摘要

EEG微狀態(tài)是在靜息態(tài)EEG記錄中觀察到的代表功能性腦網(wǎng)絡(luò)的狀態(tài)，在快速切換到另一個(gè)網(wǎng)絡(luò)之前保持穩(wěn)定40-120ms。人們認(rèn)為微狀態(tài)特征(如持續(xù)時(shí)間、發(fā)生率、覆蓋率和轉(zhuǎn)換概率)可以作為精神和神經(jīng)系統(tǒng)疾病以及心理社會(huì)特征的神經(jīng)標(biāo)志物。然而，需要可靠的重測信度數(shù)據(jù)以支持這一假設(shè)。此外，研究人員目前使用的不同方法，需要比較其一致性和適用性，以產(chǎn)生可靠的結(jié)果。本研究基于一個(gè)大規(guī)模的數(shù)據(jù)集(2天，每個(gè)人進(jìn)行兩次靜息態(tài)EEG測量；第一天：n=583；第二天：n=542)，研究結(jié)果發(fā)現(xiàn)微狀態(tài)持續(xù)時(shí)間、發(fā)生率和覆蓋率的短期重測信度為良好到極好(平均ICC= 0.874-0.920)。即使測量間隔超過半年，這些微狀態(tài)特征也具有良好的總體重測信度(平均ICC=0.671-0.852)，這支持了長期以來微狀態(tài)持續(xù)時(shí)間、發(fā)生率和覆蓋率代表穩(wěn)定的神經(jīng)特征的觀點(diǎn)。這些發(fā)現(xiàn)在不同的腦電系統(tǒng)(64個(gè)電極vs.30個(gè)電極)、記錄長度(3分鐘vs.2分鐘)和認(rèn)知狀態(tài)(實(shí)驗(yàn)前vs.實(shí)驗(yàn)后)中具有穩(wěn)健性。然而，本研究結(jié)果發(fā)現(xiàn)轉(zhuǎn)換概率的重測信度較差。微狀態(tài)特征在聚類方法(轉(zhuǎn)換率除外)中具有良好到極好的一致性，并且這兩種方法都產(chǎn)生了可靠的結(jié)果。與個(gè)體擬合相比，總體均值擬合的結(jié)果更可靠。總體而言，這些發(fā)現(xiàn)為微狀態(tài)方法的可靠性提供了強(qiáng)有力的證據(jù)。

前言

微狀態(tài)分析是一種利用多通道腦電圖(EEG)數(shù)據(jù)在毫秒級(jí)尺度上研究大規(guī)模腦網(wǎng)絡(luò)時(shí)間動(dòng)力學(xué)的常用方法。微狀態(tài)網(wǎng)絡(luò)在快速轉(zhuǎn)換為其他網(wǎng)絡(luò)類型之前大約保持40-120ms的時(shí)間穩(wěn)定性，并且可以在靜息態(tài)EEG記錄中可靠地識(shí)別出來。通常情況下，少量微狀態(tài)類型(通常是四到七種)可以解釋EEG中的大部分差異(＞70%)。通常分析的微狀態(tài)特征包括每種微狀態(tài)類型的平均持續(xù)時(shí)間、發(fā)生率和覆蓋率，以及微狀態(tài)類型之間的轉(zhuǎn)換概率。雖然早在50多年前Lehmann(1971)就已經(jīng)描述了EEG中的短期穩(wěn)定腦地形圖現(xiàn)象，但近年來對(duì)這一研究領(lǐng)域的興趣顯著增加。例如，每年在標(biāo)題、摘要或關(guān)鍵詞中包含“EEG微狀態(tài)”一詞的新發(fā)表研究數(shù)量僅在兩年內(nèi)(2019-2021年)就增長了137%(見圖1)。

該圖顯示了2001-2021年期間，在線科學(xué)搜索平臺(tái)Scopus每年在標(biāo)題，摘要或關(guān)鍵字中包含“EEG微狀態(tài)”術(shù)語的研究數(shù)量。請(qǐng)注意，近年來有大幅增長，特別是從2019年開始（2019：35，2020：55，2021：83）。

