，我们观察到微状态配置的显著效应，F(4, 1860) = 1133.36，p < .001，感知条件的显著效应，F(1, 1860) = 8.13，p = .004，以及配置和条件之间的显著交互效应，F(4, 1860) = 35.23，p < .001。该模型的参数估计报告在表2中。对于这些参数，截距反映了闭眼条件下微状态C的平均GEV值。并且，按顺序，微状态A、B、D和E的主效应是这些配置在闭眼条件下与配置C的差异；睁眼效应是微状态C在闭眼和睁眼状态之间的差异；交互效应是每个微状态在睁眼条件下的变化与微状态C的变化的差异。

表2. 微状态参数分析的模型估计。

注：来自全球解释方差（GEV）、微状态持续时间（以毫秒为单位）和微状态发生率的固定效应模型的限制最大似然估计，用于微状态配置（微状态A-E）和条件（EC和EO）。微状态C和EC条件作为参考。提供了参与分析的主题数量（N）和观察数量。固定效应的标准误差用括号表示，随机效应的标准偏差。*p<.05，**p<.01，***p<.001。

     如表2所示，当参与者的眼睛闭上时，微状态A、B、D和E在连续的EEG时间序列中解释的方差显著少于配置C（所有ps<.001）（见图4）。然而，当参与者睁开眼睛时，微状态C的GEV减少了（b=-7.147%，p<.001，95% CI [-8.387, -5.907]）。最后，发现微状态A、B、D和E的眼睛睁开效应与微状态C的大小不同（所有ps<.001，交互项）。感知条件的简单效应（未在表中显示）是：微状态A（b=1.494%，p=.019，95% CI [0.254, 2.734]）和E（b=2.084%，p=.001，95% CI [0.844, 3.325]）在眼睛睁开时解释的方差比眼睛闭上时多，而微状态D解释的方差较少（b=-1.279%，p=.044，95% CI [-2.519, -0.039]）。然而，微状态B在眼睛睁开和闭上的状态之间没有变化（b=0.084%，p=.205，95% CI [-0.436, 2.044]）。

      平均持续时间。在平均值上，每次微状态的出现在闭眼状态下持续了66.28至86.61毫秒，而在睁眼状态下持续了71.44至84.77毫秒（来自表1）。平均持续时间的ICC为0.446，这表明44.6%的微状态持续时间方差归因于个体间的差异，但大部分方差（55.4%）归因于个体内部在微状态和条件之间的差异。在微状态和条件之间的比较揭示了微状态配置的显著影响，F(4, 1674) = 605.18，p < .001，感知条件的显著影响，F(1, 1674) = 86.84，p < .001，以及配置和条件之间的显著交互作用，F(4, 1674) = 21.62，p < .001。单独考虑时，微状态配置解释了观察到的结果方差的28%（R2 = 0.283）在平均持续时间上，而所有的显著固定效应一起解释了总方差的30%（R2 = 0.303）。

      表2呈现了个体内部微状态平均持续时间差异的参数估计。在闭眼状态下，微状态A、B、D和E的平均持续时间显著短于配置C（所有p < .001）。然而，当参与者睁开眼睛时，配置C的持续时间缩短（b = −1.841毫秒，p = .001，95% CI [-2.948, -0.735]），而微状态A（b = 3.421毫秒，p < .001，95% CI [2.315, 4.528]）、B（b = 2.589毫秒，p < .001，95% CI [1.481, 3.694]）、D（b = 2.288毫秒，p < .001，95% CI [1.181, 3.395]）和E（b = 5.334毫秒，p < .001，95% CI [4.227, 6.440]）的持续时间在睁眼状态下都显著增长。

