利用脑电图来分析大脑静息态脑网络的自发激活很有意义，因为感兴趣的信号幅值低而且很难区分潜在的神经来源。首先，本文使用k-means聚类方法对脑电数据进行聚类得到7个静息态脑地形图。然后使用TESS方法对宽频带脑地形图进行溯源定位，最终通过重现结果的方法证明了方法的可靠性。上述得出的7个静息态脑地形图都减去它们平均出的脑地形图后可以得到7个特殊的脑地形图。这个均值脑地形图在上额叶、上顶叶、脑岛、前扣带皮层都存在紧密连接。这个均值地图就像一个“路由器”，连接着多个脑功能网络。这7个特殊的脑地形图存在一定的相似，扩展了微状态经典的四种脑地形图。本文的关键在于证明了微状态最好的策略是估计每个数据集的最优聚类数量，而不是使用一个固定的数量。同时使用了现在少见的TESS溯源方法对微状态结果进行溯源并与fMRI现有的结果进行比较。本文发表在BRAIN CONNECTIVITY杂志。（可添加微信号siyingyxf或18983979082获取原文及补充材料，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）。fMRI相关的研究显示，大脑在休息时，大脑不同区域仍然存在功能连接，仍旧会表现出随时间而自发的血氧水平依赖波动。这一发现和这一先进的神经成像技术的使用，导致人们对大脑工作方式的理解产生了根本的范式转变。现在流行的假设是，大脑在不受外部刺激的状态下也会以一种有组织的方式活动，为更好地处理刺激做准备，而不是不受外界刺激的时候就处于一种空闲状态。最开始的研究认为脑网络中不同区域之间的功能连接是保持静止的，很多与静息态网络（RSNs）相关的功能磁共振成像研究也是以这一假设为基础。但是后来的研究发现，静息态网络会随时间变化而且会在时间和空间上出现明显重叠，这说明静息态脑网络存在动态相互作用。研究显示，大脑区域之间的功能整合意味着大规模的神经元动力学有共享的解剖基础结构。还有研究表明，这些空间区域的相关性和反相关性在时间上的交替变化不是连续的。有了这些研究结果之后，就有研究者就这些空间分布的大脑区域的短暂激活与同步活动的电生理发现进行了比较。研究者认为这一个个静息状态代表着认知的微状态，认知加工过程就是通过一系列的这些微状态演化而来。随后，“认知微状态”（microstate of cognition）被研究者们提出，而且人们发现用多通道脑电测量出的微状态会在100ms的时间内保持稳定，然后切换成新的脑地形图。研究者们认为这些脑电测出的“微状态”代表了人类认知的组成部分，即“思维的原子”（atoms of thought）。“思维的原子”假说认为，微状态的激活网络代表意识的不同状态，而且每个微状态与结构意识状态的不同心理相关。过去20年的一些研究表明，EEG微状态的存在和变化过程会受到意识层次差别和疾病的影响。因此，在很大程度上，缺少对产生这些不同脑电图状态的神经元来源的可靠识别，也就是对EEG微状态不同状态的溯源定位来确定大脑中的哪些区域在这些微状态下是相互同步的。目前常用的两种方法，一种是将EEG与fMRI配合，分析同时记录的EEG和fMRI数据，以识别与静息态脑地形图发生变化时间相匹配的血流动力学变化的脑区。还有一种方法是EEG溯源，对脑电地形图进行溯源来寻找生成脑电地形图相关的脑区。现有的研究已证明fMRI静息态网络与微状态产生的静息态网络相似。将微状态时间序列与静息态fMRI BOLD信号进行卷积时，微状态地形图与特定静息态网络活动相关。大量的研究指出微状态A、B、C、D分别对应与听觉、视觉、凸显、注意网络相关的静息态网络。