微狀態(tài)方法取得突破性成功的原因有幾個(gè)。最近的出版物表明，微狀態(tài)研究可能有助于臨床心理學(xué)和精神病學(xué)中更復(fù)雜的精神障礙診斷、監(jiān)測、預(yù)后和預(yù)防。微狀態(tài)特征可作為精神分裂癥、情感障礙、焦慮癥、注意缺陷多動(dòng)障礙(ADHD)和自閉癥的生物標(biāo)志物。與fMRI相比，EEG系統(tǒng)相對(duì)便宜且易于使用，而且移動(dòng)性和可執(zhí)行性越來越好，從而促進(jìn)了微狀態(tài)分析在臨床環(huán)境中的使用。此外，可以在易于測量、僅三分鐘的無任務(wù)靜息態(tài)EEG記錄中可靠地識(shí)別微狀態(tài)，這對(duì)于有身體或認(rèn)知限制的臨床樣本中，以及在時(shí)間是寶貴資源的臨床環(huán)境中非常有用。同樣，與帕金森病，阿爾茨海默癥、癡呆、中風(fēng)或多發(fā)性硬化癥等相關(guān)的微狀態(tài)特征可以作為神經(jīng)病學(xué)的生物標(biāo)志物。

神經(jīng)科學(xué)的另一個(gè)問題是穩(wěn)定的人類特征如何在大腦中表現(xiàn)。研究表明，微狀態(tài)特征與大五人格特質(zhì)、智力、自控力、攻擊性、宗教信仰和親社會(huì)態(tài)度有關(guān)。此外，微狀態(tài)特征似乎是可遺傳的，因?yàn)樵谛值芙忝弥邪l(fā)現(xiàn)這些特征具有相似性，進(jìn)一步支持它們可能與個(gè)體間差異有關(guān)的觀點(diǎn)。因此，微狀態(tài)分析已成為研究人腦特征相關(guān)功能的一種有前景的工具。微狀態(tài)研究的另一個(gè)進(jìn)展是可供免費(fèi)使用的微狀態(tài)分析工具越來越多，包括EEGLAB、CARTOOL、RAGU或Python庫中的Pycrostates等微狀態(tài)工具包，使基于靜息態(tài)和事件相關(guān)EEG數(shù)據(jù)的標(biāo)準(zhǔn)化微狀態(tài)分析成為可能。

盡管微狀態(tài)方法取得了廣泛的成功，但從理論和方法的角度來看，有兩個(gè)重要的缺點(diǎn)限制了其有效性。首先，臨床和基礎(chǔ)研究都基于一個(gè)理論假設(shè)，即個(gè)體隨著時(shí)間的推移表現(xiàn)出相似的微狀態(tài)特征，即微狀態(tài)代表神經(jīng)特征。迄今為止，有三項(xiàng)研究顯示了微狀態(tài)特征的重測信度為中等至極好。然而，這些研究的特點(diǎn)是年輕參與者樣本相對(duì)較小且不具代表性，并且重測間隔時(shí)間較短(Antonova等人(2022)：n=20，年齡：M=31.5歲，SD=12.5，間隔時(shí)間：＜1h；Khanna等人(2014)：n=10，年齡：M=30歲，SD=10，間隔時(shí)間：≥48h；Liu等人(2020)：n=53，年齡：M=23，SD=2.4，間隔時(shí)間：1天)。在本文的修訂階段，發(fā)表了另一項(xiàng)關(guān)于微狀態(tài)特征重測信度的研究(Popov等人(2023))，結(jié)果顯示95名年輕人和93名老年人的重測信度大多較差(間隔：7-9天)，這對(duì)先前的結(jié)果提出了質(zhì)疑。因此，需要對(duì)微狀態(tài)特征進(jìn)行長期(數(shù)周和數(shù)月)重測的可靠數(shù)據(jù)，以證實(shí)微狀態(tài)特征代表穩(wěn)定神經(jīng)特征的這一理論。其次，微狀態(tài)分析在不同研究和實(shí)驗(yàn)室之間的應(yīng)用往往不同，因而限制了結(jié)果的可比性。更具體地說，使用不同的聚類和擬合過程獲得的微狀態(tài)特征，很少有證據(jù)表明這些方法產(chǎn)生的結(jié)果具有一致性。

