前言

靜息態(tài)功能磁共振成像(rs-fMRI)測(cè)量的大腦功能連接在多個(gè)時(shí)間尺度上有所不同，并確定了循環(huán)的動(dòng)態(tài)功能連接(dFC)狀態(tài)。這些發(fā)現(xiàn)與不同的認(rèn)知和病理狀態(tài)有關(guān)，有可能作為疾病的生物標(biāo)志物，但它們的神經(jīng)基礎(chǔ)仍然存在爭(zhēng)議。在靜息態(tài)EEG研究中也發(fā)現(xiàn)了一些重復(fù)出現(xiàn)的微狀態(tài)，這些微狀態(tài)被認(rèn)為是反映時(shí)變大腦狀態(tài)的大規(guī)模功能網(wǎng)絡(luò)的準(zhǔn)同步活動(dòng)。在此，本研究假設(shè)fMRI衍生的dFC狀態(tài)可能與這些EEG微狀態(tài)有關(guān)。為了驗(yàn)證這一假設(shè)，本研究定量評(píng)估了EEG微狀態(tài)預(yù)測(cè)從健康被試在休息時(shí)收集的同步EEG-fMRI數(shù)據(jù)中并發(fā)fMRI dFC狀態(tài)的能力。通過(guò)訓(xùn)練隨機(jī)森林分類(lèi)器，本研究發(fā)現(xiàn)四種典型EEG微態(tài)預(yù)測(cè)fMRI dFC狀態(tài)的準(zhǔn)確率為90%，明顯優(yōu)于其他EEG特征，如頻譜功率。本研究結(jié)果表明，EEG微狀態(tài)分析產(chǎn)生了fMRI dFC狀態(tài)的可靠特征，為dFC的電生理基礎(chǔ)提供了證據(jù)，同時(shí)也進(jìn)一步支持了EEG微態(tài)能夠反映大規(guī)模腦網(wǎng)絡(luò)的動(dòng)態(tài)。

前言

靜息態(tài)功能磁共振成像(rs-fMRI)測(cè)量的血氧水平依賴(lài)(BOLD)信號(hào)的自發(fā)波動(dòng)已廣泛用于研究大腦內(nèi)在功能連接(FC)，揭示了許多所謂的靜息態(tài)網(wǎng)絡(luò)(RSNs)。有趣的是，最近發(fā)現(xiàn)FC在幾秒到幾分鐘的短時(shí)間尺度上波動(dòng)，通常被稱(chēng)為動(dòng)態(tài)功能連接(dFC)，可能反映了大腦網(wǎng)絡(luò)在響應(yīng)內(nèi)部和外部刺激時(shí)的不斷重組。事實(shí)上，dFC已被證明與大腦狀態(tài)(刺激/任務(wù)、閉眼、警覺(jué)、喚醒、睡眠、麻醉、藥物操作)以及年齡、性別或疾病相關(guān)，并且它也被證明能夠比靜息態(tài)FC更好地預(yù)測(cè)大腦狀態(tài)和疾病。一些研究進(jìn)一步使用了模式識(shí)別技術(shù)，特別是聚類(lèi)、主成分分析和字典學(xué)習(xí)，以識(shí)別反復(fù)出現(xiàn)的dFC模式，并可能反映出大腦潛在的狀態(tài)。

