EEG微状态的功能意义_eegd

导读

大脑的瞬时全局功能状态反映在其电场结构上。聚类分析方法一致地提取了四种头表面脑电场结构，这些结构能够最佳地解释自发EEG记录中随时间变化的差异。这四种结构被称为EEG微状态A、B、C和D类，分别与言语/语音、视觉、主观感受-自主加工和注意力重定向有关。本研究通过个体内和个体间分析方法检验了这些关联。个体内方法检验了任务诱发的模式特定加工增强对EEG微状态参数的影响。个体间方法检验了个体模式特定参数对EEG微状态参数的影响。本研究是一项旨在根据EEG微状态类参数的功能意义假设来诱发EEG微状态类参数变化的研究。除了微状态A和B分别与视觉和语言处理相关之外，本研究结果表明，所有四种EEG微状态类别之间的微妙相互作用对于视觉和言语思维的持续形成是必要的。EEG微状态类可能代表主要表现为抑制功能的皮层内源的头表面测量活动。

前言

大脑的瞬时全局功能状态可以通过其电场结构来反映。使用头表EEG记录，可以以“毫秒级”的高分辨率分析脑电场结构的时间进程。观察这些时间进程可以发现，这些电场结构的变化是不连续的，即某些电场结构在大约100ms的时间内保持准稳定，然后突然转变到另一种电场结构。聚类分析方法一致地提取出四种头表脑电场结构，这些结构可以解释自发性EEG记录中随时间变化的约80%的方差。这四种状态被称为EEG微状态，通常从A到D进行标记。先前的研究表明，这些脑电微状态是心理状态的基本组成部分。

在以下各个发展阶段，包括精神病理学(意识障碍，精神分裂症，抑郁症，痴呆)与健康状态的比较，睡眠状态，催眠和冥想等状态的改变，以及特定性格特征的比较中，研究人员报告了四种EEG微状态类别的地形和其他参数的变化，如平均持续时间、发生率、覆盖率和微状态序列。尽管解释上述变化显然需要了解这四种EEG微状态类别的功能意义，但很少有研究直接针对这四种EEG微状态类别的功能意义进行研究。

Britz等人(2010)进行了一项同步EEG-fMRI研究，其中4种EEG微状态类别与4种fMRI静息态网络存在空间相关性，这些网络之前被归为语音加工(微状态A)、视觉想象(微状态B)、主观感受-自主加工(微状态C)、注意力重定向(微状态D)。然而，有研究表明，4种EEG微状态类别可能反映了默认模式网络中4个主要成分在时间上不同的电生理激活。四种EEG微状态的皮层内源与默认模式网络的四个主要成分的对应关系表明，通过fMRI测量的DMN代谢可能反映了不同网络的时间平均类型，只有在EEG记录中可用的时间分辨率增加时才能识别这些网络。DMN代谢活动的增加与无任务静息以及广泛的内部目标导向任务相关。通过评估内部目标导向任务的影响，与基于四种EEG微状态类别的无任务相比，EEG时间分辨率的提高将使我们能够更详细地了解四种时间上不同的电生理DMN成分的作用。

本研究使用了四种条件，三种内部目标导向任务(物体可视化、空间可视化、语言化)和非任务静息条件，分别诱导视觉、语言和主观感受-自主加工的增加。主观报告评估了参与者的物体视觉、空间视觉和言语思维水平；认知测试评估参与者的物体视觉、空间视觉和言语能力；认知风格量表评估了参与者的物体视觉、空间视觉和言语认知风格。个体内分析方法检验了特定思维模式诱发的成功程度，以及这四种条件对四种EEG微状态类别的发生率、持续时间、覆盖率和地形图的影响。个体间分析方法将静息态EEG微状态参数与特定思维模式的主观程度，以及特定模式的认知能力和风格相关联。

方法

参与者

在苏黎世大学和苏黎世联邦理工学院招募70名健康右利手男性参与者进行研究。参与者通过在线问卷进行筛选，如果报告有头部外伤史、脑部疾病或当前药物使用史，则被排除在外。参与者将获得40瑞士法郎的报酬，所有参与者均签署了书面知情同意书。经EEG预处理后，共获得61名参与者(平均年龄=24.2岁，标准差=3.3，年龄范围=18~34岁)的脑电数据。除了自我报告的思维模式(61名参与者中只有60名参与者的数据可用)外，所有参与者的行为数据都可用。