本研究旨在通過多特蒙德生命研究(DVS)中收集的大型數(shù)據(jù)集來彌補(bǔ)這些研究中的空白。在DVS中，收集了兩天的數(shù)據(jù)(第一天[n=583]和第二天[n=542]；平均間隔63天)，每天進(jìn)行兩次靜息態(tài)EEG測量(即每次實(shí)驗(yàn)開始時(shí)的前測和每次實(shí)驗(yàn)結(jié)束后的后測；第一天平均間隔為138min，第二天平均間隔為99min)。這些數(shù)據(jù)使我們能夠評(píng)估微狀態(tài)特征的短期和長期重測可靠性?；谙惹皩?duì)較小樣本的研究，本研究提出了五個(gè)假設(shè)：首先，預(yù)計(jì)微狀態(tài)持續(xù)時(shí)間、發(fā)生率和覆蓋率的短期重測信度至少為中等水平。盡管Popov等人(2023)發(fā)現(xiàn)這些特征的重測信度較差，但他們使用了不同的微狀態(tài)分析軟件，導(dǎo)致與本研究的可比性降低。其次，基于兩項(xiàng)關(guān)于轉(zhuǎn)換概率分析的研究，本研究預(yù)計(jì)轉(zhuǎn)換概率的重測信度較低。第三，預(yù)計(jì)微狀態(tài)持續(xù)時(shí)間、發(fā)生率、覆蓋率和轉(zhuǎn)換概率的長期重測可靠性至少為中等水平，盡管可能低于短期重測可靠性。第四，根據(jù)Khanna等人(2014)的研究，本研究預(yù)計(jì)從k均值聚類和AAHC獲得的微狀態(tài)特征的重測可靠性同樣好，但與個(gè)體擬合相比，從總體均值擬合獲得的微狀態(tài)特征的重測可靠性更高。第五，基于Khanna等人(2014)的研究，本研究預(yù)計(jì)聚類方法具有較高的一致性，但擬合過程僅具有中等水平的一致性(因?yàn)榕c總體均值擬合相比，個(gè)體擬合的可靠性較低，特別是關(guān)于微狀態(tài)覆蓋率的可靠性較低)。

材料和方法

數(shù)據(jù)和樣本

本研究的數(shù)據(jù)是在多特蒙德生命研究(DVS)的背景下收集的，這是一項(xiàng)跨學(xué)科、橫斷面和縱向研究。該數(shù)據(jù)集在年齡、基因、認(rèn)知能力和就業(yè)方面基本上代表了德國工作人群(20-70歲)。與總體相比，DVS中的女性比例較高(61.5% vs 49.6%)，擁有大學(xué)學(xué)位的參與者更多(41.6% vs 18.5%)。本研究得到了萊布尼茨工作環(huán)境和人因研究中心當(dāng)?shù)貍惱砦瘑T會(huì)的批準(zhǔn)，并根據(jù)《赫爾辛基宣言》原則執(zhí)行，獲得了參與者的知情同意書。本研究的數(shù)據(jù)和代碼可在OSF存儲(chǔ)庫(https://osf.io/hy8v7/)中免費(fèi)獲取。

DVS的排除標(biāo)準(zhǔn)包括神經(jīng)系統(tǒng)疾病、心血管和腫瘤疾病、精神障礙(精神分裂癥、重度抑郁癥、焦慮癥)、頭部損傷、嚴(yán)重眼疾、限制身體健康和活動(dòng)能力的事故、使用精神活性藥物、矯正后的視力和聽力受限等。在這項(xiàng)研究中，有609名參與者完成了第一天的實(shí)驗(yàn)。對(duì)于僅包括第一天測量的所有分析，由于測量期間出現(xiàn)問題或EEG質(zhì)量較差(偽跡導(dǎo)致超過50%的數(shù)據(jù)丟失)，有26名參與者的數(shù)據(jù)被排除在外。最終樣本量為n=583(女性363名，男性220名；年齡：M=43.83歲，SD=14.30)。對(duì)于僅包括第二天測量的所有分析，樣本量為n=542(女性334名，男性208名；年齡：M=43.85歲，SD=14.30)。參與者退出的原因包括實(shí)驗(yàn)會(huì)話取消、與排除標(biāo)準(zhǔn)相關(guān)的個(gè)體變化、妊娠、以及與Covid 19大流行相關(guān)的公共限制或參與者的擔(dān)憂。