盡管對(duì)dFC，尤其是dFC狀態(tài)的研究產(chǎn)生了極大的興趣，但它們的神經(jīng)元基礎(chǔ)仍然是一個(gè)懸而未決的問(wèn)題。解決這個(gè)問(wèn)題的一種可能方法是通過(guò)同時(shí)記錄腦電圖(EEG)和BOLD-fMRI來(lái)識(shí)別dFC的電生理相關(guān)性，從而利用EEG與神經(jīng)元活動(dòng)更直接的關(guān)系。有研究初步考察了dFC波動(dòng)的EEG相關(guān)性，而非dFC狀態(tài)：有研究首次聚焦于與不同喚醒狀態(tài)相關(guān)的任務(wù)負(fù)默認(rèn)模式網(wǎng)絡(luò)(DMN)和任務(wù)正背側(cè)注意網(wǎng)絡(luò)(DAN)之間的連通性變化，并測(cè)量EEG功率在α和θ頻段的波動(dòng)。作者發(fā)現(xiàn)DMN-DAN連接降低反映了高喚醒期，這與之前的研究一致。Tagliazucchi等人(2012)也采用了類(lèi)似的方法研究EEG功率與dFC波動(dòng)之間的關(guān)系，發(fā)現(xiàn)清醒被試的特定腦區(qū)之間存在正相關(guān)和負(fù)相關(guān)，而在處于警覺(jué)狀態(tài)之間的被試中，這些區(qū)域都有所變化。此外，dFC波動(dòng)與根據(jù)圖論計(jì)算的網(wǎng)絡(luò)結(jié)構(gòu)時(shí)間指數(shù)相關(guān)。這兩項(xiàng)研究側(cè)重于一些公認(rèn)的EEG節(jié)律中的功率波動(dòng)。此外，另外兩項(xiàng)研究考察了超低頻(＜0.1Hz)EEG波動(dòng)及其與dFC的相關(guān)性，確定了休息期間功能連接的準(zhǔn)周期時(shí)空模式。迄今為止，只有一項(xiàng)研究專(zhuān)門(mén)調(diào)查了dFC狀態(tài)的電生理基礎(chǔ)，該研究分析了睜眼和閉眼狀態(tài)下的同步EEG-fMRI數(shù)據(jù)。在不同的dFC狀態(tài)中發(fā)現(xiàn)了不同的EEG頻譜特征，其中一種狀態(tài)僅發(fā)生在閉眼狀態(tài)，與EEGα功率的增加相關(guān)，進(jìn)一步支持了警覺(jué)對(duì)dFC波動(dòng)的影響。這些初步但有希望的結(jié)果促使我們探索更多的、信息量更大的EEG特征作為dFC狀態(tài)的相關(guān)因素。

有趣的是，靜息態(tài)EEG數(shù)據(jù)也顯示出波動(dòng)，這種波動(dòng)可以用有限數(shù)量的頭皮電位地形圖來(lái)進(jìn)行描述，這些電位在短時(shí)間內(nèi)(~100ms)保持穩(wěn)定：即所謂的微狀態(tài)。在對(duì)健康被試的多項(xiàng)研究中，一致報(bào)告了四種典型的微狀態(tài)，捕獲了大量的EEG方差。與其動(dòng)力學(xué)表現(xiàn)出的無(wú)標(biāo)度特性相關(guān)聯(lián)，發(fā)現(xiàn)EEG微狀態(tài)與BOLD-fMRI RSNs相關(guān)。

在這里，本研究記錄了健康被試在休息期間的同步EEG-fMRI數(shù)據(jù)，考察了EEG微狀態(tài)預(yù)測(cè)并發(fā)fMRI檢測(cè)到dFC狀態(tài)的潛力，并將其與Allen等人(2018)報(bào)告的EEG頻譜特征相比較。

方法

本研究由瑞士沃州人類(lèi)研究倫理委員會(huì)(CERVD)批準(zhǔn)，參與研究的9名健康被試(23±3歲，5男/4女)提供了書(shū)面知情同意書(shū)。該數(shù)據(jù)集是在瑞士洛桑EPFL生物醫(yī)學(xué)成像中心獲得的。

EEG-fMRI數(shù)據(jù)采集

使用8通道接收射頻線圈，在主動(dòng)屏蔽7T Magnetom掃描儀(Siemens，Erlangen)上進(jìn)行成像。使用2D同步多層切片(SMS)梯度回波平面成像(EPI)序列(3×SMS和2×平面內(nèi)GRAPPA加速)獲得功能圖像，TR/TE=1000/25ms，69個(gè)矢狀切片和2.2mm各向同性體素大小，實(shí)現(xiàn)全腦覆蓋。使用反向相位編碼方向的短EPI采集(5 volumes)進(jìn)行圖像失真校正。采用T1加權(quán)3D梯度回波MP2RAGE序列獲得全腦1mm各向同性結(jié)構(gòu)圖像。

使用兩個(gè)與MR兼容的32通道BrainAmp MR plus放大器(Brain Products，Germany)記錄EEG數(shù)據(jù)。采用BrainCap MR模型(EasyCap，Herrsching，Germany)，其中包含59個(gè)Ag/AgCl環(huán)形電極，按照10-20系統(tǒng)排列，一個(gè)專(zhuān)用電極用于參考，一個(gè)電極置于背部用于心電圖(ECG)記錄，四個(gè)改進(jìn)的EEG電極用作運(yùn)動(dòng)傳感器。采樣率為5000Hz，與掃描儀的10MHz時(shí)鐘同步。使用MRI系統(tǒng)生理監(jiān)測(cè)裝置的呼吸帶，以50Hz的頻率記錄呼吸痕跡。

