導(dǎo)讀

大腦的瞬時(shí)全局功能狀態(tài)反映在其電場(chǎng)結(jié)構(gòu)上。聚類分析方法一致地提取了四種頭表面腦電場(chǎng)結(jié)構(gòu)，這些結(jié)構(gòu)能夠最佳地解釋自發(fā)EEG記錄中隨時(shí)間變化的差異。這四種結(jié)構(gòu)被稱為EEG微狀態(tài)A、B、C和D類，分別與言語/語音、視覺、主觀感受-自主加工和注意力重定向有關(guān)。本研究通過個(gè)體內(nèi)和個(gè)體間分析方法檢驗(yàn)了這些關(guān)聯(lián)。個(gè)體內(nèi)方法檢驗(yàn)了任務(wù)誘發(fā)的模式特定加工增強(qiáng)對(duì)EEG微狀態(tài)參數(shù)的影響。個(gè)體間方法檢驗(yàn)了個(gè)體模式特定參數(shù)對(duì)EEG微狀態(tài)參數(shù)的影響。本研究是一項(xiàng)旨在根據(jù)EEG微狀態(tài)類參數(shù)的功能意義假設(shè)來誘發(fā)EEG微狀態(tài)類參數(shù)變化的研究。除了微狀態(tài)A和B分別與視覺和語言處理相關(guān)之外，本研究結(jié)果表明，所有四種EEG微狀態(tài)類別之間的微妙相互作用對(duì)于視覺和言語思維的持續(xù)形成是必要的。EEG微狀態(tài)類可能代表主要表現(xiàn)為抑制功能的皮層內(nèi)源的頭表面測(cè)量活動(dòng)。

前言

大腦的瞬時(shí)全局功能狀態(tài)可以通過其電場(chǎng)結(jié)構(gòu)來反映。使用頭表EEG記錄，可以以“毫秒級(jí)”的高分辨率分析腦電場(chǎng)結(jié)構(gòu)的時(shí)間進(jìn)程。觀察這些時(shí)間進(jìn)程可以發(fā)現(xiàn)，這些電場(chǎng)結(jié)構(gòu)的變化是不連續(xù)的，即某些電場(chǎng)結(jié)構(gòu)在大約100ms的時(shí)間內(nèi)保持準(zhǔn)穩(wěn)定，然后突然轉(zhuǎn)變到另一種電場(chǎng)結(jié)構(gòu)。聚類分析方法一致地提取出四種頭表腦電場(chǎng)結(jié)構(gòu)，這些結(jié)構(gòu)可以解釋自發(fā)性EEG記錄中隨時(shí)間變化的約80%的方差。這四種狀態(tài)被稱為EEG微狀態(tài)，通常從A到D進(jìn)行標(biāo)記。先前的研究表明，這些腦電微狀態(tài)是心理狀態(tài)的基本組成部分。
在以下各個(gè)發(fā)展階段，包括精神病理學(xué)(意識(shí)障礙，精神分裂癥，抑郁癥，癡呆)與健康狀態(tài)的比較，睡眠狀態(tài)，催眠和冥想等狀態(tài)的改變，以及特定性格特征的比較中，研究人員報(bào)告了四種EEG微狀態(tài)類別的地形和其他參數(shù)的變化，如平均持續(xù)時(shí)間、發(fā)生率、覆蓋率和微狀態(tài)序列。盡管解釋上述變化顯然需要了解這四種EEG微狀態(tài)類別的功能意義，但很少有研究直接針對(duì)這四種EEG微狀態(tài)類別的功能意義進(jìn)行研究。
Britz等人(2010)進(jìn)行了一項(xiàng)同步EEG-fMRI研究，其中4種EEG微狀態(tài)類別與4種fMRI靜息態(tài)網(wǎng)絡(luò)存在空間相關(guān)性，這些網(wǎng)絡(luò)之前被歸為語音加工(微狀態(tài)A)、視覺想象(微狀態(tài)B)、主觀感受-自主加工(微狀態(tài)C)、注意力重定向(微狀態(tài)D)。然而，有研究表明，4種EEG微狀態(tài)類別可能反映了默認(rèn)模式網(wǎng)絡(luò)中4個(gè)主要成分在時(shí)間上不同的電生理激活。四種EEG微狀態(tài)的皮層內(nèi)源與默認(rèn)模式網(wǎng)絡(luò)的四個(gè)主要成分的對(duì)應(yīng)關(guān)系表明，通過fMRI測(cè)量的DMN代謝可能反映了不同網(wǎng)絡(luò)的時(shí)間平均類型，只有在EEG記錄中可用的時(shí)間分辨率增加時(shí)才能識(shí)別這些網(wǎng)絡(luò)。DMN代謝活動(dòng)的增加與無任務(wù)靜息以及廣泛的內(nèi)部目標(biāo)導(dǎo)向任務(wù)相關(guān)。通過評(píng)估內(nèi)部目標(biāo)導(dǎo)向任務(wù)的影響，與基于四種EEG微狀態(tài)類別的無任務(wù)相比，EEG時(shí)間分辨率的提高將使我們能夠更詳細(xì)地了解四種時(shí)間上不同的電生理DMN成分的作用。
本研究使用了四種條件，三種內(nèi)部目標(biāo)導(dǎo)向任務(wù)(物體可視化、空間可視化、語言化)和非任務(wù)靜息條件，分別誘導(dǎo)視覺、語言和主觀感受-自主加工的增加。主觀報(bào)告評(píng)估了參與者的物體視覺、空間視覺和言語思維水平；認(rèn)知測(cè)試評(píng)估參與者的物體視覺、空間視覺和言語能力；認(rèn)知風(fēng)格量表評(píng)估了參與者的物體視覺、空間視覺和言語認(rèn)知風(fēng)格。個(gè)體內(nèi)分析方法檢驗(yàn)了特定思維模式誘發(fā)的成功程度，以及這四種條件對(duì)四種EEG微狀態(tài)類別的發(fā)生率、持續(xù)時(shí)間、覆蓋率和地形圖的影響。個(gè)體間分析方法將靜息態(tài)EEG微狀態(tài)參數(shù)與特定思維模式的主觀程度，以及特定模式的認(rèn)知能力和風(fēng)格相關(guān)聯(lián)。