量表

思维模式量表(MOTQ)

MOTQ是一个基于物体-空间-言语认知风格模型的自评问卷。它从三个维度评估模式特定的认知风格：物体可视化、空间可视化和语言化。共包括36个项目：每个风格维度评估有12个项目。每个项目要求参与者在李克特五点量表(从1(完全不同意)到5(完全同意))上进行评估。通过计算各分量表项目的均值，分别获得参与者在每个维度上的得分。量表的信度均较高(内部一致性：0.81~0.86；重测信度：0.85~0.87)。

认知测试

物体视觉能力

为了评估物体视觉能力，本研究使用雪景图片测试的Part 1和Part 2，以及不完整图片进行测试。前两项要求参与者识别隐藏在一幅由短而不相连的线条构成的图像中的物体(每张图片耗时3分钟，共12张)。后者要求参与者从选定的五个字母中找出不完整的物体图像名称的首字母(40个图像1分钟时间)。将每部分正确识别的答案相加，得到三个测试中每一个的总分。

空间视觉能力

为了评估空间视觉能力，本研究使用折纸测验的Part 1和Part 2(PFT)，以及“立方体测验”。前两项要求参与者从五种折叠图形(每张3分钟，共10张图片)中正确选出一张与示例图片具有相同圆孔位置的正方形纸片。后者要求参与者通过想象折叠后的立方体会是什么样子来标记它们的顶部和连接的边(11张图片，共计时10分钟)。将每部分正确识别的答案相加，得到三个测试中每一个的总分。

言语能力

为了评估言语能力，本研究采用柏林智力结构测验言语维度中的Masselon测验、部分-整体测验以及顿悟测验。Masselon测验要求参与者写下尽可能多的包含三个已定义名词的句子(2分钟)，部分-整体测验要求参与者在四列名词中根据部分识别出整体(40秒)。顿悟测验要求参与者写下尽可能多的关键词来解释给定的陈述(2分钟)。将每部分正确识别的答案相加，得到三个测试中每一个的总分。

记录

EEG记录在苏黎世大学精神病院(University Hospital of Psychiatry，Zurich)的重点脑图实验室(KEY Brain Mapping Laboratory)使用64通道BioSemi记录系统进行。使用Biosemi 脑电帽将64导电极连接在以下位置：Fp1/2，Fpz，AF7/8，AF3/4，AFz，F7/8，F5/6，F3/4，Fz，FT7/8，FC5/6，C3/4，C1/2，Cz，TP7/8，CP5/6，CP3/4，CP1/2，CPz，P7/8，P5/6，P3/4，P1/2，Pz，PO7/8，PO3/4，POz，O1/2，Oz，P9/10和Iz(根据国际“10-10系统”)。使用另外两个电极(一个在左眼上方，一个在右眼下方)跟踪眼球运动。用应变仪胸带记录呼吸。记录的采样率为2048Hz。

使用Presentation®(www.neurobs.com)在每次运行之前，在显示器上再次呈现指导语。在无任务休息runs之前，要求参与者放松并闭上眼睛，直到有声音提示runs结束再睁眼。在可视化runs之前，要求参与者记住即将呈现的图像，然后在整个50s的记录期间闭着眼睛在心里想象它。图像呈现时间为7s。在6次物体视觉测试中，刺激图像是6张包含许多视觉细节的图片，如颜色、纹理和形状。在6次空间-视觉测试中，刺激图像是6种空间构型的黑色圆圈。在进行语言化之前，要求参与者阅读一个即将呈现的名词，然后想出该名词的语言定义，然后向想象中的其他对象内部解释它的意思。该名词呈现2s。刺激实例如图1所示。

图1.刺激实例示意图。

在每次run后，参与者报告他们在任务执行过程中的物体视觉、空间视觉和言语思维程度，通过指定他们对三个相应陈述的同意程度，在0(完全不同意)到100(完全同意)的连续评分量表上进行评分。此外，在物体视觉任务中，他们要回答一个关于他们所感知到的图片的三选项选择题(例如，“鹿身上的点是如何排列的？”)。在空间视觉任务中，他们从三种可能的空间构型中选择他们刚刚看到的构型(其中只有一种是正确的)。在语言表达任务中，参与者在30s内通过面前桌子上的键盘输入他们的定义。EEG记录完成后，通过三个认知任务(分别是物体、空间视觉和语言)评估参与者的三种思维能力。实验两周后，被试再次完成MOTQ和OSIVQ测试。