對(duì)于每個(gè)被試，在MR掃描儀內(nèi)同時(shí)進(jìn)行8分鐘的EEG-fMRI掃描。被試在休息時(shí)睜開(kāi)眼睛進(jìn)行掃描，同時(shí)注視出現(xiàn)在MR兼容LCD屏幕(Cambridge Research Systems，Rochester，UK)中央的紅色十字，通過(guò)放置在RF線圈上的鏡子進(jìn)行觀察。這樣，頭部和眼球的運(yùn)動(dòng)被最小化。該裝置利用了較高的BOLD靈敏度、更短的最佳TE和在7T時(shí)可用的高并行成像能力，產(chǎn)生了比現(xiàn)有的EEG-fMRI數(shù)據(jù)集(通常在3T時(shí)獲得)更高時(shí)空分辨率的全腦fMRI數(shù)據(jù)。

MRI數(shù)據(jù)分析

預(yù)處理步驟

丟棄前10s的數(shù)據(jù)，使信號(hào)達(dá)到穩(wěn)定狀態(tài)，并使用FSL的工具BET去除非腦組織。隨后，使用FSL工具M(jìn)CFLIRT執(zhí)行時(shí)間層和運(yùn)動(dòng)校正，使用反相編碼采集后用FSL的TOPUP進(jìn)行B0-unwarping步驟，以減少EPI失真。然后，采用截止周期為100s的高通時(shí)間濾波，并使用半值全寬(FWHM)為3mm的高斯核進(jìn)行空間平滑。使用以下回歸因子進(jìn)行線性回歸去除干擾波動(dòng)(包括生理噪聲)：(1)使用RETROICOR四階傅里葉級(jí)數(shù)對(duì)與心臟和呼吸周期相關(guān)的準(zhǔn)周期BOLD波動(dòng)進(jìn)行建模；(2)與心率以及呼吸深度和速率變化相關(guān)的非周期性BOLD波動(dòng)通過(guò)與相應(yīng)脈沖響應(yīng)函數(shù)的卷積進(jìn)行建模；(3)白質(zhì)(WM)和腦脊液(CSF)掩膜中測(cè)得的平均BOLD波動(dòng)；(4)MCFLIRT估計(jì)的六個(gè)運(yùn)動(dòng)參數(shù)；(5)掃描與頭部大幅度運(yùn)動(dòng)期間獲得的體積相關(guān)的零回歸量；這些是使用FSL的程序FSL_motion_outliers確定的，因此首先計(jì)算Power等人(2012)研究中提出的DVARS指標(biāo)，然后在第75個(gè)百分位數(shù)加上1.5倍四分位間距處進(jìn)行閾值設(shè)置。

對(duì)于每名被試，使用ANTs工具Antropos將T1加權(quán)結(jié)構(gòu)像分割為灰質(zhì)、WM和CSF，從各自的T1加權(quán)圖像中獲得WM和CSF掩膜。使用FSL工具FLIRT將功能圖像與各自的T1加權(quán)結(jié)構(gòu)像進(jìn)行共配準(zhǔn)，隨后使用FSL工具FNIRT將功能圖像與蒙特利爾神經(jīng)研究所(MNI)模板進(jìn)行配準(zhǔn)。將WM和CSF掩膜都轉(zhuǎn)化為功能空間，然后使用3mm球形內(nèi)核進(jìn)行侵蝕，以最小化部分容積效應(yīng)。此外，根據(jù)Chang和Glover(2009)中描述的基本原理，侵蝕的CSF掩膜與MNI空間的大腦室掩膜相交。

根據(jù)自動(dòng)解剖標(biāo)記(AAL)圖譜，將每個(gè)被試的結(jié)構(gòu)圖像分割成R=90個(gè)大腦非重疊感興趣區(qū)域(ROI)。這些ROI被共配準(zhǔn)到被試者的功能空間，預(yù)處理后的BOLD數(shù)據(jù)在每個(gè)ROI內(nèi)平均。所得信號(hào)以0.1Hz的截止頻率進(jìn)行低通濾波，因?yàn)樯窠?jīng)元起源的同步BOLD波動(dòng)主要發(fā)生在該頻率范圍內(nèi)。

dFC狀態(tài)的估計(jì)

根據(jù)Preti等人(2017)和Abreu等人(2019)的建議和結(jié)果，使用35.0s(35TRs)的窗長(zhǎng)和5.0s(5TRs)的步長(zhǎng)，通過(guò)滑動(dòng)窗口相關(guān)法估dFC。計(jì)算每個(gè)滑動(dòng)窗口的所有ROI平均BOLD信號(hào)對(duì)的成對(duì)Pearson相關(guān)系數(shù)。對(duì)于每個(gè)被試，s(s=1, ..., 9)，最終的dFC矩陣，Cs，通過(guò)提取每個(gè)相關(guān)矩陣的上三角部分，將其向量化并減去該被試的靜息態(tài)FC，得到