方法

參與者

在蘇黎世大學(xué)和蘇黎世聯(lián)邦理工學(xué)院招募70名健康右利手男性參與者進(jìn)行研究。參與者通過在線問卷進(jìn)行篩選，如果報(bào)告有頭部外傷史、腦部疾病或當(dāng)前藥物使用史，則被排除在外。參與者將獲得40瑞士法郎的報(bào)酬，所有參與者均簽署了書面知情同意書。經(jīng)EEG預(yù)處理后，共獲得61名參與者(平均年齡=24.2歲，標(biāo)準(zhǔn)差=3.3，年齡范圍=18~34歲)的腦電數(shù)據(jù)。除了自我報(bào)告的思維模式(61名參與者中只有60名參與者的數(shù)據(jù)可用)外，所有參與者的行為數(shù)據(jù)都可用。

量表

思維模式量表(MOTQ)

MOTQ是一個(gè)基于物體-空間-言語認(rèn)知風(fēng)格模型的自評(píng)問卷。它從三個(gè)維度評(píng)估模式特定的認(rèn)知風(fēng)格：物體可視化、空間可視化和語言化。共包括36個(gè)項(xiàng)目：每個(gè)風(fēng)格維度評(píng)估有12個(gè)項(xiàng)目。每個(gè)項(xiàng)目要求參與者在李克特五點(diǎn)量表(從1(完全不同意)到5(完全同意))上進(jìn)行評(píng)估。通過計(jì)算各分量表項(xiàng)目的均值，分別獲得參與者在每個(gè)維度上的得分。量表的信度均較高(內(nèi)部一致性：0.81~0.86；重測(cè)信度：0.85~0.87)。