还有研究使用fMRI识别与特定微状态具有时间相关的静息态网络。但他们识别出10种微状态，并且识别单个被试的静息态网络与微状态的联系，因此，比较这些研究的差异是很困难的。还有研究者识别了13个微状态和10个静息态网络，并且发现个体微状态在时间上仅与几个RSN的激活相关。综上所述，这些研究表明了静息态网络活动与EEG微状态之间的关系。在本研究中，我们直接估计产生静息态脑地形图的(电生理)神经网络。本文中，我们采用了TESS（topographic electro-physiological state source-imaging）方法对静息态脑电地形图进行溯源，来估计基于脑电图的静息态网络。TESS是一种基于一般线性模型回归的溯源方法，它通过选择与感兴趣的地形相匹配的时间路线的空间位置来估计给定的头皮脑电地形图的空间源分布。本文分析了164例健康受试者在闭眼休息状态下3-7分钟256导的脑电数据，估计了代表这个数据集的最优静息态拓扑集，计算这些脑地形图的时间进程，并确定了潜在的时间相关源的分布。最后对得出的源分布进行重复性量化，并根据其空间模式对结果进行解释和分类。本实验记录了164名健康受试者(年龄6-87岁，平均/标准偏差38.11±24.15,89名女性)在电屏蔽室内3 ~ 7分钟静息状态的脑电数据。受试者坐直，闭上眼睛，并被指示放松，思想放松。脑电帽265导，采样率为1000Hz，顶点参考。采集后，数据进行1-40Hz滤波，并应用ICA去除眼电肌电和心跳伪迹。然后将数据降采样至125Hz，坏电极进行插值处理并进行全脑平均重参考。最后剩余204个电极，删除了部分无用电极。我们使用Cartool的自适应k-means聚类方法来估计脑电数据的最优脑地形图集合。为了确定最优的簇数，本文计算了11个独立的优化准则并将其合并。本文在全局能量(GFP)峰值处对脑电数据进行聚类，以获得最大的信噪比。GFP代表大脑的顺时电场强度，因此通常用于测量全脑对事件的反应。一般情况下，GFP峰周围的地形图保持稳定，并在GFP峰处达到最高信噪比。首先，将每个脑电图(在GFP峰值处)聚类到其最优聚类数，当EEG时间点与聚类图的相关性大于0.5时，才将其分配给这一聚类。对于给定的k(其中k是聚类的数量)，我们随机选择k个拓扑图为起始集合然后聚类100次，来找到最大化全局解释方差的聚类地形图集。对于特定的k，平均聚类图，也就是模板地形图，将代表最优的个体的聚类中心（即解释了最大方差的）。对k从1到15重复此过程。然后，我们对这些单独的模板拓扑进行聚类(500次试验)，如果它们的相关性低于0.5，则不将这一地形图分配给某一个聚类。图1为TESS的过程图。首先，将得出的7个脑地形图矩阵作为模板，用广义线性模型（GLM）拟合每个受试者的连续脑电图。拟合结果就是每个被试的每个静息态地形图的时间进程。采用赢家通吃的方法，我们计算了一个指数函数，将每个时间点归因于具有最高GLM系数的地形图：
其中
为GLM拟合受试者EEG时间点t对静息状态地形图m赋值的系数。
同时，对单个脑电图的每个时间点采用分布式线性逆解，并估算了5000个均匀分布在模板脑灰质中的点的电流密度的时间进程（
代表每个点和时间点）。然后使用第二个时间GLM来拟合这两个时间进程
得到每个点p（或体素）的系数的估计和七个静息态拓扑图的每一个。结合图1更容易看懂，其实主要意思就是首先将7个微状态地形图与EEG中出现的时间点相对应得到7个状态的时间变化过程，然后对EEG数据按照时间点进行溯源，最后将两个过程进行拟合从而找到7个微状态所对应的溯源结果。整个过程建议看图1进行理解更直观。