，其中M=(R2-R)∕2和Ts=88表示窗口的數(shù)量。將所有被試的Cs矩陣連接到一組dFC矩陣

，共有T=9×Ts=792個(gè)窗口。

為了識(shí)別dFC狀態(tài)，本研究采用了L1范數(shù)正則化字典學(xué)習(xí)(DL)方法，遵循Abreu等人(2019)提出的方法。簡(jiǎn)而言之，這可以表述為矩陣分解問(wèn)題C=DA，其中

和

分別表示dFC狀態(tài)和相關(guān)權(quán)重時(shí)程；k為dFC狀態(tài)的個(gè)數(shù)。通過(guò)求解所給出的優(yōu)化問(wèn)題來(lái)估計(jì)：

使C的重構(gòu)誤差

最小化；‖·‖F(xiàn)表示矩陣的Frobenius范數(shù)。使用MATLAB?工具箱SPArse建模軟件(SPAMS)中實(shí)現(xiàn)的算法執(zhí)行D和A的估計(jì)。在L1范數(shù)正則化框架下，利用非負(fù)參數(shù)λ控制解的稀疏性。通過(guò)改變k(從5到10，單位步長(zhǎng))和λ(從1到0.1259的十個(gè)值，遞減指數(shù)步長(zhǎng))和最小化貝葉斯信息準(zhǔn)則(BIC)來(lái)確定最佳k和λ值，這會(huì)降低模型的復(fù)雜性，因此有利于對(duì)dFC狀態(tài)進(jìn)行更簡(jiǎn)潔的估計(jì)。BIC是通過(guò)5-5倍嵌套交叉驗(yàn)證程序計(jì)算的，以解決潛在的樂(lè)觀、過(guò)擬合偏差估計(jì)。為了進(jìn)一步驗(yàn)證所提出的DL方法，研究者將其與最常用的dFC狀態(tài)估計(jì)方法(k-means聚類(lèi)和PCA)的BIC值進(jìn)行了比較。

EEG數(shù)據(jù)分析

預(yù)處理步驟

EEG數(shù)據(jù)預(yù)處理包括以下步驟：梯度偽影校正；插值不良通道；時(shí)域帶通濾波(1-45Hz)；脈沖偽影校正；降采樣至500Hz；運(yùn)動(dòng)偽影校正；以及基于ICA的去噪。

EEG特征提取

從預(yù)處理的EEG數(shù)據(jù)中提取頻譜功率和微狀態(tài)特征，用于隨后的fMRI dFC狀態(tài)分類(lèi)。為此，首先使用與dFC估計(jì)相同的滑動(dòng)窗口法分割每個(gè)被試的EEG數(shù)據(jù)：窗長(zhǎng)為35.0s，步長(zhǎng)為5.0s。這允許從EEG中獲取動(dòng)態(tài)(逐窗)概要特征，與fMRI dFC特征的相關(guān)時(shí)間尺度相匹配。然后從每個(gè)窗口提取以下EEG特征。

頻譜功率。在FFT變換后，計(jì)算每個(gè)窗口的每個(gè)通道中特定頻帶的頻譜功率，然后用總功率進(jìn)行歸一化，以說(shuō)明潛在的被試間變異性。此外，與dFC分析一致的是，減去了靜息態(tài)頻譜功率(所有窗口的平均值)；通過(guò)這種方式，可以評(píng)估EEG頻譜功率波動(dòng)(而非頻譜功率本身)與fMRI dFC狀態(tài)之間的關(guān)系，這遵循了之前關(guān)于fMRI連通性的基于頻譜功率的E/MEG相關(guān)研究的基本原理。為了與Allen等人(2018)的工作進(jìn)行直接比較，本研究還在不減去靜息態(tài)頻譜功率的情況下測(cè)試了基于頻譜功率的模型。并且考慮與已知EEG節(jié)律相關(guān)的頻帶：δ(1-4Hz)、θ(4-8Hz)、α(8-13Hz)、β(13-30Hz)和γ(＞30Hz)。然后獲得每個(gè)EEG窗口歸一化頻譜功率的空間分布(地形圖)。