      出现次数。平均来说，微状态A、B、D和E每秒每种条件下都出现一到两次，而配置C整体上每秒出现约3次（表1）。微状态出现的ICC为0.056，这意味着只有5.6%的方差可以归因于个体间的差异；绝大多数的方差（94.4%）归因于个体内部的变异。然而，所有微状态合计出现率的ICC为0.814，表明微状态出现的总率在个体内部更稳定。与GEV和微状态持续时间一样，我们观察到微状态配置的显著影响，F(4, 1674) = 438.55，p < .001，感知条件的显著影响，F(1, 1674) = 7.95，p = .005，以及这些影响之间的显著交互作用，F(4, 1674) = 16.91，p < .001。微状态配置的影响本身解释了平均出现率结果方差的43%（R2 = 0.425）；所有固定效应一起解释了总体方差的44%（R2 = 0.443）。

     表2的参数估计显示，在闭眼状态下，微状态A、B、D和E再次与配置C有差异（所有p < .001），而且当参与者睁眼时，微状态C平均出现的频率较低（b = -0.342次/秒，p < .001，95% CI [-0.453, -0.230]）。最后，对于微状态A、B和E，感知条件间的变化幅度与微状态C观察到的变化不同（所有交互项p < .001）。简单的效应比较显示，微状态A（b = 0.062，p = .276，95% CI [-0.049, 0.174]）和B（b = -0.024，p = .671，95% CI [-0.136, 0.087]）在不同条件下没有差异，而微状态D在睁眼条件下显著减少（b = -0.277，p < .001，95% CI [-0.388, -0.165]），微状态E在睁眼条件下更频繁（b = 0.220，p < .001，95% CI [0.109, 0.332]）。

3.3 微状态参数的个体差异相关性 

      接下来，我们对微状态的GEV、持续时间和出现次数进行了人际间的分析。表3呈现了187名参与者的最终EEG样本年龄（以年计）、个性、情绪和注意力表现的预测因子的平均值和标准差（请参见地形拟合和微状态分析）。每个个体差异度量也提供了年轻组和年长组之间的效应量差异。总体来说，老年人的神经质较低，对新体验的开放性较低，责任心更强，寻求乐趣的倾向较小，并且抑制性较低。他们报告的疲劳或疲倦的心情状态也比年轻人更为明显。在注意力表现的测量中，观察到了最大的效应大小，其中老年人的反应时间更慢，他们的反应更具变异性，他们的反应兼容性效应更大，并且工作记忆的准确性更差。

表3. 年龄、个性、情绪和注意力表现的描述性统计数据。

注意：提供了年龄（以年为单位）、个性、情绪和注意力表现的平均值和标准差。为了保护参与者的匿名性，Babayan等人（2019）提供了以5年为一组的离散年龄。报告的平均年龄基于每个5年组的最小值。N代表每个测量的完整样本大小。为年轻（n=128，女性38人）和老年（n=59，女性29人）年龄组提供了描述性统计数据，并指出了年轻和老年年龄组之间的比较的标准化平均差异（Cohen's d）。*p < .05, **p < .01, ***p < .001。

     

      年龄和性别。我们首先通过独立样本比较检查年龄（年轻和年老）和性别组（女性和男性）之间的差异。表4总结了这些比较的效应量大小，对于每个微状态配置（对睁眼和睁眼条件进行平均）。

表4. 年龄和性别组之间的标准化效应大小。

注意：分别为每种微状态配置（A-E）对年龄（年轻 vs. 老）和性别（男 vs. 女）组进行比较，报告了微状态参数的标准化平均差异（d）。正的标准化平均差异反映了老年人和男性参与者的值较高。独立样本比较的显著性值已经标出。†=等于零，*p< .05，**p< .01，***p< .001。

      除一项之外，年龄组间的所有比较都是显著的。较老的个体在微状态A（d=0.596，p< .001，95% CI [0.280, 0.912]）和B（d=0.479，p= .003，95% CI [0.165, 0.793]）的GEV更大，并且在微状态C（d= -0.854，p< .001，95% CI [-1.176, -0.531]）和E（d= -0.451，p= .005，95% CI [-0.764, -0.137]）的GEV更小。对于所有的微状态配置，平均持续时间对于老年人来说更长：A（d= 1.484，p< .001，95% CI [1.139, 1.830]），B（d= 1.517，p< .001，95% CI [1.170, 1.864]），C（d= 0.622，p< .001，95% CI [0.305, 0.939]），D（d= 1.275，p< .001，95% CI [0.938, 1.611]），和E（d= 1.103，p< .001，95% CI [0.773, 1.433]）。最后，老年人平均上微状态的出现次数较少，对于所有的微状态配置：A（d= -0.316，p= .046，95% CI [-0.628, -0.003]），B（d= -0.364，p= .022，95% CI [-0.677, -0.051]），C（d= -1.372，p< .001，95% CI [-1.713, -1.032]），D（d= -0.855，p< .001，95% CI [-1.177, -0.532]），和E（d= -1.090，p< .001，95% CI [-1.420, -0.760]）。图4（右侧）绘制了这些比较的单个参与者数据，以及每个年龄组的均值和标准差。

