摘要

EEG微状态是在静息态EEG记录中观察到的代表功能性脑网络的状态，在快速切换到另一个网络之前保持稳定40-120ms。人们认为微状态特征(如持续时间、发生率、覆盖率和转换概率)可以作为精神和神经系统疾病以及心理社会特征的神经标志物。然而，需要可靠的重测信度数据以支持这一假设。此外，研究人员目前使用的不同方法，需要比较其一致性和适用性，以产生可靠的结果。本研究基于一个大规模的数据集(2天，每个人进行两次静息态EEG测量；第一天：n=583；第二天：n=542)，研究结果发现微状态持续时间、发生率和覆盖率的短期重测信度为良好到极好(平均ICC= 0.874-0.920)。即使测量间隔超过半年，这些微状态特征也具有良好的总体重测信度(平均ICC=0.671-0.852)，这支持了长期以来微状态持续时间、发生率和覆盖率代表稳定的神经特征的观点。这些发现在不同的脑电系统(64个电极vs.30个电极)、记录长度(3分钟vs.2分钟)和认知状态(实验前vs.实验后)中具有稳健性。然而，本研究结果发现转换概率的重测信度较差。微状态特征在聚类方法(转换率除外)中具有良好到极好的一致性，并且这两种方法都产生了可靠的结果。与个体拟合相比，总体均值拟合的结果更可靠。总体而言，这些发现为微状态方法的可靠性提供了强有力的证据。

前言

微状态分析是一种利用多通道脑电图(EEG)数据在毫秒级尺度上研究大规模脑网络时间动力学的常用方法。微状态网络在快速转换为其他网络类型之前大约保持40-120ms的时间稳定性，并且可以在静息态EEG记录中可靠地识别出来。通常情况下，少量微状态类型(通常是四到七种)可以解释EEG中的大部分差异(＞70%)。通常分析的微状态特征包括每种微状态类型的平均持续时间、发生率和覆盖率，以及微状态类型之间的转换概率。虽然早在50多年前Lehmann(1971)就已经描述了EEG中的短期稳定脑地形图现象，但近年来对这一研究领域的兴趣显著增加。例如，每年在标题、摘要或关键词中包含“EEG微状态”一词的新发表研究数量仅在两年内(2019-2021年)就增长了137%(见图1)。

图1.每年在Scopus上新发表的包含“EEG微状态”一词的研究数量。

该图显示了2001-2021年期间，在线科学搜索平台Scopus每年在标题，摘要或关键字中包含“EEG微状态”术语的研究数量。请注意，近年来有大幅增长，特别是从2019年开始（2019：35，2020：55，2021：83）。

微状态方法取得突破性成功的原因有几个。最近的出版物表明，微状态研究可能有助于临床心理学和精神病学中更复杂的精神障碍诊断、监测、预后和预防。微状态特征可作为精神分裂症、情感障碍、焦虑症、注意缺陷多动障碍(ADHD)和自闭症的生物标志物。与fMRI相比，EEG系统相对便宜且易于使用，而且移动性和可执行性越来越好，从而促进了微状态分析在临床环境中的使用。此外，可以在易于测量、仅三分钟的无任务静息态EEG记录中可靠地识别微状态，这对于有身体或认知限制的临床样本中，以及在时间是宝贵资源的临床环境中非常有用。同样，与帕金森病，阿尔茨海默症、痴呆、中风或多发性硬化症等相关的微状态特征可以作为神经病学的生物标志物。

神经科学的另一个问题是稳定的人类特征如何在大脑中表现。研究表明，微状态特征与大五人格特质、智力、自控力、攻击性、宗教信仰和亲社会态度有关。此外，微状态特征似乎是可遗传的，因为在兄弟姐妹中发现这些特征具有相似性，进一步支持它们可能与个体间差异有关的观点。因此，微状态分析已成为研究人脑特征相关功能的一种有前景的工具。微状态研究的另一个进展是可供免费使用的微状态分析工具越来越多，包括EEGLAB、CARTOOL、RAGU或Python库中的Pycrostates等微状态工具包，使基于静息态和事件相关EEG数据的标准化微状态分析成为可能。