微狀態(tài)分析。采用兩種不同的方法對(duì)每個(gè)時(shí)間窗的EEG數(shù)據(jù)進(jìn)行微狀態(tài)分析：凝聚層次聚類(lèi)法(AAHC；EEGLAB插件可在https://www.thomaskoenig.ch/index.php/software/10-EEGLAB-plugin-manual上獲取)和地形時(shí)頻分解法(TTFD)。對(duì)于AAHC，首先計(jì)算EEG全局場(chǎng)功率(GFP)，并檢測(cè)其局部極大值，因?yàn)樗鼈兇碜罡唠妶?chǎng)強(qiáng)度的瞬間，因此也代表地形信噪比(SNR)。隨機(jī)選擇GFP局部極大值的子集，然后將相關(guān)的EEG拓?fù)鋱D用作聚類(lèi)輸入。然后確定時(shí)域(微狀態(tài)，MS)中最主要的拓?fù)浣Y(jié)構(gòu)。對(duì)于TTFD，首先使用Garbor小波對(duì)多通道EEG數(shù)據(jù)進(jìn)行時(shí)頻分解；頻率范圍為1-45Hz，步長(zhǎng)為1Hz。對(duì)于所得小波系數(shù)拓?fù)涞膶?shí)部和虛部，獲得了3D數(shù)據(jù)集(通道×頻段×?xí)r間)。這些數(shù)據(jù)在時(shí)間上連接起來(lái)，然后與最后兩個(gè)維度的關(guān)系進(jìn)行矢量化，得到最終的2D數(shù)據(jù)集(通道×[頻段+2×?xí)r間])，從中計(jì)算GFP并提取其局部極大值。隨機(jī)選擇其中的一個(gè)子集，并將相關(guān)EEG拓?fù)鋱D用作聚類(lèi)輸入，得出該時(shí)頻域(MSTF)中最主要的拓?fù)鋱D。通過(guò)將每個(gè)小波系數(shù)的地形(即2D數(shù)據(jù)集的每一列)分配給最相似的MSTF，可以獲得表征每個(gè)MSTF的時(shí)頻譜圖。

對(duì)于這兩種微狀態(tài)估計(jì)程序，根據(jù)先前的文獻(xiàn)(定義了大量健康被試的四種標(biāo)準(zhǔn)微狀態(tài))，將聚類(lèi)數(shù)量設(shè)置為4。相比之下，GFP局部極大值的數(shù)量在1000、2500、5000和10000之間變化，并計(jì)算由所得微狀態(tài)解釋的每個(gè)窗口的EEG方差。對(duì)于兩種微狀態(tài)估計(jì)程序(AAHC為73%，TTFD為77%)，使用2500個(gè)拓?fù)鋱D進(jìn)行聚類(lèi)時(shí)，發(fā)現(xiàn)EEG窗口的中值方差最大。因此，最終的MS和MSTF集由4個(gè)聚類(lèi)和2500個(gè)輸入拓?fù)鋱D獲得，對(duì)于所有EEG窗口，忽略拓?fù)鋱D的極性。

為了量化每個(gè)微狀態(tài)i=1，…，4對(duì)相應(yīng)EEG數(shù)據(jù)的描述程度，全局解釋方差(GEV)計(jì)算如下：

其中，ti表示分配給微狀態(tài)i和Ci,T（ti）的時(shí)間點(diǎn)，即微狀態(tài)i與ti處EEG拓?fù)鋱DT之間的空間相關(guān)系數(shù)。GEV值被歸一化，即∑iGEV(i)=1。

dFC狀態(tài)分類(lèi)

基于EEG的模型

為了根據(jù)EEG預(yù)測(cè)dFC狀態(tài)，生成了以下模型，包括EEG頻譜功率和微狀態(tài)特征的不同組合(如圖1所示)。

圖1.EEG特征提取。

①頻譜功率：與五種EEG節(jié)律(SPδ、SPθ、SPα、SPβ和SPγ，用總功率歸一化并減去各自的靜息態(tài)頻譜功率)相關(guān)的平均頻譜功率矢量拓?fù)鋱D；每個(gè)特征向量的維數(shù)等于EEG通道數(shù)(59)。還考慮了一個(gè)連接所有矢量化拓?fù)鋱D的模型SPALL，在這種情況下，產(chǎn)生了維數(shù)為295的特征向量(5個(gè)EEG節(jié)律×59個(gè)EEG通道)。

②微狀態(tài)：使用AAHC/TTFD獲得的微狀態(tài)的矢量化拓?fù)鋱D，分別具有最高的(MS1/MSTF1)、兩個(gè)最高的(MS2/MSTF2)、三個(gè)最高的(MS3/MSTF3)和四個(gè)最高的(MS4/MSTF4；所有微狀態(tài))GEV值。對(duì)于MSi和MSTFi(i＝1，…，4)，每個(gè)特征向量的維數(shù)等于EEG通道數(shù)的i倍(即59、118、177或236)。