在最后一步的GLM拟合过程中，地形时间进程作为一种随机回归因子与GFP和GMD（global map dissimilarity）一起使用。GMD计算公式如下所示：
其中N为电极数，ui和vi分别为脑地形图u和v中电极i处的电压，和代表这些脑地形图中所有电极的平均电压。GFP回归器有助于消除信号功率波动引起的偏差；当信噪比很低，信号与特定状态的关联很弱时，GMD回归器可以减少状态之间的过渡时刻的影响。与基于fMRI的GLM分析类似，这个过程的结果是一个beta变量分布。
图1 TESS过程本文使用TESS对聚类出来的7个脑地形图进行溯源。如果您对脑电，眼动，近红外等数据处理感兴趣，欢迎浏览思影科技课程及服务（可添加微信号siyingyxf或18983979082咨询）：
第二十八届脑电数据处理中级班（北京，6.20-25)
第十届眼动数据处理班（北京，6.27-7.2)
第十三届近红外脑功能数据处理班（北京，7.18-23)
第四届脑电机器学习数据处理班（北京，8.11-16)
第二十七届脑电数据处理中级班（南京，6.1-6.6)
第三届脑电机器学习数据处理班（上海，6.25-30）
第十二届近红外脑功能数据处理班（上海，6.15-20)
第九届脑电信号数据处理提高班（上海，7.8-13)
第二十九届脑电数据处理中级班（上海，7.16-21)
第十七届脑电数据处理入门班（上海，8.1-6)
第十五届脑电数据处理入门班（重庆，7.12-17)
第十四届近红外脑功能数据处理班（重庆，8.14-19)
数据处理业务介绍：
思影科技近红外脑功能数据处理服务
为了测试静息态拓扑结构是否具有空间或时间相关性，我们计算了它们的成对空间和时间相关性。通过计算7个估计的归一化静息态脑地形图之间的Pearson相关性的绝对值，并测量地形头皮电位的空间分布之间的协方差，来计算空间相关性。取相关系数的绝对值可以使它们不受地形极性的影响。
3.结果
通过两步k-means聚类（个体水平和组水平）得出表1结果，计算出的数据的最佳聚类数量为7。这7个脑地形图解释了84.8%的结果。表1中第一列的脑地形图代表了各自聚类的中心；第二列显示每个聚类的单个模板映射的数量；第三列显示的是为聚类提供了至少一个映射的被试数量；最后一列为计算的GEV（global explained variance）值。结果显示，A、B、C、D这四个脑地形图是微状态中最常用的那四个脑地形图，占了总体的60%。其他三个脑地形图解释了25%的差异。
图2显示了这7个脑地形图之间的时空相关性。E图与A图和B图的时间相关性高(分别为0.63和0.62)，G图与B图的时间相关性高(为0.57)。空间相关性结果显示四种典型脑地形图与另外三种脑地形图之间的相关性(<0.68)低于典型脑地形图本身之间的相关性(高达0.76)。
图2 7种静息态脑地形图的平均时间(A)和平均空间(B)相关系数结果。
对上述7个脑地形图进行TESS溯源，其结果和计算的z值如图3所示。最左边一列显示了7个脑地形图（A-G），第二列第三列和第四列显示的是溯源结果（z>4.8）。在图3(第2-4列)中，我们可以注意到微状态中一些z值较高的大脑结构是一样的。为了确定哪些脑区存在共同点，对这7个脑地形图计算出来的z值求平均，求出来的平均地图的结果如图4所示（z>4）。最主要的重叠区域在前/后内侧轴，包括额叶上皮层的腹侧延伸到前扣带回和尾侧延伸到中央后回。岛叶和顶叶上皮层也属于这一组共同区域。我们从每个个体的eRSN中减去这个均值图，以突出RSN的特定状态部分。图3(后三列)显示了这些去均值后的结果。