数据预处理

EEG数据采用脑视觉分析仪2(Brain Products，Munich，Germany)进行预处理。使用眼动校正ICA去除眼动伪迹。通过目视检查去除汗液、肌肉、运动和电极伪迹。在整个记录过程中有严重伪迹的通道(参与者的平均通道数=6.7，SD=3.8)被插值。对每个受影响的run分别进行插值。有三个通道(P9、P10和Iz)被排除在分析之外，因为它们是相对于其他61个电极的空间异常值，这些电极以近似均匀分布的方式覆盖头皮。然后将数据分割为2s的时间段，降采样至256Hz，并进行平均重参考，FFT滤波范围为2 ~ 20Hz(不加窗)。5名参与者的EEG数据被剔除，因为整个记录过程中存在强烈的眼动伪迹，而这些伪迹无法通过眼动校正ICA去除。另外4名参与者的EEG数据由于存在严重的局部额叶和颞叶肌肉伪影无法进行插值而剔除，因为这些电极点影响了多达8个周围通道。由于Presentation软件的技术问题，其中有一名参与者自我报告的思维模式结果无法获得。

微状态分析

微状态类计算

微状态类的计算遵循KEY EEG分析工具箱中微状态包的实现过程。这个开源库提供了用Python编程语言实现的EEG预处理和分析例程。对于每个参与者、每个条件和每个run，收集全局场功率峰值时间点的EEG地形图(GFPL1范数)，并将其输入到一个改进的k均值聚类算法中，以推导出能最大限度地解释地形图差异的四类地形图。然后，这四类地形图被用于计算不同run的平均类别，然后用于计算各参与者的平均类别，最后用于计算各条件的平均类别。以下描述了如何计算不同run的平均类别。随后应用相同的过程来计算参与者之间以及不同条件之间的平均类别。通过使用一个全排列程序来计算所有run期间的平均类，该过程确定了所有run期间四个类的最大平均相关性的解。在此过程中，每次run的均值作为分配给彼此的所有映射的第一个主成分进行计算。

微状态参数计算

使用各条件下的平均微状态类别作为模板，对于所有参与者、所有条件、所有run和时间段，基于最大皮尔逊相关将全局场功率峰值的EEG地形图分配到这4个微状态类之一。连续分配到同一类的GFP峰值图被认为属于一个微状态。一个微状态的持续时间被计算为地形图相继被分配到同一类的时间段，从前一个微状态的最后一个地形图和下一个微状态的第一个地形图之间的中点开始。基于给定的2s时间段，我们无法重建第一个微状态何时开始以及最后一个微状态何时结束。因此，它们的持续时间不能最终确定。因此，在接下来的参数计算中，忽略每个2s时间段的第一个和最后一个微状态。

本研究计算了三个微状态参数：平均持续时间、发生率和覆盖率。对每个参与者、每个条件、每次run和每个微状态类进行计算，计算方法是在给定run的所有2s时间段中计算各自参数值的平均值。

分析方法

个体内分析

在四种情况下，对物体视觉、空间视觉和言语思维程度的主观报告在重复run中取平均值。采用重复测量方差分析、事后方差分析和配对t检验方法来检验这三种任务是否诱发了被试的思维模式。Mauchly球形检验表明，物体视觉、空间视觉和言语思维都违背了球形假设。因此，报告的结果采用Greenhouse-Geisser校正。

任务对微状态参数的影响。四种条件下的微状态持续时间、发生率和覆盖率在重复run中取平均值。对于每个微状态参数(持续时间、发生率和覆盖率)，采用重复测量方差分析(自变量：条件，因变量：A、B、C、D类的参数值)、事后方差分析和配对t检验来检验这三种任务是否影响三个微状态参数。Mauchly球形检验表明，四种EEG微状态的持续时间、发生率和覆盖率均违背了球形假设。因此，报告的结果采用Greenhouse-Geisser校正。