③微狀態(tài)和各自的頻譜功率：通過(guò)TTFD獲得的具有最高GEV值的微狀態(tài)矢量化地形，與隨時(shí)間變化的相關(guān)平均頻譜功率(MSTF1+SP1)相連。在這種情況下，每個(gè)特征向量的維數(shù)等于通道數(shù)加上頻率bins(即59+45=104)。

由于微狀態(tài)的GEV值越高，微狀態(tài)對(duì)給定dFC窗口的EEG數(shù)據(jù)越具有代表性，因此假設(shè)高GEV值的微狀態(tài)包含更多與dFC狀態(tài)分類(lèi)相關(guān)的信息。

分類(lèi)

根據(jù)對(duì)相應(yīng)dFC矩陣貢獻(xiàn)最大的dFC狀態(tài)標(biāo)記每個(gè)時(shí)間窗；定義dFC狀態(tài)標(biāo)簽的結(jié)果集為響應(yīng)變量Y，定義解釋變量X為基于EEG的特征向量(圖2和3)。分類(lèi)程序的目標(biāo)是確定滿(mǎn)足Y=f(x)的函數(shù)f。這里，使用隨機(jī)森林進(jìn)行分類(lèi)；這類(lèi)分類(lèi)器首先構(gòu)建大量去相關(guān)樹(shù)，使用bagging的概念隨機(jī)選擇訓(xùn)練樣本和特征用于分類(lèi)。然后，通過(guò)對(duì)來(lái)自所有樹(shù)的結(jié)果進(jìn)行多數(shù)表決來(lái)獲得樹(shù)集合的最終分類(lèi)結(jié)果。在這項(xiàng)工作中，訓(xùn)練了50棵去相關(guān)樹(shù)的隨機(jī)森林。隨著學(xué)習(xí)到的樹(shù)的數(shù)量增加，通過(guò)視覺(jué)檢查樹(shù)集合的累積預(yù)測(cè)誤差來(lái)經(jīng)驗(yàn)地確定樹(shù)的數(shù)量，在所有檢查的情況下，都達(dá)到了約50棵樹(shù)的平穩(wěn)水平。

圖2.用于預(yù)測(cè)dFC狀態(tài)的模型特征向量。

圖3.定義分類(lèi)問(wèn)題的響應(yīng)變量(dFC狀態(tài)標(biāo)簽)和解釋變量(基于EEG的特征)。

使用基于leaveone-subject-out(LOSO)框架的交叉驗(yàn)證(CV)計(jì)算結(jié)果分類(lèi)器的準(zhǔn)確性(ACC)。因?yàn)楸狙芯康臄?shù)據(jù)集包括9名被試，所以進(jìn)行了9折CV：對(duì)于第s折(即第s個(gè)被試)，屬于所有其他被試的Y和X條目用于訓(xùn)練，而屬于第s個(gè)被試者的條目用于測(cè)試，得出每折的ACC值。對(duì)所有被試重復(fù)此程序，通過(guò)對(duì)折疊處的ACC值取平均值來(lái)獲得總體ACC。對(duì)于每個(gè)類(lèi)(即dFC狀態(tài))，提取其他指標(biāo)，即精確率、錯(cuò)誤發(fā)現(xiàn)率、召回率和漏報(bào)率。考慮到使用所測(cè)試模型的過(guò)擬合風(fēng)險(xiǎn)，還使用了Hastie等人(2009a)計(jì)算的相對(duì)過(guò)擬合率(ROR)的估計(jì)值：

其中

表示預(yù)測(cè)誤差的估計(jì)值(1-ACC)，

為訓(xùn)練誤差，并且

為無(wú)信息率。計(jì)算每折的ROR，然后對(duì)各個(gè)折疊進(jìn)行平均。由于在訓(xùn)練隨機(jī)森林分類(lèi)器時(shí)隨機(jī)選擇訓(xùn)練樣本和特征，分類(lèi)過(guò)程重復(fù)了100次；然后通過(guò)對(duì)重復(fù)次數(shù)的折疊平均ACC和ROR值進(jìn)行平均，得到最終ACC和ROR。