表2为总结的每种地形图的活动区域。当一个区域在去平均之后还处于明显活跃状态（p<0.005,z>3）我们就命名其为“active”。以下是与每个微状态地形图明显相关的主要皮层区域：
A：左侧颞叶中上部，包括Brodmann区41(BA41，初级听觉皮层)和22(BA22, Wernicke)，以及左侧岛叶皮层。左侧舌回(BA19)的激活也有一点，但较低。
B：左右枕叶皮质(楔叶)非常活跃，包括Brodmann区17和18(初级视觉皮层)。第二个较小的活跃区域位于右侧岛叶皮层，延伸至右侧屏状核和右侧额眼区(BA8)。
C：主要活跃区域在楔前叶和后扣带皮层(PCC)。第二个较弱的激活区域是左角回。
D：在右侧顶叶下半部(BA40)和右侧额中上回有较强的激活。右侧脑岛(BA13)也被激活。
E：左额中回，包括额眼区(Brodmann区8)和前扣带背侧部分与楔叶一起被强烈激活，并延伸至PCC。丘脑也被激活，但是脑电图定位这些深层结构的能力还存在争议。
F：在背侧前扣带皮层(ACC;BA32)延伸到额上回。主要激活区域的列表由双侧额中回和双侧脑岛完成。
G：在右侧顶叶下延伸到颞上回的区域发现了最强的激活。小脑也被激活。
脑电图微状态反映了持续锁相几十毫秒的大规模神经网络的同步活动，被认为是自由浮动心理过程的基本构建模块。确定在这些状态中占主导地位的活跃大脑区域，并将它们与这些区域相关的大脑功能联系起来，有助于理解这些状态的功能重要性。本研究利用时空线性模型对大样本高密度脑电记录的脑电微状态网络进行了估计。发现：（1）7种不同的脑地形图最好地描述了我们的EEG数据，其中我们可以识别出文献中经常描述的4种典型的微状态图。（2）根据时间fMRI静息态研究和EEG-fMRI联合静息态研究，我们确定了大多数eRSNs共享的大脑区域。（3）每个静息态地形图都可靠地与估计源的分布式网络相关(p<0.005)，我们在其中区分了共同区域和特定区域。本文结合11个不同的优化标准，确定了7个脑地形图作为最佳聚类数，最好地解释了所有数据。许多以前的研究一直都是使用4种经典的微状态。当使用这7个脑地形图时，经典的4个脑地形图解释了60%的结果，其他三个解释了25%的结果，总计84.8%。很少有研究发现四个脑地形图是最佳结果，大多数人根据现有的微状态文献选择了四种主要的聚类图。尽管这4个经典脑地形图在各个研究中都相当稳定，但我们发现一些非典型脑地形图的例子，在这些非典型脑地形图中，将其划分为标准的A-D类和随后的功能解释可能过于局限。本文分析了四种经典脑地形图和非经典脑地形图空间上的不同。使用数据驱动，我们做出了C和F相对应的两个不同的网络，但是在文献中，我们发现有些文章将C-like和F-like的脑地形图作为同一状态和网络。如果研究人员仅根据四种最主要的空间模式来确定脑电地形图的时间特征(例如，出现时间和持续时间)的差异，则应注意解释其相关的RSNs。随后，我们进行了一个测试，假如仅使用A-D这四个地形图，C和F就会被并入C这一组种。我们发现，假如使用较少的脑地形图进行GLM拟合，C和F最后就会合成一个单一的网络，最后溯源结果也就主要包括前扣带和后扣带皮质。本研究中描述的7个脑地形图及其对应的RSNs可以作为未来研究的起点，旨在更详尽和准确地分类静息态拓扑及其对应网络。空间重叠网络（Spatially overlapping networks）我们使用空间和时间一般线性建模对7种静息态脑地形图进行了溯源，并获得了高度重复性的结果。