EEG記錄和預(yù)處理

在測試完成前后記錄閉眼靜息態(tài)EEG。第一天，使用64導(dǎo)聯(lián)Ag-AgCI腦電系統(tǒng)(actiCap；Brain Products，Gilching，Germany)。在線采樣率為1000Hz，F(xiàn)Cz為參考電極，AFz為接地電極。第二天，使用30導(dǎo)聯(lián)Ag-AgCI腦電系統(tǒng)(BioSemi B.V.，Amsterdam，Netherlands)，在線采樣率為2048Hz。共模感應(yīng)(CMS)有源電極和驅(qū)動(dòng)右腿(DRL)無源電極，分別用作參考電極和接地電極，共同形成一個(gè)驅(qū)動(dòng)平均電位的反饋環(huán)路。使用不同腦電系統(tǒng)的原因是為了保證第二天的測量與之前使用相同EEG設(shè)置的早期研究具有可比性。兩個(gè)腦電系統(tǒng)都按照擴(kuò)展的10-20系統(tǒng)排列，阻抗低于10kΩ。

在EEGLAB中進(jìn)行EEG數(shù)據(jù)預(yù)處理。首先，將數(shù)據(jù)降采樣至500Hz(第二天為512Hz)，并應(yīng)用2-20Hz的帶通濾波(微狀態(tài)研究中常用的頻率范圍)。其次，根據(jù)頻譜閾值自動(dòng)去除較大的偽跡(EEGLAB函數(shù)：pop_rejcont；推薦設(shè)置；頻率范圍：15-30Hz)。第三，將EEG數(shù)據(jù)轉(zhuǎn)換為平均參考(僅限第一天，因?yàn)锽ioSemi EEG系統(tǒng)不需要此步驟)。第四，使用PrepPipeline來排除噪聲通道。第五，應(yīng)用其他偽跡校正方法(EEGLAB函數(shù)：pop_autorej；推薦設(shè)置；偽跡檢測閾值：500μV)。最后，使用獨(dú)立成分分析(ICA)來識(shí)別EEG數(shù)據(jù)中的常規(guī)偽跡(EEGLAB函數(shù)：pop_runica；推薦設(shè)置)，然后拒絕具有超過70%的概率表示為眼動(dòng)或肌肉偽跡的成分(EEGLAB函數(shù)：ICLabel)。

腦電微狀態(tài)分析

微狀態(tài)特征是使用Koenig(2017；v1.2)的EEGLAB微狀態(tài)工具箱獲得的。首先，從全局場功率峰值中提取電勢場圖，以獲得最佳信噪比。其次，將這些單個(gè)電勢場圖提交給聚類程序，使用改進(jìn)的k均值聚類或AAHC聚類來識(shí)別平均個(gè)體映射。在改進(jìn)的k均值聚類過程中，預(yù)定義數(shù)量的k個(gè)單獨(dú)的映射被隨機(jī)選取為聚類模板映射。然后，這些模板映射在迭代過程中進(jìn)行優(yōu)化，通過反復(fù)將所有個(gè)體映射分配到最相似的模板映射，然后通過分配的個(gè)體映射的第一個(gè)主成分更新模板映射，在迭代過程中擬合數(shù)據(jù)，直到達(dá)到收斂標(biāo)準(zhǔn)。另一種選擇是AAHC聚類，該聚類過程將所有個(gè)體映射作為單獨(dú)的聚類，然后重復(fù)分解對(duì)全局解釋方差貢獻(xiàn)最小的聚類，將生成的未分配個(gè)體映射分配給最相似的聚類映射，并通過計(jì)算其成員的第一個(gè)主成分來更新聚類映射。此過程以迭代方式重復(fù)，直到達(dá)到預(yù)定義的映射數(shù)量。本研究使用這兩種方法來系統(tǒng)地比較它們的一致性和適用性，以產(chǎn)生可靠的結(jié)果。第三，將平均單個(gè)地形圖進(jìn)行第二次聚類分析，以識(shí)別在八個(gè)條件(即第一天/前/k-means，第一天/后/k-means，第二天/前/k-means，第二天/后/k-means，第一天/前/AAHC，第一天/后/AAHC，第二天/前/AAHC，第二天/后/AAHC)中最為顯著的總體均值微狀態(tài)地形圖，同時(shí)要求總體均值微狀態(tài)地形圖與個(gè)體水平的平均單個(gè)地形圖之間存在一對(duì)一的關(guān)系。