任务对微状态地形图的影响。使用RAGU中实现的地形方差分析(TANOVA)对四种条件下的四类EEG地形图进行全局差异检验。TANOVA使用随机化程序计算两个地形图之间的全局地形差异(GMD)和观察到差异的概率。通道配对t检验指明了观察到的差异的空间分布。使用精确的低分辨率电磁断层扫描(eLORETA)对有显著差异的皮层进行源定位。

个体间分析

不同条件下微状态参数之间的相关性。本研究计算了四个条件(物体可视化、空间可视化、语言化和无任务休息)的微状态参数之间的Pearson相关性。

微状态参数与主观报告的思维模式之间的相关性。本研究计算了四种EEG微状态类别的持续时间、发生率和覆盖率与静息态下报告的物体-视觉、空间-视觉和语言思维程度之间的Pearson相关性。

微状态参数与特定模式能力的相关性。本研究计算了特定模式能力与静息态下四种EEG微状态类别的持续时间、发生率和覆盖率之间的Pearson相关性。根据九项认知测试的主成分分析，分别计算了物体-视觉、空间-视觉和语言能力因子的相关性。

微状态参数与特定模式风格的相关性。本研究计算了特定模式认知风格与静息态下四种EEG微状态类别的持续时间、发生率和覆盖率之间的Pearson相关性。基于MOTQ分别计算物体-视觉、空间-视觉和语言风格的相关性。

结果

微状态类

四种微状态类别的地形解释了所有GFP峰值的总方差的84.0±4.8%，以及所有EEG时间框架的方差的77.0±5.1%。不同条件下的四种平均微状态类如图2所示。图3分别显示了参与者在四种条件下的四个平均微状态类。根据与Koenig等人(2002)描述的四种标准类别的最佳拟合度，将这些地形图标记为A、B、C和D类。

图2.从聚类算法中检索到的四个微状态类的地形结构。

图3.从聚类算法中分别检索到四种条件(物体可视化、空间可视化、语言化和无任务休息)下的四个微状态类。

个体内分析

方差分析显示，条件对物体视觉、空间视觉和言语思维有显著影响。图4显示了四种条件下物体视觉、空间视觉和言语思维的自我报告程度。事后检验显示，在每项任务(物体可视化、空间可视化和语言化)中，参与者在诱发模式下比在其他模式下思考得更强烈。这在语言化任务中最为突出(图4)。

图4.四种条件下的物体视觉、空间视觉和言语思维的自我报告程度。

任务对EEG微状态参数的影响

方差分析结果显示，条件对A类和B类微状态的持续时间、发生率和覆盖率有显著影响。事后配对t检验揭示了三个参数条件之间的相似差异模式。图5显示了观察到的四种微状态类的绝对覆盖率大小(百分比)。在所有条件下，微状态A和B类的平均覆盖率(20-24%)低于微状态C和D类(27-30%)。在微状态类A和B的条件之间，显著(p＜0.05)覆盖差异的绝对值具有中等效应大小。

图5.四种微状态A、B、C和D在四种条件下的覆盖率(箱线图)。

任务对EEG微状态地形的影响

双因素TANOVA分析显示，微状态类别以及条件与微状态类别之间的交互作用对微状态地形有显著影响。对四种EEG微状态类分别进行单因素TANOVAs分析发现，条件对图B，图C和图D的微状态地形有显著影响。事后配对TANOVAs显示，几个条件对之间存在显著的地形差异，如图6所示。

图6.四种EEG微状态类A、B、C和D的几个条件对之间存在显著的地形差异，p＜0.05(双尾)。

对所有四种条件下的地形图进行多维缩放显示，分别在微状态类C和D的左右和前后地形图上，物体和空间可视化与语言化有相似的偏向。此外，这三个任务与无任务条件有相似的偏向。因此，本研究使用eLORETA计算了可视化(物体和空间可视化)和语言化之间，以及任务(物体、空间可视化和语言)和无任务休息条件之间的平均差异的源。

在可视化过程中，与语言化相比，源定位显示图B(岛叶，BA 13)和图C(颞叶，BA 39)的左顶叶区域和图D的中线后部区域(后扣带回，BA 23)的活动增加。在语言化过程中，可以观察到图B的右侧枕顶区域(后扣带回，BA 31)、图C的右侧枕顶区域(岛叶，BA 13)以及图D的中线前部区域(前扣带回，BA 25)的活动增加(见图7)。