       关于GEV作为性别功能，没有发现显著的差异。此外，对于微状态A、B和E，发现性别的效应在统计上等同于零。男性的微状态A（d= -0.345，p= .025，95% CI [-0.648, -0.042]），B（d= -0.400，p= .009，95% CI [-0.703, -0.096]），D（d= -0.349，p= .023，95% CI [-0.652, -0.046]），和E（d= -0.421，p= .006，95% CI [-0.725, -0.118]）的平均持续时间较短。男性的微状态A（d= 0.333，p= .030，95% CI [0.030, 0.635]），B（d= 0.409，p= .008，95% CI [0.105, 0.713]），和C（d= 0.321，p= .037，95% CI [0.018, 0.623]）出现的频率也更高。

      个性，情绪和注意力表现。我们接下来检查每个个体差异预测因子与每个微状态参数之间的双变量相关性。因为我们观察到很多预测变量的年龄组差异（见表3），我们在所有相关性中都控制了年龄组，并报告了整体样本的部分相关系数（作为r统计量）。

     全局解释方差。表5展示了微状态GEV的部分相关性。几个相关性被识别为显著（ps< .05），但是在对80个统计测试进行FDR控制后，这些都不再显著。我们在下面报告这些相关性，但是警告可能有些效应反映的是第一类错误。此外，有25个相关性被识别为在统计上等于零。这些相关性范围在r = -0.03 和 r = 0.03之间，并且显著小于下界（ΔL r = -0.15）或上界（ΔU r = 0.15）的等价范围。剩下的相关性在统计上是未确定的。

表5. 微状态GEV与个性，情绪和认知度量的相关性。

注意：报告了控制年龄组（年轻与老年）后的部分相关系数，这些系数针对个性，情绪和注意力表现的度量，用于微状态全局解释方差（GEV）平均跨条件，分别对每个微状态配置（A-E）进行。†=等于零，*p< .05，**p< .01，***p< .001。

    驱动力与微状态B的GEV负相关（r=-0.152，p= .037，95% CI [-0.290, -0.009]）。外向性与微状态D正相关（r= 0.174，p= .017，95% CI [0.031, 0.310]），同样，亲和性也是如此（r= 0.177，p= .015，95% CI [0.034, 0.313]）。责任心与微状态B负相关（r= -0.215，p= .003，95% CI [-0.348, -0.074]），并与微状态D（r= 0.186，p= .011，95% CI [0.044, 0.321]）和E（r= 0.181，p= .014，95% CI [0.038, 0.319]）正相关。最后，紧张的情绪与微状态E的GEV负相关（r= -0.168，p= .023，95% CI [-0.306, -0.025]）。

     平均持续时间。表6总结了微状态持续时间的部分相关性。我们识别出12个显著的相关性（ps< .05），但没有一个在FDR控制下幸存下来。还发现了16个等同于零的相关性。

表6. 微状态持续时间与个性，情绪和认知度量的相关性。

注意：报告了控制年龄组（年轻与老年）后的部分相关系数，这些系数针对个性，情绪和注意力表现的度量，用于平均微状态持续时间，分别对每个微状态配置（A-E）进行平均跨条件。†=等于零，*p< .05，**p< .01，***p< .001。