認(rèn)知測(cè)試

物體視覺能力

為了評(píng)估物體視覺能力，本研究使用雪景圖片測(cè)試的Part 1和Part?2，以及不完整圖片進(jìn)行測(cè)試。前兩項(xiàng)要求參與者識(shí)別隱藏在一幅由短而不相連的線條構(gòu)成的圖像中的物體(每張圖片耗時(shí)3分鐘，共12張)。后者要求參與者從選定的五個(gè)字母中找出不完整的物體圖像名稱的首字母(40個(gè)圖像1分鐘時(shí)間)。將每部分正確識(shí)別的答案相加，得到三個(gè)測(cè)試中每一個(gè)的總分。

空間視覺能力

為了評(píng)估空間視覺能力，本研究使用折紙測(cè)驗(yàn)的Part 1和Part 2(PFT)，以及“立方體測(cè)驗(yàn)”。前兩項(xiàng)要求參與者從五種折疊圖形(每張3分鐘，共10張圖片)中正確選出一張與示例圖片具有相同圓孔位置的正方形紙片。后者要求參與者通過想象折疊后的立方體會(huì)是什么樣子來標(biāo)記它們的頂部和連接的邊(11張圖片，共計(jì)時(shí)10分鐘)。將每部分正確識(shí)別的答案相加，得到三個(gè)測(cè)試中每一個(gè)的總分。

言語能力

為了評(píng)估言語能力，本研究采用柏林智力結(jié)構(gòu)測(cè)驗(yàn)言語維度中的Masselon測(cè)驗(yàn)、部分-整體測(cè)驗(yàn)以及頓悟測(cè)驗(yàn)。Masselon測(cè)驗(yàn)要求參與者寫下盡可能多的包含三個(gè)已定義名詞的句子(2分鐘)，部分-整體測(cè)驗(yàn)要求參與者在四列名詞中根據(jù)部分識(shí)別出整體(40秒)。頓悟測(cè)驗(yàn)要求參與者寫下盡可能多的關(guān)鍵詞來解釋給定的陳述(2分鐘)。將每部分正確識(shí)別的答案相加，得到三個(gè)測(cè)試中每一個(gè)的總分。

記錄

EEG記錄在蘇黎世大學(xué)精神病院(University Hospital of Psychiatry，Zurich)的重點(diǎn)腦圖實(shí)驗(yàn)室(KEY Brain Mapping Laboratory)使用64通道BioSemi記錄系統(tǒng)進(jìn)行。使用Biosemi?腦電帽將64導(dǎo)電極連接在以下位置：Fp1/2，F(xiàn)pz，AF7/8，AF3/4，AFz，F(xiàn)7/8，F(xiàn)5/6，F(xiàn)3/4，F(xiàn)z，F(xiàn)T7/8，F(xiàn)C5/6，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(根據(jù)國際“10-10系統(tǒng)”)。使用另外兩個(gè)電極(一個(gè)在左眼上方，一個(gè)在右眼下方)跟蹤眼球運(yùn)動(dòng)。用應(yīng)變儀胸帶記錄呼吸。記錄的采樣率為2048Hz。

使用Presentation?(www.neurobs.com)在每次運(yùn)行之前，在顯示器上再次呈現(xiàn)指導(dǎo)語。在無任務(wù)休息runs之前，要求參與者放松并閉上眼睛，直到有聲音提示runs結(jié)束再睜眼。在可視化runs之前，要求參與者記住即將呈現(xiàn)的圖像，然后在整個(gè)50s的記錄期間閉著眼睛在心里想象它。圖像呈現(xiàn)時(shí)間為7s。在6次物體視覺測(cè)試中，刺激圖像是6張包含許多視覺細(xì)節(jié)的圖片，如顏色、紋理和形狀。在6次空間-視覺測(cè)試中，刺激圖像是6種空間構(gòu)型的黑色圓圈。在進(jìn)行語言化之前，要求參與者閱讀一個(gè)即將呈現(xiàn)的名詞，然后想出該名詞的語言定義，然后向想象中的其他對(duì)象內(nèi)部解釋它的意思。該名詞呈現(xiàn)2s。刺激實(shí)例如圖1所示。