控制測(cè)試

在構(gòu)建基于MS和MSTF的模型時(shí)，根據(jù)每個(gè)窗口的GEV對(duì)微狀態(tài)進(jìn)行排序的方法與基于空間相似性在所有EEG窗口匹配微狀態(tài)的更傳統(tǒng)方法進(jìn)行了比較。此過(guò)程在EEGLAB工具箱的微狀態(tài)插件中實(shí)現(xiàn)，并在每個(gè)窗口中迭代排列微狀態(tài)，以獲得最大的共通性，直到達(dá)到收斂。然后使用這些基于MS和MSTF的新模型重復(fù)分類(lèi)過(guò)程。使用AAHC和TTFD算法，從整個(gè)EEG數(shù)據(jù)中估計(jì)四種微狀態(tài)，也可以考慮最傳統(tǒng)的微狀態(tài)分析。對(duì)于每個(gè)窗口，計(jì)算這些微狀態(tài)的GEV并用于排序，這是區(qū)分每個(gè)窗口dFC狀態(tài)的唯一因素。除了ROR測(cè)量之外，本研究通過(guò)添加高斯白噪聲和操縱噪聲模型的SNR來(lái)擾動(dòng)產(chǎn)生最高ACC的模型；SNR在0.1，1和10之間變化，并對(duì)每個(gè)噪聲級(jí)重復(fù)分類(lèi)過(guò)程。

結(jié)果

dFC狀態(tài)的估計(jì)

通過(guò)DL以及k-means和PCA確定的dFC狀態(tài)的嵌套交叉驗(yàn)證獲得BIC值。與Abreu等人(2019)的結(jié)果一致，基于DL的方法明顯優(yōu)于k-means和PCA。特別是，用k-means初始化的DL在折疊中平均表現(xiàn)出最低的BIC值。在這種情況下，dFC狀態(tài)的最佳數(shù)目為k=10，最佳正則化參數(shù)為λ=0.7943。采用最優(yōu)方法獲得的10組dFC狀態(tài)如圖4所示。

圖4.dFC狀態(tài)的估計(jì)。

EEG特征對(duì)BOLD-fMRI dFC狀態(tài)的預(yù)測(cè)

接下來(lái)，提取EEG頻譜功率和微狀態(tài)特征，以預(yù)測(cè)fMRI dFC狀態(tài)。如圖1所示，從被試的EEG中提取特征。出于顯示目的，這些特征代表每個(gè)dFC狀態(tài)(而不是每個(gè)窗口/被試)，并通過(guò)對(duì)具有相同dFC狀態(tài)標(biāo)簽的所有窗口/被試的特征進(jìn)行平均。關(guān)于微狀態(tài)，僅顯示GEV最高的狀態(tài)(MS1和MSTF1)；此外，僅顯示了產(chǎn)生最高ACC的頻帶的平均頻譜功率地形。當(dāng)使用AAHC和TTFD算法時(shí)，Michel和Koenig(2018)研究中報(bào)告的四種標(biāo)準(zhǔn)微狀態(tài)都出現(xiàn)了。MSTF譜圖的平均譜功率隨時(shí)間的變化大致遵循指數(shù)衰減，與控制EEG譜的冪律一致。有趣的是，具有前后偶極子的微狀態(tài)在10Hz時(shí)顯示出清晰的峰值，通常與α活動(dòng)相關(guān)，這與Koenig等人(2001)研究閉眼時(shí)觀察到的覺(jué)醒-靜息態(tài)EEG記錄一致。

基于EEG的dFC狀態(tài)分類(lèi)

表1描述了測(cè)試模型的ACC和ROR分類(lèi)結(jié)果。基于微狀態(tài)的模型產(chǎn)生了最高的ACC值，其中MSTF4的性能最佳(ACC=89.6%，ROR=0.01)，其次是MS4(ACC=33.2%，ROR=0.07)。其余模型(SP和MSTF1+SP1)表現(xiàn)不佳，ACC值低于40%。同樣，Allen等人(2018)提出的不減去靜息態(tài)頻譜功率的模型也產(chǎn)生了較低的ACC值，在10%到20%之間。