擬合過程得到了每個(gè)個(gè)體連續(xù)的微狀態(tài)地形圖序列。從這些序列中，可以得到個(gè)體的微狀態(tài)特征。持續(xù)時(shí)間是指每種微狀態(tài)類型的平均持續(xù)時(shí)間(ms)，發(fā)生率是指每種微狀態(tài)類型每秒出現(xiàn)的平均次數(shù)，覆蓋率是指每種微狀態(tài)類型在EEG中占據(jù)的百分比，轉(zhuǎn)換概率是指從一個(gè)微狀態(tài)類型到另一個(gè)微狀態(tài)類型的轉(zhuǎn)換概率，計(jì)算為從一種微狀態(tài)類型轉(zhuǎn)換到另一種微狀態(tài)類型的轉(zhuǎn)換次數(shù)與預(yù)期轉(zhuǎn)換次數(shù)的比例。

統(tǒng)計(jì)分析

在進(jìn)行后續(xù)分析之前，本研究首先通過計(jì)算八種不同條件(即第一天/前/k-means、第一天/后/k-means、第二天/前/k-means、第二天/后/k-means、第一天/前/AAHC、第一天/后/AAHC、第二天/前/AAHC、第二天/后/AAHC)下同一類型地形圖之間的空間相關(guān)性來檢驗(yàn)5種不同類型微狀態(tài)(A、B、C、C'、D)地形圖的一致性。此外，本研究分析了微狀態(tài)地形圖的短期和長期重測信度，以及它們?cè)诰垲愡^程(k均值/AAHC)中的方法一致性。當(dāng)將第一天和第二天的地形圖與不同電極配置進(jìn)行相關(guān)時(shí)，使用EEGLAB中實(shí)現(xiàn)的球面樣條插值方法將64通道數(shù)據(jù)空間重新采樣至30通道數(shù)據(jù)。在接下來的分析中，本研究計(jì)算了組內(nèi)相關(guān)系數(shù)(ICCs)來檢驗(yàn)微狀態(tài)特征的重測信度和方法一致性。ICCs小于0.50、0.50~0.75、0.75~0.90、大于0.90分別表示較差、中等、良好和極好的信度。為了便于理解，本研究還計(jì)算了微狀態(tài)持續(xù)時(shí)間、發(fā)生率和覆蓋率的平均ICCs，以及轉(zhuǎn)換類型之間的微狀態(tài)轉(zhuǎn)換的平均ICCs。為此，使用Fisher'z對(duì)ICC進(jìn)行轉(zhuǎn)換，取平均值，并將z值重新轉(zhuǎn)換為平均相關(guān)性。

結(jié)果

總體均值微狀態(tài)地形圖本研究計(jì)算了每天(第一天/第二天)、測量(前/后)和聚類方法(k均值/AAHC)的總體均值微狀態(tài)地形圖。所有地形圖集都包括一張左枕到右額方向的地形圖，代表微狀態(tài)A（除了第二天/后/k-means條件下是左枕到右顳方向）；右枕到左額方向的地形圖，代表微狀態(tài)B；枕葉到額葉方向的地形圖，代表微狀態(tài)C；中央枕葉到額葉方向的地形圖，代表微狀態(tài)C'；以及枕葉到額中央方向的地形圖，代表微狀態(tài)D(表1)。因此，所有總體均值微狀態(tài)地形圖都可以明確地歸入文獻(xiàn)中已知的標(biāo)準(zhǔn)微狀態(tài)類型。

短期重測信度第一天，在平均間隔137.69分鐘內(nèi)(SD=8.24，范圍：112.98-147.27)計(jì)算微狀態(tài)特征的短期重測信度。所有五種微狀態(tài)類型的地形圖在兩種聚類方法(k均值/AAHC)中都顯示出極好的空間重測信度，即前后測量之間的空間相關(guān)性很高(表2)。

在時(shí)序微狀態(tài)特征方面，從k均值聚類和總體均值(GM)擬合中獲得的持續(xù)時(shí)間、發(fā)生率和覆蓋率顯示出良好至極好的平均ICCs(參見圖2和表3)。與k均值聚類相比，AAHC產(chǎn)生了高度可比的結(jié)果。然而，在k均值聚類和AAHC中，個(gè)體(Ind)擬合的平均ICCs明顯低于GM擬合。在所有聚類和擬合過程中，平均微狀態(tài)特征(解釋方差、平均持續(xù)時(shí)間、平均發(fā)生次數(shù)、平均GFP)顯示出良好至極好的平均ICCs。當(dāng)使用GM擬合時(shí)，微狀態(tài)轉(zhuǎn)換在兩種聚類中表現(xiàn)出類似的(z檢驗(yàn)：p=0.138)、較差至中等的平均ICCs，而當(dāng)使用Ind擬合時(shí)，微狀態(tài)轉(zhuǎn)換在兩種聚類中表現(xiàn)出相似的、較差甚至更低的平均ICCs。