尽管微状态方法取得了广泛的成功，但从理论和方法的角度来看，有两个重要的缺点限制了其有效性。首先，临床和基础研究都基于一个理论假设，即个体随着时间的推移表现出相似的微状态特征，即微状态代表神经特征。迄今为止，有三项研究显示了微状态特征的重测信度为中等至极好。然而，这些研究的特点是年轻参与者样本相对较小且不具代表性，并且重测间隔时间较短(Antonova等人(2022)：n=20，年龄：M=31.5岁，SD=12.5，间隔时间：＜1h；Khanna等人(2014)：n=10，年龄：M=30岁，SD=10，间隔时间：≥48h；Liu等人(2020)：n=53，年龄：M=23，SD=2.4，间隔时间：1天)。在本文的修订阶段，发表了另一项关于微状态特征重测信度的研究(Popov等人(2023))，结果显示95名年轻人和93名老年人的重测信度大多较差(间隔：7-9天)，这对先前的结果提出了质疑。因此，需要对微状态特征进行长期(数周和数月)重测的可靠数据，以证实微状态特征代表稳定神经特征的这一理论。其次，微状态分析在不同研究和实验室之间的应用往往不同，因而限制了结果的可比性。更具体地说，使用不同的聚类和拟合过程获得的微状态特征，很少有证据表明这些方法产生的结果具有一致性。

本研究旨在通过多特蒙德生命研究(DVS)中收集的大型数据集来弥补这些研究中的空白。在DVS中，收集了两天的数据(第一天[n=583]和第二天[n=542]；平均间隔63天)，每天进行两次静息态EEG测量(即每次实验开始时的前测和每次实验结束后的后测；第一天平均间隔为138min，第二天平均间隔为99min)。这些数据使我们能够评估微状态特征的短期和长期重测可靠性。基于先前对较小样本的研究，本研究提出了五个假设：首先，预计微状态持续时间、发生率和覆盖率的短期重测信度至少为中等水平。尽管Popov等人(2023)发现这些特征的重测信度较差，但他们使用了不同的微状态分析软件，导致与本研究的可比性降低。其次，基于两项关于转换概率分析的研究，本研究预计转换概率的重测信度较低。第三，预计微状态持续时间、发生率、覆盖率和转换概率的长期重测可靠性至少为中等水平，尽管可能低于短期重测可靠性。第四，根据Khanna等人(2014)的研究，本研究预计从k均值聚类和AAHC获得的微状态特征的重测可靠性同样好，但与个体拟合相比，从总体均值拟合获得的微状态特征的重测可靠性更高。第五，基于Khanna等人(2014)的研究，本研究预计聚类方法具有较高的一致性，但拟合过程仅具有中等水平的一致性(因为与总体均值拟合相比，个体拟合的可靠性较低，特别是关于微状态覆盖率的可靠性较低)。

材料和方法

数据和样本

本研究的数据是在多特蒙德生命研究(DVS)的背景下收集的，这是一项跨学科、横断面和纵向研究。该数据集在年龄、基因、认知能力和就业方面基本上代表了德国工作人群(20-70岁)。与总体相比，DVS中的女性比例较高(61.5% vs 49.6%)，拥有大学学位的参与者更多(41.6% vs 18.5%)。本研究得到了莱布尼茨工作环境和人因研究中心当地伦理委员会的批准，并根据《赫尔辛基宣言》原则执行，获得了参与者的知情同意书。本研究的数据和代码可在OSF存储库(https://osf.io/hy8v7/)中免费获取。