在每次run后，參與者報(bào)告他們?cè)谌蝿?wù)執(zhí)行過程中的物體視覺、空間視覺和言語思維程度，通過指定他們對(duì)三個(gè)相應(yīng)陳述的同意程度，在0(完全不同意)到100(完全同意)的連續(xù)評(píng)分量表上進(jìn)行評(píng)分。此外，在物體視覺任務(wù)中，他們要回答一個(gè)關(guān)于他們所感知到的圖片的三選項(xiàng)選擇題(例如，“鹿身上的點(diǎn)是如何排列的？”)。在空間視覺任務(wù)中，他們從三種可能的空間構(gòu)型中選擇他們剛剛看到的構(gòu)型(其中只有一種是正確的)。在語言表達(dá)任務(wù)中，參與者在30s內(nèi)通過面前桌子上的鍵盤輸入他們的定義。EEG記錄完成后，通過三個(gè)認(rèn)知任務(wù)(分別是物體、空間視覺和語言)評(píng)估參與者的三種思維能力。實(shí)驗(yàn)兩周后，被試再次完成MOTQ和OSIVQ測(cè)試。

數(shù)據(jù)預(yù)處理

EEG數(shù)據(jù)采用腦視覺分析儀2(Brain Products，Munich，Germany)進(jìn)行預(yù)處理。使用眼動(dòng)校正ICA去除眼動(dòng)偽跡。通過目視檢查去除汗液、肌肉、運(yùn)動(dòng)和電極偽跡。在整個(gè)記錄過程中有嚴(yán)重偽跡的通道(參與者的平均通道數(shù)=6.7，SD=3.8)被插值。對(duì)每個(gè)受影響的run分別進(jìn)行插值。有三個(gè)通道(P9、P10和Iz)被排除在分析之外，因?yàn)樗鼈兪窍鄬?duì)于其他61個(gè)電極的空間異常值，這些電極以近似均勻分布的方式覆蓋頭皮。然后將數(shù)據(jù)分割為2s的時(shí)間段，降采樣至256Hz，并進(jìn)行平均重參考，F(xiàn)FT濾波范圍為2?~?20Hz(不加窗)。5名參與者的EEG數(shù)據(jù)被剔除，因?yàn)檎麄€(gè)記錄過程中存在強(qiáng)烈的眼動(dòng)偽跡，而這些偽跡無法通過眼動(dòng)校正ICA去除。另外4名參與者的EEG數(shù)據(jù)由于存在嚴(yán)重的局部額葉和顳葉肌肉偽影無法進(jìn)行插值而剔除，因?yàn)檫@些電極點(diǎn)影響了多達(dá)8個(gè)周圍通道。由于Presentation軟件的技術(shù)問題，其中有一名參與者自我報(bào)告的思維模式結(jié)果無法獲得。

微狀態(tài)分析

微狀態(tài)類計(jì)算

微狀態(tài)類的計(jì)算遵循KEY EEG分析工具箱中微狀態(tài)包的實(shí)現(xiàn)過程。這個(gè)開源庫提供了用Python編程語言實(shí)現(xiàn)的EEG預(yù)處理和分析例程。對(duì)于每個(gè)參與者、每個(gè)條件和每個(gè)run，收集全局場(chǎng)功率峰值時(shí)間點(diǎn)的EEG地形圖(GFPL1范數(shù))，并將其輸入到一個(gè)改進(jìn)的k均值聚類算法中，以推導(dǎo)出能最大限度地解釋地形圖差異的四類地形圖。然后，這四類地形圖被用于計(jì)算不同run的平均類別，然后用于計(jì)算各參與者的平均類別，最后用于計(jì)算各條件的平均類別。以下描述了如何計(jì)算不同run的平均類別。隨后應(yīng)用相同的過程來計(jì)算參與者之間以及不同條件之間的平均類別。通過使用一個(gè)全排列程序來計(jì)算所有run期間的平均類，該過程確定了所有run期間四個(gè)類的最大平均相關(guān)性的解。在此過程中，每次run的均值作為分配給彼此的所有映射的第一個(gè)主成分進(jìn)行計(jì)算。