这项分析显示，在几乎所有的7个神经网络中，有几个大脑区域一直处于激活状态。大多数脑电图RSNs共享这些大脑区域的事实可能解释了脑电图部分空间重叠的情况。我们认为，尽管空间分辨率低，脑电图源成像有助于任何基于脑电图的网络分析的平滑性和空间重叠处理，我们对大量静息状态脑电图数据进行的再现性分析可以明确定义不同静息状态共享的脑区。这些共同区域包括沿前/后内侧轴以及岛叶和上顶叶皮质的区域。基于fMRI、DTI和图论的网络分析一致地识别出这些区域在解剖和功能上紧密相连，在大规模的大脑网络中扮演重要枢纽的角色。它们对所有7种脑地形图的一致贡献可能反映了它们参与了广泛的认知过程，这些认知过程交叉连接了多个功能域。这种公共通道的存在很好的适应了全局工作空间模型，任何被唤起或自发的大脑状态，当被有意识地访问时，都会在其状态特定网络中产生高度活跃，但它们也会使用到公共通道从而灵活有效的整合信息。特殊微状态网络（Microstate-specifific networks）当从每个eRSN中减去它们的平均值时，每个微状态都有独特的活动区域。产生A、B、C、D这常用的四个网络时与前人的研究结果一致，其中，RSN是基于EEG和fMRI BOLD活动之间的时间相关性来估计的。这是个有趣的发现，因为这两种方法是采用的完全不同的时间尺度，慢速的fMRI网络是BLOD信号捕捉到的，而源分析方法定位了快速波动的电生理状态。我们之前已经证明了脑电图微状态的无标度动力学可以解释这两个时间尺度之间的联系。然而，在我们的研究中，与Britz等人描述的四个基于fMRI的网络相比，脑电图网络包含了更多的区域。这种差异可以通过将四个微观状态的时间过程与血流动力学响应函数卷积来解释，只有非常慢的波动动力学得以保持。这种方法不能捕捉到大脑活动的快速和非平稳特性。电生理学研究一再表明，静息态下的神经信号以更快的时间尺度波动，以便为任何可能的外部或内部刺激做好有效准备。这种快速动态变化的网络不能像传统的功能磁共振成像分析那样，用假设缓慢波动的功能网络的方法来估计。新的功能磁共振成像研究观察到的自发动态的BOLD的功能性连接促进了脑电图RSN的重新定义。与这里的结果相似，这种时间上的功能磁共振成像研究显示，自发的大脑活动波动与传统的功能磁共振成像截然不同。通过比较Britz及其同事估计的微状态A-D的电生理网络和血流动力学网络，我们提供了对我们发现的初步解释。在我们的研究中，左颞叶和左脑岛被确定为微状态A的主要来源。在Britz等人的研究中，微状态A的时间过程主要与双侧颞中回、颞上回和左侧额中回的BOLD活动相关，这些区域部分与我们在本研究中估计的来源相对应。微状态B的源头主要位于枕叶皮层，与Britz的结果相似。微状态D与Britz等人的研究高度一致，集中在右侧额中上回和右侧上下顶叶。一个明显的区别是微状态C：也就是说，在Britz等人的研究中，微状态C主要由前扣带回、额下回和岛叶产生，我们的结果估计了大脑顶叶区域产生的微状态C。Britz等人在研究中描述的微状态C更符合我们的新微状态F。如上所述，微观状态C和F是空间相关的(相关系数为0.7)，导致之前的研究容易将两个状态视为一个(特别是当聚类的数量限制在4)，经常出现产生的脑地形图像微状态C，但其实是微状态F，很多人就直接将其视为微状态C。微状态E和G是最近发现的两种状态，之前的研究中没有描述过，除了Grieder等人的研究中出现了E-like微状态。微状态E涉及到典型的属于默认模式网络的区域：ACC、PCC和楔前叶。最后，微状态G可能与感觉运动网络有关，主要是由于其强烈激活了小脑。