DVS的排除标准包括神经系统疾病、心血管和肿瘤疾病、精神障碍(精神分裂症、重度抑郁症、焦虑症)、头部损伤、严重眼疾、限制身体健康和活动能力的事故、使用精神活性药物、矫正后的视力和听力受限等。在这项研究中，有609名参与者完成了第一天的实验。对于仅包括第一天测量的所有分析，由于测量期间出现问题或EEG质量较差(伪迹导致超过50%的数据丢失)，有26名参与者的数据被排除在外。最终样本量为n=583(女性363名，男性220名；年龄：M=43.83岁，SD=14.30)。对于仅包括第二天测量的所有分析，样本量为n=542(女性334名，男性208名；年龄：M=43.85岁，SD=14.30)。参与者退出的原因包括实验会话取消、与排除标准相关的个体变化、妊娠、以及与Covid 19大流行相关的公共限制或参与者的担忧。

EEG记录和预处理

在测试完成前后记录闭眼静息态EEG。第一天，使用64导联Ag-AgCI脑电系统(actiCap；Brain Products，Gilching，Germany)。在线采样率为1000Hz，FCz为参考电极，AFz为接地电极。第二天，使用30导联Ag-AgCI脑电系统(BioSemi B.V.，Amsterdam，Netherlands)，在线采样率为2048Hz。共模感应(CMS)有源电极和驱动右腿(DRL)无源电极，分别用作参考电极和接地电极，共同形成一个驱动平均电位的反馈环路。使用不同脑电系统的原因是为了保证第二天的测量与之前使用相同EEG设置的早期研究具有可比性。两个脑电系统都按照扩展的10-20系统排列，阻抗低于10kΩ。

在EEGLAB中进行EEG数据预处理。首先，将数据降采样至500Hz(第二天为512Hz)，并应用2-20Hz的带通滤波(微状态研究中常用的频率范围)。其次，根据频谱阈值自动去除较大的伪迹(EEGLAB函数：pop_rejcont；推荐设置；频率范围：15-30Hz)。第三，将EEG数据转换为平均参考(仅限第一天，因为BioSemi EEG系统不需要此步骤)。第四，使用PrepPipeline来排除噪声通道。第五，应用其他伪迹校正方法(EEGLAB函数：pop_autorej；推荐设置；伪迹检测阈值：500μV)。最后，使用独立成分分析(ICA)来识别EEG数据中的常规伪迹(EEGLAB函数：pop_runica；推荐设置)，然后拒绝具有超过70%的概率表示为眼动或肌肉伪迹的成分(EEGLAB函数：ICLabel)。

脑电微状态分析

微状态特征是使用Koenig(2017；v1.2)的EEGLAB微状态工具箱获得的。首先，从全局场功率峰值中提取电势场图，以获得最佳信噪比。其次，将这些单个电势场图提交给聚类程序，使用改进的k均值聚类或AAHC聚类来识别平均个体映射。在改进的k均值聚类过程中，预定义数量的k个单独的映射被随机选取为聚类模板映射。然后，这些模板映射在迭代过程中进行优化，通过反复将所有个体映射分配到最相似的模板映射，然后通过分配的个体映射的第一个主成分更新模板映射，在迭代过程中拟合数据，直到达到收敛标准。另一种选择是AAHC聚类，该聚类过程将所有个体映射作为单独的聚类，然后重复分解对全局解释方差贡献最小的聚类，将生成的未分配个体映射分配给最相似的聚类映射，并通过计算其成员的第一个主成分来更新聚类映射。此过程以迭代方式重复，直到达到预定义的映射数量。本研究使用这两种方法来系统地比较它们的一致性和适用性，以产生可靠的结果。第三，将平均单个地形图进行第二次聚类分析，以识别在八个条件(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)中最为显著的总体均值微状态地形图，同时要求总体均值微状态地形图与个体水平的平均单个地形图之间存在一对一的关系。

拟合过程得到了每个个体连续的微状态地形图序列。从这些序列中，可以得到个体的微状态特征。持续时间是指每种微状态类型的平均持续时间(ms)，发生率是指每种微状态类型每秒出现的平均次数，覆盖率是指每种微状态类型在EEG中占据的百分比，转换概率是指从一个微状态类型到另一个微状态类型的转换概率，计算为从一种微状态类型转换到另一种微状态类型的转换次数与预期转换次数的比例。