微狀態(tài)參數(shù)計(jì)算

使用各條件下的平均微狀態(tài)類別作為模板，對(duì)于所有參與者、所有條件、所有run和時(shí)間段，基于最大皮爾遜相關(guān)將全局場(chǎng)功率峰值的EEG地形圖分配到這4個(gè)微狀態(tài)類之一。連續(xù)分配到同一類的GFP峰值圖被認(rèn)為屬于一個(gè)微狀態(tài)。一個(gè)微狀態(tài)的持續(xù)時(shí)間被計(jì)算為地形圖相繼被分配到同一類的時(shí)間段，從前一個(gè)微狀態(tài)的最后一個(gè)地形圖和下一個(gè)微狀態(tài)的第一個(gè)地形圖之間的中點(diǎn)開始?；诮o定的2s時(shí)間段，我們無法重建第一個(gè)微狀態(tài)何時(shí)開始以及最后一個(gè)微狀態(tài)何時(shí)結(jié)束。因此，它們的持續(xù)時(shí)間不能最終確定。因此，在接下來的參數(shù)計(jì)算中，忽略每個(gè)2s時(shí)間段的第一個(gè)和最后一個(gè)微狀態(tài)。
本研究計(jì)算了三個(gè)微狀態(tài)參數(shù)：平均持續(xù)時(shí)間、發(fā)生率和覆蓋率。對(duì)每個(gè)參與者、每個(gè)條件、每次run和每個(gè)微狀態(tài)類進(jìn)行計(jì)算，計(jì)算方法是在給定run的所有2s時(shí)間段中計(jì)算各自參數(shù)值的平均值。

分析方法

個(gè)體內(nèi)分析

在四種情況下，對(duì)物體視覺、空間視覺和言語思維程度的主觀報(bào)告在重復(fù)run中取平均值。采用重復(fù)測(cè)量方差分析、事后方差分析和配對(duì)t檢驗(yàn)方法來檢驗(yàn)這三種任務(wù)是否誘發(fā)了被試的思維模式。Mauchly球形檢驗(yàn)表明，物體視覺、空間視覺和言語思維都違背了球形假設(shè)。因此，報(bào)告的結(jié)果采用Greenhouse-Geisser校正。
任務(wù)對(duì)微狀態(tài)參數(shù)的影響。四種條件下的微狀態(tài)持續(xù)時(shí)間、發(fā)生率和覆蓋率在重復(fù)run中取平均值。對(duì)于每個(gè)微狀態(tài)參數(shù)(持續(xù)時(shí)間、發(fā)生率和覆蓋率)，采用重復(fù)測(cè)量方差分析(自變量：條件，因變量：A、B、C、D類的參數(shù)值)、事后方差分析和配對(duì)t檢驗(yàn)來檢驗(yàn)這三種任務(wù)是否影響三個(gè)微狀態(tài)參數(shù)。Mauchly球形檢驗(yàn)表明，四種EEG微狀態(tài)的持續(xù)時(shí)間、發(fā)生率和覆蓋率均違背了球形假設(shè)。因此，報(bào)告的結(jié)果采用Greenhouse-Geisser校正。
任務(wù)對(duì)微狀態(tài)地形圖的影響。使用RAGU中實(shí)現(xiàn)的地形方差分析(TANOVA)對(duì)四種條件下的四類EEG地形圖進(jìn)行全局差異檢驗(yàn)。TANOVA使用隨機(jī)化程序計(jì)算兩個(gè)地形圖之間的全局地形差異(GMD)和觀察到差異的概率。通道配對(duì)t檢驗(yàn)指明了觀察到的差異的空間分布。使用精確的低分辨率電磁斷層掃描(eLORETA)對(duì)有顯著差異的皮層進(jìn)行源定位。