第二天，在平均間隔99.10分鐘內(nèi)(SD=9.33，范圍：55.10-136.47)計(jì)算微狀態(tài)特征的短期重測信度。與第一天的結(jié)果相符，微狀態(tài)地形圖顯示出極好的空間重測信度。從k均值聚類和GM擬合中得到的持續(xù)時(shí)間、發(fā)生率和覆蓋率都顯示出良好至極好的平均ICCs(圖2和表3)。與k均值聚類相比，使用AAHC產(chǎn)生了可比的、略高的平均ICCs(持續(xù)時(shí)間、發(fā)生率和覆蓋率的z檢驗(yàn)分別為p=0.090、p=0.023和p=0.002)，然而Ind擬合在k均值聚類和AAHC中的平均ICCs明顯低于GM擬合。平均微狀態(tài)特征在所有聚類和擬合過程中均顯示出良好至極好的重測可靠性。當(dāng)使用GM擬合時(shí)，微狀態(tài)轉(zhuǎn)換概率在兩種聚類中均顯示出類似的、較差至中等的重測信度。而在Ind擬合中，微狀態(tài)轉(zhuǎn)換概率在兩種聚類方法中都顯示出類似的、較差甚至更低的平均ICCs。

長期重測信度

微狀態(tài)特征的長期重測信度平均間隔時(shí)間為62.60天(SD=105.63，范圍：1-996天)。所有五種微狀態(tài)類型的微狀態(tài)地形圖在兩種聚類方法(k均值/AAHC)中都顯示出了極好的空間長期重測信度，這表明第一天和第二天的前測量之間存在很高的空間相關(guān)性。關(guān)于時(shí)序微狀態(tài)特征，從k均值聚類和GM擬合中得到的持續(xù)時(shí)間、發(fā)生率和覆蓋率顯示出中等至良好的平均ICCs。與k均值聚類相比，使用AAHC獲得了略高的平均ICCs(持續(xù)時(shí)間、發(fā)生率和覆蓋率的z檢驗(yàn)分別為p=0.078、p=0.017和p=0.012)。然而，使用Ind擬合在兩種聚類中的平均ICCs較差(持續(xù)時(shí)間、發(fā)生率和覆蓋率的z檢驗(yàn)分別為p=0.170，p＜0.001和p＜0.001)。在所有聚類和擬合過程中，平均微狀態(tài)特征(解釋方差、平均持續(xù)時(shí)間、平均發(fā)生次數(shù)、平均GFP)顯示出良好至極好的重測信度。當(dāng)使用GM擬合時(shí)，微狀態(tài)轉(zhuǎn)換概率在兩種聚類中顯示出類似的、較差的平均ICCs，當(dāng)使用Ind擬合時(shí)，兩種聚類過程中的平均ICCs甚至更低。

對(duì)第一天和第二天的后測數(shù)據(jù)進(jìn)行類似分析。與前測數(shù)據(jù)結(jié)果相一致，微狀態(tài)地形圖顯示出極好的空間重測信度。從k均值聚類和GM擬合中得到的持續(xù)時(shí)間、發(fā)生率和覆蓋率顯示出中等至良好的平均ICCs。與k均值聚類相比，使用AAHC獲得了更高的平均ICCs(持續(xù)時(shí)間、發(fā)生率和覆蓋率的z檢驗(yàn)分別為p=0.028、p＜0.001和p＜0.001)，而使用Ind擬合在兩種聚類方法中顯示出明顯較差的平均ICCs。在所有聚類和擬合過程中，平均微狀態(tài)特征顯示出良好至極好的重測信度。同樣，在使用GM擬合時(shí)，微狀態(tài)轉(zhuǎn)移概率在兩種聚類方法中表現(xiàn)出相似的重測信度，大多數(shù)都很差，而在使用Ind擬合時(shí)，兩種聚類方法表現(xiàn)出相似的，甚至更低的重測信度。值得注意的是，隨著第一天和第二天的間隔增加，長期重測信度沒有出現(xiàn)系統(tǒng)性下降(見圖3)。