统计分析

在进行后续分析之前，本研究首先通过计算八种不同条件(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)下同一类型地形图之间的空间相关性来检验5种不同类型微状态(A、B、C、C'、D)地形图的一致性。此外，本研究分析了微状态地形图的短期和长期重测信度，以及它们在聚类过程(k均值/AAHC)中的方法一致性。当将第一天和第二天的地形图与不同电极配置进行相关时，使用EEGLAB中实现的球面样条插值方法将64通道数据空间重新采样至30通道数据。在接下来的分析中，本研究计算了组内相关系数(ICCs)来检验微状态特征的重测信度和方法一致性。ICCs小于0.50、0.50~0.75、0.75~0.90、大于0.90分别表示较差、中等、良好和极好的信度。为了便于理解，本研究还计算了微状态持续时间、发生率和覆盖率的平均ICCs，以及转换类型之间的微状态转换的平均ICCs。为此，使用Fisher'z对ICC进行转换，取平均值，并将z值重新转换为平均相关性。

结果

总体均值微状态地形图

本研究计算了每天(第一天/第二天)、测量(前/后)和聚类方法(k均值/AAHC)的总体均值微状态地形图。所有地形图集都包括一张左枕到右额方向的地形图，代表微状态A（除了第二天/后/k-means条件下是左枕到右颞方向）；右枕到左额方向的地形图，代表微状态B；枕叶到额叶方向的地形图，代表微状态C；中央枕叶到额叶方向的地形图，代表微状态C'；以及枕叶到额中央方向的地形图，代表微状态D(表1)。因此，所有总体均值微状态地形图都可以明确地归入文献中已知的标准微状态类型。

表1.总体均值微状态地形图。

短期重测信度

第一天，在平均间隔137.69分钟内(SD=8.24，范围：112.98-147.27)计算微状态特征的短期重测信度。所有五种微状态类型的地形图在两种聚类方法(k均值/AAHC)中都显示出极好的空间重测信度，即前后测量之间的空间相关性很高(表2)。

表2.总体均值微状态地形图的空间相关性。

在时序微状态特征方面，从k均值聚类和总体均值(GM)拟合中获得的持续时间、发生率和覆盖率显示出良好至极好的平均ICCs(参见图2和表3)。与k均值聚类相比，AAHC产生了高度可比的结果。然而，在k均值聚类和AAHC中，个体(Ind)拟合的平均ICCs明显低于GM拟合。在所有聚类和拟合过程中，平均微状态特征(解释方差、平均持续时间、平均发生次数、平均GFP)显示出良好至极好的平均ICCs。当使用GM拟合时，微状态转换在两种聚类中表现出类似的(z检验：p=0.138)、较差至中等的平均ICCs，而当使用Ind拟合时，微状态转换在两种聚类中表现出相似的、较差甚至更低的平均ICCs。

图2.微状态特征的平均短期和长期重测可靠性。***p＜.001，**p＜.010，*p＜.050，†p＜.10。

表3.所有分析的持续时间、发生率、覆盖率和转换概率的平均ICCs。

第二天，在平均间隔99.10分钟内(SD=9.33，范围：55.10-136.47)计算微状态特征的短期重测信度。与第一天的结果相符，微状态地形图显示出极好的空间重测信度。从k均值聚类和GM拟合中得到的持续时间、发生率和覆盖率都显示出良好至极好的平均ICCs(图2和表3)。与k均值聚类相比，使用AAHC产生了可比的、略高的平均ICCs(持续时间、发生率和覆盖率的z检验分别为p=0.090、p=0.023和p=0.002)，然而Ind拟合在k均值聚类和AAHC中的平均ICCs明显低于GM拟合。平均微状态特征在所有聚类和拟合过程中均显示出良好至极好的重测可靠性。当使用GM拟合时，微状态转换概率在两种聚类中均显示出类似的、较差至中等的重测信度。而在Ind拟合中，微状态转换概率在两种聚类方法中都显示出类似的、较差甚至更低的平均ICCs。