個(gè)體間分析

不同條件下微狀態(tài)參數(shù)之間的相關(guān)性。本研究計(jì)算了四個(gè)條件(物體可視化、空間可視化、語言化和無任務(wù)休息)的微狀態(tài)參數(shù)之間的Pearson相關(guān)性。
微狀態(tài)參數(shù)與主觀報(bào)告的思維模式之間的相關(guān)性。本研究計(jì)算了四種EEG微狀態(tài)類別的持續(xù)時(shí)間、發(fā)生率和覆蓋率與靜息態(tài)下報(bào)告的物體-視覺、空間-視覺和語言思維程度之間的Pearson相關(guān)性。
微狀態(tài)參數(shù)與特定模式能力的相關(guān)性。本研究計(jì)算了特定模式能力與靜息態(tài)下四種EEG微狀態(tài)類別的持續(xù)時(shí)間、發(fā)生率和覆蓋率之間的Pearson相關(guān)性。根據(jù)九項(xiàng)認(rèn)知測(cè)試的主成分分析，分別計(jì)算了物體-視覺、空間-視覺和語言能力因子的相關(guān)性。
微狀態(tài)參數(shù)與特定模式風(fēng)格的相關(guān)性。本研究計(jì)算了特定模式認(rèn)知風(fēng)格與靜息態(tài)下四種EEG微狀態(tài)類別的持續(xù)時(shí)間、發(fā)生率和覆蓋率之間的Pearson相關(guān)性?；贛OTQ分別計(jì)算物體-視覺、空間-視覺和語言風(fēng)格的相關(guān)性。

結(jié)果

微狀態(tài)類

四種微狀態(tài)類別的地形解釋了所有GFP峰值的總方差的84.0±4.8%，以及所有EEG時(shí)間框架的方差的77.0±5.1%。不同條件下的四種平均微狀態(tài)類如圖2所示。圖3分別顯示了參與者在四種條件下的四個(gè)平均微狀態(tài)類。根據(jù)與Koenig等人(2002)描述的四種標(biāo)準(zhǔn)類別的最佳擬合度，將這些地形圖標(biāo)記為A、B、C和D類。

個(gè)體內(nèi)分析

方差分析顯示，條件對(duì)物體視覺、空間視覺和言語思維有顯著影響。圖4顯示了四種條件下物體視覺、空間視覺和言語思維的自我報(bào)告程度。事后檢驗(yàn)顯示，在每項(xiàng)任務(wù)(物體可視化、空間可視化和語言化)中，參與者在誘發(fā)模式下比在其他模式下思考得更強(qiáng)烈。這在語言化任務(wù)中最為突出(圖4)。

任務(wù)對(duì)EEG微狀態(tài)參數(shù)的影響

方差分析結(jié)果顯示，條件對(duì)A類和B類微狀態(tài)的持續(xù)時(shí)間、發(fā)生率和覆蓋率有顯著影響。事后配對(duì)t檢驗(yàn)揭示了三個(gè)參數(shù)條件之間的相似差異模式。圖5顯示了觀察到的四種微狀態(tài)類的絕對(duì)覆蓋率大小(百分比)。在所有條件下，微狀態(tài)A和B類的平均覆蓋率(20-24%)低于微狀態(tài)C和D類(27-30%)。在微狀態(tài)類A和B的條件之間，顯著(p＜0.05)覆蓋差異的絕對(duì)值具有中等效應(yīng)大小。

任務(wù)對(duì)EEG微狀態(tài)地形的影響

雙因素TANOVA分析顯示，微狀態(tài)類別以及條件與微狀態(tài)類別之間的交互作用對(duì)微狀態(tài)地形有顯著影響。對(duì)四種EEG微狀態(tài)類分別進(jìn)行單因素TANOVAs分析發(fā)現(xiàn)，條件對(duì)圖B，圖C和圖D的微狀態(tài)地形有顯著影響。事后配對(duì)TANOVAs顯示，幾個(gè)條件對(duì)之間存在顯著的地形差異，如圖6所示。

對(duì)所有四種條件下的地形圖進(jìn)行多維縮放顯示，分別在微狀態(tài)類C和D的左右和前后地形圖上，物體和空間可視化與語言化有相似的偏向。此外，這三個(gè)任務(wù)與無任務(wù)條件有相似的偏向。因此，本研究使用eLORETA計(jì)算了可視化(物體和空間可視化)和語言化之間，以及任務(wù)(物體、空間可視化和語言)和無任務(wù)休息條件之間的平均差異的源。