      对于性格量表，神经质性与微状态C的持续时间正相关（r= 0.178，p= .015，95% CI [0.035, 0.313]），和善性与微状态A（r= -0.188，p= .010，95% CI [-0.323, -0.046]）、B（r= -0.186，p= .011，95% CI [-0.321, -0.044]）、C（r= -0.200，p= .006，95% CI [-0.334, -0.059]）和E（r= -0.163，p= .026，95% CI [-0.299, -0.020]）负相关。此外，尽责性与微状态B的持续时间负相关（r= -0.194，p= .008，95% CI [-0.329, -0.052]）。我们还观察到了注意力表现度量的相关性。警觉性反应时间（Alertness RT）与微状态A（r= -0.170，p= .020，95% CI [-0.306, -0.027]）和B（r= -0.191，p= .009，95% CI [-0.326, -0.049]）负相关，反应兼容性与微状态A（r= 0.192，p= .009，95% CI [0.051, 0.329]）、B（r= 0.149，p= .044，95% CI [0.007, 0.289]）、C（r= 0.181，p= .014，95% CI [0.040, 0.319]）和E（r= 0.197，p= .007，95% CI [0.057, 0.335]）正相关。

      发生次数。表7提供了微状态发生次数的部分相关性。我们发现了11个显著的相关性（ps< .05），但同样，没有一个在FDR控制下存活下来。我们发现了21个等同于零的相关性。

表7. 微状态发生次数与个性，情绪和认知度量的相关性。

注意：报告了控制年龄组（年轻与老年）后的部分相关系数，这些系数针对个性，情绪和注意力表现的度量，用于平均微状态发生率，分别对每个微状态配置（A-E）进行平均跨条件。†=等于零，*p< .05，**p< .01，***p< .001。

     驱动力与微状态B的发生负相关（r= -0.158，p= .031，95% CI [-0.295, -0.015]）。神经质性与微状态D的发生负相关（r= -0.157，p= .033，95% CI [-0.294, -0.013]），而外向性与微状态D的发生正相关（r= 0.183，p= .012，95% CI [0.040, 0.318]）。此外，和善性与微状态B（r= 0.167，p= .023，95% CI [0.024, 0.303]）和D（r= 0.216，p= .003，95% CI [0.075, 0.348]）正相关，尽责性与微状态D（r= 0.200，p= .006，95% CI [0.058, 0.334]）和E（r= 0.201，p= .006，95% CI [0.059, 0.335]）正相关。我们还观察到了焦虑情绪与微状态E的负相关性（r= -0.148，p= .045，95% CI [-0.288, -0.005]）。最后，对于注意力表现，警觉性反应时间（Alertness RT）与微状态D（r= 0.194，p= .008，95% CI [0.052, 0.328]）和E（r= 0.159，p= .030，95% CI [0.016, 0.296]）的发生正相关，反应兼容性与微状态D的发生负相关（r= -0.153，p= .038，95% CI [-0.291, -0.009]）。

3.4. 微状态转换动态中的感知状态差异

      在最后的分析中，我们检查了从一个微状态配置转换到另一个是否在闭眼和睁眼条件下有所不同。五种拓扑配置（A-E）允许20对马尔可夫链转换概率。在闭眼和睁眼条件下，分别有10.23%（SD = 5.70%）和13.60%（SD = 6.74%）的转换被排除，因为这些转换涉及到未指定的持续超过5个连续样本（>20毫秒）的时期。图5展示了每种条件和年龄组的转换概率，以及每对转换对的条件和组别间的标准化均值差异。我们发现在14对微状态转换的闭眼和睁眼条件之间存在显著差异（所有p < .008）。这些显著比较的标准化均值差异范围从小到适中（dz范围 = 0.197至0.648）。所有这些差异在经过基于置换的多重比较修正后，均明显大于在零假设下预期的差异。

图5. （顶部）展示了闭眼和睁眼条件下，以及跨感知条件下年轻和老年群体的微状态配置A到E的平均马尔可夫链转换概率。所有187组微状态序列的转换概率都已显示出来。 （底部）所有转换对的条件和年龄组之间的标准化均值差异（dz）已经标注。