表1

最佳模型MSTF4以及相應(yīng)的混淆矩陣如圖5所示。在混淆矩陣中，對(duì)角線項(xiàng)對(duì)應(yīng)于正確分類(lèi)的觀察值(即dFC出現(xiàn))，而非對(duì)角線項(xiàng)對(duì)應(yīng)于分類(lèi)錯(cuò)誤的dFC出現(xiàn)。除了dFC狀態(tài)#9之外，不同類(lèi)(即dFC狀態(tài))之間dFC出現(xiàn)次數(shù)的分布相當(dāng)均衡。關(guān)于MSTF4模型，除#7和#8之外，所有dFC狀態(tài)的精度和召回率始終高于80%(錯(cuò)誤發(fā)現(xiàn)率和漏報(bào)率低于20%)，甚至有一半的狀態(tài)高于90%。在狀態(tài)#7和#8的情況下，標(biāo)記為dFC狀態(tài)#7的dFC事件始終被錯(cuò)誤地分類(lèi)為屬于dFC狀態(tài)#8。當(dāng)觀察每個(gè)dFC狀態(tài)的代表性微狀態(tài)時(shí)，按其GEV排序(從上到下)，dFC狀態(tài)#7和#8分類(lèi)不佳的原因顯而易見(jiàn)，因?yàn)槠浯硇晕B(tài)在地形和相關(guān)的GEV方面是相似的。盡管MS4的ACC(83.2%)比MSTF4(89.6%)小，但MS4在所有dFC狀態(tài)下的準(zhǔn)確率和召回率都達(dá)到60%以上，而MSTF4在對(duì)dFC狀態(tài)#7進(jìn)行分類(lèi)時(shí)的值低至33.3%，除了微狀態(tài)B(采用文獻(xiàn)中公認(rèn)的術(shù)語(yǔ))始終表現(xiàn)出最低的GEV值外，各微狀態(tài)的地形和GEV值在一般dFC狀態(tài)中發(fā)生了顯著變化。對(duì)于MSTF4模型，不同dFC狀態(tài)的微狀態(tài)可變性被量化為每個(gè)dFC窗口的每個(gè)微狀態(tài)與其余窗口的各個(gè)微狀態(tài)之間的空間相似性(SS)。在相同標(biāo)簽的dFC窗口中，不同微狀態(tài)和窗口的平均SS為0.65，而不同標(biāo)簽的dFC窗口的平均SS為0.50；根據(jù)單樣本t檢驗(yàn)發(fā)現(xiàn)，這種差異具有統(tǒng)計(jì)學(xué)顯著性(p＜0.01)。

圖5.具有最高精度的EEG模型（MSTF4拓?fù)鋱D）。

在構(gòu)建基于MS-和MSTF-模型的每個(gè)窗口上，通過(guò)GEV對(duì)微狀態(tài)進(jìn)行排序的方法與更傳統(tǒng)的通過(guò)空間相似性對(duì)其進(jìn)行排序的方法進(jìn)行比較時(shí)，性能明顯變差，ACC/ROR的值為減少/增加。其中，最佳模型MSTF4的ACC值為71.2%，與按GEV排序的MSTF4模型相比，下降了18.4%。盡管如此，使用該替代分類(lèi)程序獲得的ACC明顯高于機(jī)會(huì)水平。相比之下，當(dāng)考慮按GEV排序的4個(gè)MS和MSTF微狀態(tài)的固定集合時(shí)，分類(lèi)精度急劇下降，分別為19.1%和23.6%。

通過(guò)添加高斯白噪聲擾動(dòng)的EEG模型，其ACC顯著降低，特別是對(duì)于更具挑戰(zhàn)性的場(chǎng)景(SNR=0.1)，在所有情況下，ACC值都低于35%。當(dāng)SNR=10時(shí)，模型的性能沒(méi)有受到實(shí)質(zhì)性影響。

結(jié)論

本研究時(shí)第一個(gè)評(píng)估EEG微狀態(tài)預(yù)測(cè)BOLD-fMRI中自發(fā)dFC狀態(tài)能力的研究。具體而言，本研究定量評(píng)估了此類(lèi)EEG特征在分類(lèi)問(wèn)題中預(yù)測(cè)同步fMRI dFC狀態(tài)的能力。結(jié)果發(fā)現(xiàn)，基于EEG微狀態(tài)的模型能夠預(yù)測(cè)fMRI并發(fā)dFC狀態(tài)，分類(lèi)精度高。特別是，在時(shí)頻域估計(jì)的準(zhǔn)確性高達(dá)90%。此外，基于EEG微狀態(tài)的模型明顯優(yōu)于基于EEG頻譜特征的模型。總的來(lái)說(shuō)，本研究結(jié)果進(jìn)一步支持了dFC狀態(tài)的電生理基礎(chǔ)，并建立了EEG微狀態(tài)與大規(guī)模腦網(wǎng)絡(luò)動(dòng)態(tài)密切相關(guān)的生物標(biāo)志物。

原文：EEG Microstates Predict Concurrent fMRI Dynamic Functional Connectivity States.

https://doi.org/10.1007/s10548-020-00805-1

小伙伴們點(diǎn)個(gè)“在看”，加

(星標(biāo))關(guān)注茗創(chuàng)科技，將第一時(shí)間收到精彩內(nèi)容推送哦～