在可視化過程中，與語言化相比，源定位顯示圖B(島葉，BA?13)和圖C(顳葉，BA 39)的左頂葉區(qū)域和圖D的中線后部區(qū)域(后扣帶回，BA?23)的活動(dòng)增加。在語言化過程中，可以觀察到圖B的右側(cè)枕頂區(qū)域(后扣帶回，BA 31)、圖C的右側(cè)枕頂區(qū)域(島葉，BA 13)以及圖D的中線前部區(qū)域(前扣帶回，BA?25)的活動(dòng)增加(見圖7)。

與無任務(wù)靜息條件相比，任務(wù)條件下的源定位顯示圖B的左側(cè)布洛卡區(qū)(BA?44)、圖C的楔前葉(BA 7)和圖D的內(nèi)側(cè)額回(BA 9)活動(dòng)增加。在靜息狀態(tài)下，圖B的右側(cè)初級(jí)軀體感覺皮層(BA 3)、圖C的左側(cè)視覺關(guān)聯(lián)區(qū)(BA?18)和圖D的左側(cè)聽覺關(guān)聯(lián)區(qū)(BA 21)活動(dòng)增加(見圖8)。

個(gè)體間分析

不同條件下EEG微狀態(tài)參數(shù)之間的Pearson相關(guān)性顯示，所有微狀態(tài)類和所有條件對(duì)的持續(xù)時(shí)間、發(fā)生率和覆蓋率之間存在強(qiáng)關(guān)聯(lián)(所有r＞0.75)。這些結(jié)果表明，在所有條件下，同一參與者(相較于其他參與者)的四種EEG微狀態(tài)類的相對(duì)持續(xù)時(shí)間、發(fā)生率和覆蓋率非常相似。在靜息狀態(tài)下，EEG微狀態(tài)A持續(xù)時(shí)間相對(duì)較長的參與者，在執(zhí)行任務(wù)時(shí)也會(huì)表現(xiàn)出相對(duì)較長時(shí)間的微狀態(tài)A，反之亦然。
然而，在三個(gè)EEG微狀態(tài)參數(shù)和三個(gè)模式相關(guān)的個(gè)體參數(shù)之間的108種可能的相關(guān)性中，只有4個(gè)在p＜0.05的顯著性水平上具有統(tǒng)計(jì)學(xué)意義(未進(jìn)行多重檢驗(yàn)校正)。前兩個(gè)顯著相關(guān)性與休息時(shí)的物體視覺思維有關(guān)。物體視覺思維與C類微狀態(tài)的持續(xù)時(shí)間和覆蓋率呈正相關(guān)。然而，事后分析表明，這些顯著相關(guān)性在不同run之間并不一致。另外兩個(gè)顯著相關(guān)性與言語認(rèn)知風(fēng)格有關(guān)。言語風(fēng)格與微狀態(tài)A的持續(xù)時(shí)間呈負(fù)相關(guān)，與微狀態(tài)C的發(fā)生率呈正相關(guān)。

結(jié)論

本研究結(jié)果揭示了A類和B類微狀態(tài)分別與視覺和言語加工有關(guān)，而D類微狀態(tài)與主觀感受加工有關(guān)。然而，所有微狀態(tài)類都出現(xiàn)在所有四種條件中，可視化微狀態(tài)A和B的覆蓋率與語言化條件相比的絕對(duì)差異、以及無任務(wù)休息微狀態(tài)D的覆蓋率與目標(biāo)導(dǎo)向任務(wù)相比的絕對(duì)差異都非常小。因此，本研究認(rèn)為，雖然EEG微狀態(tài)A、B和D類的發(fā)生率、持續(xù)時(shí)間和覆蓋率增加分別與視覺、言語和主觀感覺加工有關(guān)，但它們肯定不能被簡化為這些功能。相反，四種EEG微狀態(tài)類別之間的微妙相互作用對(duì)于視覺和言語思維的持續(xù)形成以及主觀感知加工是必要的。本研究結(jié)果表明，EEG微狀態(tài)類可能代表了主要表現(xiàn)抑制功能的皮層內(nèi)源的頭表面測(cè)量活動(dòng)。然而，還需要進(jìn)一步的研究來驗(yàn)證和闡明這一假設(shè)。

參考文獻(xiàn)（上下滑動(dòng)查看）：

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.

小伙伴們點(diǎn)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～