      当跨感知条件平均时，我们还发现年龄组之间的转换对存在差异。在13对转换中，发现老年人和年轻人之间存在显著差异（所有p < .038）。显著比较的标准化均值差异范围从小到大（d范围 = 0.330至0.879）。然而，其中只有大于d = 0.450的差异在经过多重比较修正后，才大于在零假设下预期的差异。在任何转换对中，我们都没有观察到性别组之间的转换动态存在显著差异（d范围 = −0.112至0.154，p > .313）。

4. 讨论 

      本研究的发现表明，持续的大脑电皮质活动的动态对于头皮记录电压地形图的个体内差异模式是敏感的。在闭眼休息和简单视觉固定期间记录的神经电活动被分割成一系列瞬态微状态间隔。总的来说，休息的感知状态（闭眼 vs 睁眼）是微状态时间动态的最强决定因素，并且是唯一系统性影响个体在时间上连续微状态配置转换概率的因素。然而，我们的发现也从一个统计能力强的样本中，提供了有力的探索性证据，即微状态参数可以区分基于性别和年龄的群体，并且可能与个性和认知的个体差异弱中等度相关。

      我们发现，五个数据驱动的微状态配置（指定为A至E）可以解释本研究包含的374次记录（来自187名参与者）的EEG时间序列中的绝大部分差异。此外，发现这些微状态相关的时间动态主要在个体内部变化。这通过简单地将平均微状态持续时间和发生率中的未解释差异划分为其个体内部和个体之间的组成部分进行展示；并且进一步由这样一个事实证实，这些参数中总体结果差异的约30-44%可以通过感知条件和微状态配置的个体内因素来解释。基于这些估计，我们可以得出结论，个体在自身内部的变化程度等于或大于他们彼此之间的差异，并且建议研究者将他们的注意力转向理解导致整个大脑神经网络活动在个体内部变化的因素。

4.1. 感知状态和个体内部变异性

      休息感知状态是微状态时间动态变化的重要来源。最一致的这些效应在配置C和E中找到。当参与者睁开眼睛时，微状态C在持续的EEG时间序列中解释的差异较少，持续时间较短，发生频率也比闭眼时少。相比之下，微状态E表现出相反的模式，在眼睛睁开的状态下，它在解释差异、持续时间和发生频率上都增加。值得注意的是，这些效应也反映在转换概率的变化上。当个体睁开眼睛时，B → C、C → D和D → C（以及A → D）的转换发生的可能性减少，而转向微状态E的可能性增加。对于配置A、B和D，感知状态差异在各个结果中并不统一，尽管当参与者睁开眼睛时，除C以外的所有配置的持续时间都增加。

     总的来说，感知状态对特定微状态配置的差异效应——有些增加，有些减少其在时间序列中的主导性——可能反映了补偿性网络动态的运作，反映了状态之间认知操作的变化。例如，当眼睛睁开时，微状态C的持续时间和发生频率的减少似乎被其他微状态的持续时间和普遍性的增加所抵消。这种从内向（眼睛闭合）到更外向（眼睛睁开）的感知状态的补偿性转变，让人想起了默认模式和注意力与感知网络之间用fMRI观察到的功能竞争（Raichle，2015）。然而，长久以来，人们就已经知道当个体闭眼时，阿尔法振荡的幅度会增加，而当眼睛睁开时，EEG信号的空间复杂性已被证实会增加（Kondakor等人，1997）。这些振荡和信号特性的全球性变化很可能是在闭眼休息期间微状态模型更好拟合的主要贡献者。

