微状态Ⅰ-原理

微状态是一种对脑电数据的处理分析方法。传统地，对脑电数据的分析更加注重时域，这样的分析策略也集中体现了脑电数据时间分辨率高的特点。但是以往这样的方法忽略对脑电数据在拓扑层面上的分析，微状态分析应运而生。

微状态分析中的重要概念----GFP

GFP（Global Field Power）：某个时间点地形图所有电极电压值的标准差，用于描述某个地形图电场的强度。

GFP计算公式

GFP图

通过上面这个公式可以发现，GFP的大小和实际上使用什么电极作为参考没有关系；
GFP 一定是一个正值；
GFP 特别高的地形图一般来说，GFP图上会表现为峰特别高，谷特别深；否则就是比较平缓；
GFP 图中峰值处的信噪比比较高，信号质量较好，谷值处信噪比比较低。

补充说明
关于不同地形图的比较：
-比较模式之间是否有差异
-比较强度之间是否有差异（有时会用地形图除以GFP以进行归一化处理）
相似性的比较：①计算相关；②计算GMD（不相似性）：取值范围（0，2）0-相同，2-不相同；

比较地形图可以使用 RAGU software

微状态分析的应用范畴

可以用于resting EEG 和 ERP 脑电数据的分析，但是目前对resting EEG （下面简称 EEG）的应用比较多，较少文章涉及到ERP；
EEG 和 ERP 两者之间是有些不同的：

EEG 数据不需要考虑极性，ERP 数据需要考虑极性（因为正波和负波是不同的成分）；
EEG 数据可以直接对经过预处理之后的数据进行微状态分析，ERP 数据需要在预处理之后首先确定不同成分，之后在对不同成分的地形图进行分析；
EEG 微状态分析结果一般是四类，ERP 不一定是四类，取决于有多少个ERP 的成分；
EEG 微状态分析在进行聚类时，可以选择使用GFP 峰值聚类，但是ERP 不能使用这种方法；
ERP 微状态分析在结果中，有些指标不能使用，e.g. 相互转换的概率、单位时间内出现的次数。

微状态分析提出和特点

由前所述，因为以往的脑电研究中，较少分析脑电数据在地形上的特点，所以，提出了这样一种关注地形图信息的分析方法。

微观状态分析起源于1987年Dietrich Lehmann及其同事的研究(Lehmann et al. 1987)。他们发现，自发EEG信号的头皮电位maps的时间序列，不是不规则变化的无组织序列，而是有规律变化的地图形态的有组织的连续序列。也就是说，它在一段时间内保持稳定，通常在80到120毫秒之间，然后突然改变到一个新的结构，并再次恢复稳定。注意，在稳定结构的时间内，头皮电位场强度可能增加或减少，但其地形图保持稳定；

ERP 中的微状态分析
ERP 的微状态分析关注的是在一个成分潜伏期内比较稳定，因此有几个ERP成分就有几个微状态。

微状态分析中的算法

微状态的分析方法是聚类分析，常用的方法有：

K-means
AAHC
T-AAHC

下面将逐一进行介绍。

K-means

首先，会随即选择m个地形图，分别将m个地形图和剩下的地形图做相关，最后选出分别与这m个地形图最相似的一些地形图。将这些相似的地形图进行计算，更新得到新的m个地形图，并计算GEV。
然后按照上述的步骤将更新之后的m个地形图再和剩下的地形图做相关，继续选出最相似的一些地形图，再次更新得到新的m个地形图，并计算GEV.
这样不断地进行迭代后，GEV会逐渐趋向平稳，得到最终的结果。

K-means的不足：
-对初始值敏感，受最初选定的m的影响很大；
-run时间长才能取到GEV比较大的结果；

补充说明--GEV的取值
一般来说有两种取值形式，一种是直接跑到GEV的最大值；另一种是手动选择一个比较大的迭代次数，e.g.1w

AAHC & T-AAHC

这两种方法都是基于垂直聚类形成的，AAHC和T-AAHC的区别是AAHC考虑到了地形图的强度，T-AAHC则没有考虑这一点。

这两种方法都是首先找到GEV最低的地形图，然后和其他所有的地形图计算相关，取最相关的进行合并。然后再次进行相关，再取此次得到的最相关的地形图进行合并，以此类推进行迭代。最终这种方法会得到一个结果，如果要设定计算结果的类别数目，则需要选择最终结果前几个步骤即可。

** AAHC & T-AAHC 和 K-means的对比：**
运行速度比K-means快

在使用 K-means / AAHC / T-AAHC 得到每个被试的4种微状态（以resting EEG 为例）之后，按照条件再进行聚类就可以得到不同条件下的微状态了（i.e.组水平）。

补充说明--某一被试在某一时刻点上属于哪一种微状态？（就像上图‘EEG 四种微状态’ 展示的一样）
有两种方法，一种是根据每个被试的四种微状态的结果进行判断，优点是最直接准确，缺点是SNR大；另外一种是根据求得的组水平上的四种微状态的结果进行判断，优缺点和上一种方法相反。
如何判断时间点？
一种常用的方法是取峰值，用GFP的峰值上的微状态代表这一段时间内的微状态类型；
这种方法需要考虑相邻峰值上的微状态类型是否相同，如果不同，则取两个峰之间二分之一处区分两种成分；若是相同，则两峰之间的类型为同一种。这种方法无法判断开始到第一个峰，以及最后一个峰到最后的时间点上的微状态的类型。

微状态分析的结果指标

一般来说，resting EEG 数据经过微状态分析可以得到四种不同的微状态，它们有跨研究的一致性，可以解释70%以上。

EEG四种微状态

尽管这四种微状态图彼此之间有很大区别，但它们在不同的研究中都具有很高的可重复性。不过，同一类标记的地形图的相似性并不总是明显的，特别是对于C类和D类。

不同的微状态类型对应不同的功能：

微状态A和B与感觉处理相关(微状态A:听觉;微观状态B:视觉)；
微观状态C：自主处理，认知控制网络（主要是显著性网络）中的活动以及前扣带回和脑岛的激活相关； C反映默- 认模式网络的一部分，即任务负网络，在认知任务执行过程中活动减少；
微观状态D：注意力相关处理。与背侧注意网络和睡眠有关，可以反映注意力、焦点转换和重新定位的反射性。

从不同的微状态中提取以下时间参数并计算：

微状态保持稳定的平均持续时间（the average duration that a given microstate remains stable）→大脑皮层下的神经元的稳定性；
微状态的发生频率（ the frequency of occurrence for each microstate independent of its individual duration）→该微状态下潜在的神经元或神经系统被激活的趋势；
微状态总记录时间的分数（the fraction of total recording time for which a given microstate is dominant (i.e., coverage) ）；
每个微状态的总体方差（the global variance explained by each microstate，GVE ）；
微状态到任何其他微状态的转换概率（the transition probabilities of a given microstate to any other microstate ）。

统计方法
对提取出来的每个微状态的不同参数指标数据进行统计分析。
统计分析依照实验设计进行，如果分别对 duration、occurrence、contribution 指标进行分析，则是N(条件)x4（4种微状态）方差分析；如果是转化概率进行分析，转化概率一共有12种，因此要做 12个t检验。

延伸说明--关于4种微状态的地形图检验
在进行具体的指标参数的统计检验之前，可以先对4种不同的微状态的地形图进行检验。