对微状态的扩展，不仅分离了以前的微状态，而且还确定了新的微状态拓扑结构和相应的网络。特别是，我们估计的这些新状态之一(微状态E)的产生者属于默认模式网络（default mode network），即前扣带皮层和后扣带皮层。其他微状态也包括属于默认模式网络的区域，特别是微状态C，其来源在PCC和楔前叶，以及微状态F，其来源在内侧前额叶皮质。此外，我们认为内侧前额叶皮质是产生大多数其他微状态的来源之一，正如上面所讨论的，我们将该区域解释为大规模网络中的一个主要枢纽。在最近的功能磁共振成像文献中，对默认模式网络的不同区域的功能作用及其与任务负性网络的共同归属进行了深入的讨论。在这方面，Andrews-Hanna及其合作者做出了一个有趣的贡献，他们指出，默认模式网络在涉及自我参照认知过程的任务中是活跃的，而且这个网络可以被划分为几个子系统，通过共同的枢纽相互通信。在该系统中，内侧前额叶皮质和PCC发挥中枢的作用，而具有不同功能的子系统包括背侧内侧皮质子系统(负责内部导向的认知)和内侧颞叶子系统（负责记忆引导）。最近由同一小组进行的一项分析显示，除了默认模式网络，其他不同的网络也与自发思维有关。这种关于默认模式网络及其在自发思维产生中的作用的不同观点与我们的发现非常吻合：一组常见的微状态的枢纽和子系统，包括但不限于默认模式网络的区域，共同生成头皮脑电图记录的独特的时空活动模式。最后一个值得讨论的问题是，我们估计的微状态网络是否识别了功能激活或失活的区域。当受试者闭上眼睛时，脑电图主要是阿尔法频段活动，这通常与功能失活或“cortical idling”有关。因此，有人可能会认为，微状态的出现(以及相应大脑区域的活动)表明皮层失活，而不是激活。然而，虽然这种解释可能支持不参与刺激处理的区域的活动受到了抑制，但有充分的证据表明，阿尔法频段能量在不同的认知任务需求中会增加，这对阿尔法频段同步只是反映心理活动减少的观点提出了质疑。例如，Fink等人在一项脑电图-功能磁共振成像的联合研究中表明，创造性认知任务与额叶-阿尔法同步化有关而且大脑活动的增加主要在额叶区域。其他的研究也表明，在想象相关的任务中，阿尔法频段的能量显著增加，这表明在静息状态下阿尔法活动的增加实际上反映了自由浮动的联想和心理意象，这是一种有意识的认知活动，主要负责产生我们在研究中观察到的微状态。我们的研究结合了静息态脑地形图和最近发布的脑电源定位方法，基于时间模式匹配估计神经网络。我们分析了一个大的高密度脑电图数据集，并估计了一组7个微状态，它们可以解释84.8%的数据，并在受试者之间持续存在，包含了传统的四个微状态。使用7或4个脑地形图比较我们的地形源分析可以得出这样的结论：最好的策略是估计每个数据集的最优聚类数量，而不是使用一个固定的数量。这在比较不同的条件或组时尤其重要，例如，患者与对照组，可以避免匹配或合并所谓相似的地图，就好像它们表示相同的状态。对这四个脑地形图进行溯源可以分为两个部分：一种是由几种特定状态的神经激活模式组成，每种状态都是独一无二的；而另一个组成部分则是在微状态网络中共享的大脑区域的单一地图。这两个组成部分可能反映了意识的全局工作空间模型。该理论假设，大脑在两种不同的意识水平上波动，由刺激引起的和在静息时自发引起的：更高层次的意识是通过具有密集的远程轴突的大脑区域的多个网络在全局范围内提供信息来实现的，而另一个水平对应于阈下水平处理的特定状态的神经激活模式。由于对快速波动的大脑静息态有了这样的新见解，针对它们在毫秒时间范围内的时间动力学、它们的状态转换规则以及它们在不同实验和病理条件下的可变性的进一步研究现在已经可以实现。