      我们的发现部分与Seitzman等人（2017）的研究相冲突，他们在24名参与者的样本中比较了眼睛闭合和眼睛张开休息时（25秒）的微状态参数。他们报告了参与者睁开眼睛时微状态D的持续时间显著缩短，微状态B的发生率增加。他们还发现在感知状态之间的微状态转换动态没有支持差异。相比之下，我们观察到参与者睁开眼睛时微状态D的持续时间增加，微状态B的发生率没有变化，以及在不同条件下微状态转换动态的系统性变化。然而，在眼睛睁开的条件下总GEV的减少在两项研究中是一致的。他们的研究和我们自己的研究之间的差异可能源于对休息状态的定义不同。Seitzman等人（2017）指示他们的参与者在休息时让他们的思想自由漫游，而Babayan等人（2019）的数据，我们所研究的，只是简单地要求参与者在闭眼条件下安静休息，在眼睛睁开的条件下静静地注视一个视觉固定点休息。对于结果差异的另一个可能的重要解释是两项研究之间样本大小的差异（参见Kharabian Masouleh等人，2019，关于样本大小不同的研究之间复制不一致性的最新研究）。无论如何，我们在这项研究中观察到的微状态参数的大量个体内部变化意味着，如果未来的研究者的目标是比较不同人之间的微状态，那么他们应该包含更长的休息EEG录音，以获得足够可靠的微状态动态估计。未来的研究也应该开始量化样本、条件、分析和微状态分割方法中微状态时间参数的异质性。

4.2. 标准微状态地形配置 

      与微状态时间动态相反，微状态的地形配置在已发表的报告中非常一致（Michel和Koenig，2018）。对于本研究，微状态簇A到E与文献中发现的标准模式相匹配（Michel和Koenig，2018），包括那些使用数据驱动方法来确定最优簇数的研究中观察到的模式（Bréchet等人，2019; Custo等人，2017）。总的来说，这五个簇解释了85%的受试者层次簇质心的差异，以及参与者休息EEG记录中看到的地形差异的63%（平均值）。然而，仍然存在大量的未解释地形差异。有可能其他的微状态配置，不在最优数据驱动的微状态簇中，也可能进一步解释头皮电压地形中的有意义模式。也值得重申的是，闭眼和睁眼条件都找到了相同的簇解决方案。尽管微状态的时间动态可能会被感知状态调整，但目前的数据表明，他们的地形配置并不会被调整。

4.3. 微状态时间参数的个体差异预测因子 

      测量大脑在休息状态下的功能连接性有助于理解认知功能如何随着寿命的延长而变化（Campbell和Schacter，2017）。在我们检查的个体差异测量中，最大的效应是年龄相关差异在微状态参数中的获得。所有微状态配置中，老年人的微状态持续时间增加，发生次数减少。此外，还观察到年龄相关差异在转换概率中，即对于老年人，转换到微状态C和E的趋势较少，而对于老年组，转换到微状态A和B的可能性更大。这些发现支持并扩展了之前关于微状态持续时间和发生的年龄相关差异的报告（Koenig等人，2002；Tomescu等人，2018）。此外，我们发现微状态A和B在老年人的EEG时间序列中解释了更多的方差，而与年轻年龄组相比，微状态C和E解释了更少的方差。因此，似乎有强有力的证据支持EEG脑网络的全球时间属性存在与年龄相关的差异，以及在老年人中特定微状态配置的优势可能存在差异。

      年轻人和老年人在性格、情绪和认知功能的测量上也存在差异。因此，当探索微状态时间参数与其他个体差异测量的关联时，我们控制了年龄组的差异。随后确定了一些微状态动态的显著预测因子，并且提供了证实性证据，即许多与微状态GEV、持续时间和发生相关的相关性也等同于零。然而，没有显著的相关性在控制多重比较后得以保留，所以我们以谨慎的态度报告和解释这些发现。需要额外的研究来确认这些报告的相关性的可靠性和大小。然而，考虑到我们的大样本，我们希望它们将对未来的复制保持稳健（cf. Schönbrodt和Perugini，2013）。

     性格描述了持久的倾向，这些倾向组织了个体的思考、情绪和行为模式，跨越时间和情境。因此，个体性格中稳定的差异可能会反映在静息状态下的微状态动态中。这一前提得到了性格方面与微状态之间的一些相关性的支持，其大小从0.15到0.21。五因素性格模型的方面倾向于比行为抑制和接近的动机方面更具预测性。在这些中，宜人性和尽责性有最大数量的相关性，其大小为0.15或更高。