聚類方法的一致性

在每個(gè)測量(第一天/前、第一天/后、第二天/前、第二天/后)中測試了兩種聚類方法(k均值/AAHC)微狀態(tài)特征的一致性。所有五種微狀態(tài)類型的微狀態(tài)地形圖在聚類過程中表現(xiàn)出良好的整體一致性，即通過k均值聚類和AAHC獲得的地形圖之間存在很高的空間相關(guān)性。如前所述，與AAHC中的中央枕葉至額葉方向相比，k均值聚類導(dǎo)致了微狀態(tài)C'圖的中央至額葉方向。因此，與k均值聚類中的C'圖相比，AAHC中的C'圖與k均值聚類中的C圖在第一天/前和第一天/后中顯示出更強(qiáng)的關(guān)聯(lián)。此外，第二天/后的A地形圖在k均值聚類中顯示左枕向右顳方向，而在所有其他測量中顯示左枕向右額方向，這就是為什么從AAHC獲得的該測量的A圖與k均值聚類的C圖具有更強(qiáng)的關(guān)聯(lián)。雖然存在這些微小的不一致性，但從k均值聚類獲得的20張地形圖中，有17張地形圖與從AAHC中獲得的相應(yīng)地形圖顯示出強(qiáng)烈的相關(guān)性(所有相關(guān)性＞0.903)。

關(guān)于時(shí)序微狀態(tài)特征，與AAHC相比，從k均值聚類和GM擬合中得到的持續(xù)時(shí)間、發(fā)生率和覆蓋率在不同天數(shù)和測量中的平均ICCs大多非常出色。然而，與GM擬合相比，Ind擬合導(dǎo)致聚類在所有測量上的平均ICCs明顯較低(較差至良好)。無論使用哪種擬合方法，平均微狀態(tài)特征(解釋方差、平均持續(xù)時(shí)間、平均發(fā)生次數(shù)、平均GFP)在所有的聚類方法中顯示出良好至極好的平均ICCs。在使用GM擬合時(shí)，微狀態(tài)轉(zhuǎn)換概率顯示出中等至良好的平均ICCs，而使用Ind擬合時(shí)，則顯示出較差且明顯較低的一致性。

擬合過程的一致性

從通過k均值聚類得到的GM擬合和Ind擬合的結(jié)果來看，持續(xù)時(shí)間、發(fā)生率、覆蓋率和轉(zhuǎn)換概率在不同天數(shù)和測量中顯示出較差至良好的平均ICCs。通過AAHC進(jìn)行類似的分析顯示，在持續(xù)時(shí)間方面具有相似的平均ICCs，但在發(fā)生率、覆蓋率和轉(zhuǎn)換概率方面的平均ICCs較低。

結(jié)論

本研究的主要目的是評(píng)估EEG微狀態(tài)特征的短期和長期重測可靠性。研究結(jié)果發(fā)現(xiàn)微狀態(tài)持續(xù)時(shí)間、發(fā)生率和覆蓋率的短期重測信度為良好到極好。即使測量間隔超過半年，這些微狀態(tài)特征也具有良好的總體重測信度，這為腦電微狀態(tài)特征的短期和長期重測可靠性提供了強(qiáng)有力的證據(jù)，支持了長期以來微狀態(tài)持續(xù)時(shí)間、發(fā)生率和覆蓋率代表穩(wěn)定的神經(jīng)特征的觀點(diǎn)。此外，k均值聚類和AAHC均產(chǎn)生了可靠的結(jié)果，而與個(gè)體擬合相比，總體均值擬合產(chǎn)生了更好的可靠性。這是標(biāo)準(zhǔn)化微狀態(tài)研究以及最終在基礎(chǔ)研究和臨床環(huán)境中使用微狀態(tài)作為生物標(biāo)志物的關(guān)鍵一步。

原文：Kleinert, T., Koenig, T., Nash, K. et al. On the Reliability of the EEG Microstate Approach. Brain Topogr (2023). https://doi.org/10.1007/s10548-023-00982-9

小伙伴們關(guān)注茗創(chuàng)科技，將第一時(shí)間收到精彩內(nèi)容推送哦～