图7.eLORETA源成像显示了可视化(Vis)和语言化(Ve)之间三种微状态B、C和D类电源皮层分布的统计差异。

与无任务静息条件相比，任务条件下的源定位显示图B的左侧布洛卡区(BA 44)、图C的楔前叶(BA 7)和图D的内侧额回(BA 9)活动增加。在静息状态下，图B的右侧初级躯体感觉皮层(BA 3)、图C的左侧视觉关联区(BA 18)和图D的左侧听觉关联区(BA 21)活动增加(见图8)。

图8.eLORETA源成像显示了在任务(Task)和无任务休息(Re)状态下，三种微状态B、C和D类电源皮层分布的统计差异。

个体间分析

不同条件下EEG微状态参数之间的Pearson相关性显示，所有微状态类和所有条件对的持续时间、发生率和覆盖率之间存在强关联(所有r＞0.75)。这些结果表明，在所有条件下，同一参与者(相较于其他参与者)的四种EEG微状态类的相对持续时间、发生率和覆盖率非常相似。在静息状态下，EEG微状态A持续时间相对较长的参与者，在执行任务时也会表现出相对较长时间的微状态A，反之亦然。

然而，在三个EEG微状态参数和三个模式相关的个体参数之间的108种可能的相关性中，只有4个在p＜0.05的显著性水平上具有统计学意义(未进行多重检验校正)。前两个显著相关性与休息时的物体视觉思维有关。物体视觉思维与C类微状态的持续时间和覆盖率呈正相关。然而，事后分析表明，这些显著相关性在不同run之间并不一致。另外两个显著相关性与言语认知风格有关。言语风格与微状态A的持续时间呈负相关，与微状态C的发生率呈正相关。

结论

本研究结果揭示了A类和B类微状态分别与视觉和言语加工有关，而D类微状态与主观感受加工有关。然而，所有微状态类都出现在所有四种条件中，可视化微状态A和B的覆盖率与语言化条件相比的绝对差异、以及无任务休息微状态D的覆盖率与目标导向任务相比的绝对差异都非常小。因此，本研究认为，虽然EEG微状态A、B和D类的发生率、持续时间和覆盖率增加分别与视觉、言语和主观感觉加工有关，但它们肯定不能被简化为这些功能。相反，四种EEG微状态类别之间的微妙相互作用对于视觉和言语思维的持续形成以及主观感知加工是必要的。本研究结果表明，EEG微状态类可能代表了主要表现抑制功能的皮层内源的头表面测量活动。然而，还需要进一步的研究来验证和阐明这一假设。

参考文献：

Andreou, C., Faber, P.L., Leicht, G., Schoettle, D., Polomac, N., Hanganu-Opatz, I.L., Lehmann, D., Mulert, C., 2014. Resting-state connectivity in the prodromal phase of schizophrenia: insights from EEG microstates. Schizophr. Res. 152, 513–520.

Britz, J., Van De Ville, D., Michel, C.M., 2010. BOLD correlates of EEG topography reveal rapid resting-state network dynamics. NeuroImage 52, 1162–1170.

Faber, P., Lehmann, D., Milz, P., Travis, F., Parim, N., 2014. EEG microstates differ between transcending and mind wandering. ZNZ Symposium 2014, Zurich.

Tomescu, M.I., Rihs, T.A., Roinishvili, M., Karahanoglu, F.I., Schneider, M., Menghetti, S., Van De Ville, D., Brand, A., Chkonia, E., Eliez, S., Herzog, M.H., Michel, C.M., Cappe, C., 2015. Schizophrenia patients and 22q11.2 deletion syndrome adolescents at risk express the same deviant patterns of resting state EEG microstates: a candidate endophenotype of schizophrenia. Schizophr. Res. Cogn. http://dx.doi.org/10.1016/j.scog.2015.04.005.

Koenig, T., Prichep, L., Lehmann, D., Sosa, P.V., Braeker, E., Kleinlogel, H., Isenhart, R., John, E.R., 2002. Millisecond by millisecond, year by year: normative EEG microstates and developmental stages. NeuroImage 16, 41–48.

Koenig, T., Kottlow, M., Stein, M., Melie-García, L., 2011. Ragu: a free tool for the analysis of EEG and MEG event-related scalp field data using global randomization statistics. Comput. Intell. Neurosci. 2011, 4.