     认知表现也预测了微状态的时间参数。微状态持续时间与心理运动警觉性（即，反应时间更快）在配置A和B上正相关，并且与响应兼容性（即，响应干扰更大）在配置A、B、C和E上正相关。在以前的工作中，微状态A和B的神经发生器已经与视觉和听觉感官网络的自发活动分别联系在一起（Bréchet等人，2019；Britz等人，2010；Custo等人，2017）。因此，我们的发现似乎表明，快速的响应和目标刺激的检测是由感官网络在休息时的优势倾向的个体差异促进的。虽然快速的反应通常是有利的，但是不同的响应集可以在目标是尽可能快速地响应时产生干扰相关的减慢。这可能解释为什么微状态持续时间也与刺激兼容性效应相关。类似地，反应时间更慢但响应冲突解决更好与微状态D的发生次数更频繁有关。这符合将微状态D与前额叶-顶叶注意控制网络活动联系在一起的研究（Britz等人，2010；Custo等人，2017），并暗示这种全球大脑状态可能与对自动响应倾向的注意控制相关。

4.4. 微状态的功能意义、方法论考虑和未来工作的建议 

       我们的结果可以得出一些更多的结论。首先，个体差异相关性（r）的0.1和0.2代表了心理学研究中规范效应的第25和第50百分位，分别可以解释为小到典型的大小（Gignac和Szodorai，2016）。因此，我们的结果表明，微状态动态最多只能公平地预测个体间某些个性和认知功能的方面。然而，也有可能在这项研究中未包括的其他个体差异度量可能是微状态活动的更强预测因子，不同的认知功能方面可能在预测微状态动态方面更有效。其次，我们的发现表明，研究者在检查微状态时间动态时，应注意在年龄和性别上匹配实验组，并在感知特征上匹配条件。实际上，闭眼和开眼期间给予个体的指示可能会大大影响观察到的活动模式（例如，Milz等人，2016；Seitzman等人，2017）。研究应详细报告这些指示，即使参与者只是被要求安静地休息。最后，有大量的研究历史在神经病理或精神病理功能失调的人群中研究微状态（例如，Rieger等人，2016）。微状态时间参数可能是病理或心理健康的更可靠预测因子，而不是健康个体之间的差异。我们希望我们的发现将指导研究者在这些领域选择未来研究的度量。

       微状态代表了一种将自发的头皮记录的EEG活动解析为有意义的功能性脑状态的方式。量化振荡动态或EEG功能连接的其他方法也可能作为年龄、情绪、个性或认知功能的个体差异的有用预测因子。例如，Mahjoory等人（2019）最近在本研究参与者的一个子集中研究了阿尔法振荡的谱功率和长距离时间相关性（LRTC）。他们发现，这些振荡指数及其对应的神经源估计，与记忆广度和工作记忆表现相关，这是从注意力表现测试的切换成本得分中计算出来的。阿尔法振荡的功率和LRTC量化了与微状态动态相似的现象，因为阿尔法频率的振荡在很大程度上决定了宽带EEG中微状态的周期性和空间分布（Javed等人，2019；Milz等人，2017；Wegner等人，2017）。未来的研究应该更清楚地建立这些各种方法之间的功能连接。这样的比较还必须考虑微状态方法论的概念基础及其与其他方法的兼容性。此外，未来的研究应继续使用分布式源估计技术研究支持静息条件下清醒状态的脑发生器。我们希望共享大型公开可用的EEG数据集将推动其他分析方法的进一步发展，正如我们从大规模数据共享计划中看到的对功能和结构fMRI网络理解的快速发展。

      尽管他们在个体和研究之间的地形相似性（Michel 和 Koenig，2018）；他们与fMRI衍生的静息状态网络的关联（Bréchet等人，2019；Britz等人，2010；Custo等人，2017）；以及微状态时间参数的明确神经生理解释（Khanna等人，2015；Murray等人，2008），但在静息状态背景下，微状态的功能意义仍然大体上未知。最终，仔细的现象学研究和有意识的认知行为的实验操控将需要更好地理解微状态的毫秒级波动及其与感知经验和认知的实时关联（Varela，1996）。我们希望这项研究将激发对微状态功能意义的进一步工作，并指导新的关于毫秒时间尺度下认知的神经相关性的研究。