长期重测信度

微状态特征的长期重测信度平均间隔时间为62.60天(SD=105.63，范围：1-996天)。所有五种微状态类型的微状态地形图在两种聚类方法(k均值/AAHC)中都显示出了极好的空间长期重测信度，这表明第一天和第二天的前测量之间存在很高的空间相关性。关于时序微状态特征，从k均值聚类和GM拟合中得到的持续时间、发生率和覆盖率显示出中等至良好的平均ICCs。与k均值聚类相比，使用AAHC获得了略高的平均ICCs(持续时间、发生率和覆盖率的z检验分别为p=0.078、p=0.017和p=0.012)。然而，使用Ind拟合在两种聚类中的平均ICCs较差(持续时间、发生率和覆盖率的z检验分别为p=0.170，p＜0.001和p＜0.001)。在所有聚类和拟合过程中，平均微状态特征(解释方差、平均持续时间、平均发生次数、平均GFP)显示出良好至极好的重测信度。当使用GM拟合时，微状态转换概率在两种聚类中显示出类似的、较差的平均ICCs，当使用Ind拟合时，两种聚类过程中的平均ICCs甚至更低。

对第一天和第二天的后测数据进行类似分析。与前测数据结果相一致，微状态地形图显示出极好的空间重测信度。从k均值聚类和GM拟合中得到的持续时间、发生率和覆盖率显示出中等至良好的平均ICCs。与k均值聚类相比，使用AAHC获得了更高的平均ICCs(持续时间、发生率和覆盖率的z检验分别为p=0.028、p＜0.001和p＜0.001)，而使用Ind拟合在两种聚类方法中显示出明显较差的平均ICCs。在所有聚类和拟合过程中，平均微状态特征显示出良好至极好的重测信度。同样，在使用GM拟合时，微状态转移概率在两种聚类方法中表现出相似的重测信度，大多数都很差，而在使用Ind拟合时，两种聚类方法表现出相似的，甚至更低的重测信度。值得注意的是，随着第一天和第二天的间隔增加，长期重测信度没有出现系统性下降(见图3)。

图3.不同测量间隔组中微状态特征的平均长期重测信度n=525。

聚类方法的一致性

在每个测量(第一天/前、第一天/后、第二天/前、第二天/后)中测试了两种聚类方法(k均值/AAHC)微状态特征的一致性。所有五种微状态类型的微状态地形图在聚类过程中表现出良好的整体一致性，即通过k均值聚类和AAHC获得的地形图之间存在很高的空间相关性。如前所述，与AAHC中的中央枕叶至额叶方向相比，k均值聚类导致了微状态C'图的中央至额叶方向。因此，与k均值聚类中的C'图相比，AAHC中的C'图与k均值聚类中的C图在第一天/前和第一天/后中显示出更强的关联。此外，第二天/后的A地形图在k均值聚类中显示左枕向右颞方向，而在所有其他测量中显示左枕向右额方向，这就是为什么从AAHC获得的该测量的A图与k均值聚类的C图具有更强的关联。虽然存在这些微小的不一致性，但从k均值聚类获得的20张地形图中，有17张地形图与从AAHC中获得的相应地形图显示出强烈的相关性(所有相关性＞0.903)。

关于时序微状态特征，与AAHC相比，从k均值聚类和GM拟合中得到的持续时间、发生率和覆盖率在不同天数和测量中的平均ICCs大多非常出色。然而，与GM拟合相比，Ind拟合导致聚类在所有测量上的平均ICCs明显较低(较差至良好)。无论使用哪种拟合方法，平均微状态特征(解释方差、平均持续时间、平均发生次数、平均GFP)在所有的聚类方法中显示出良好至极好的平均ICCs。在使用GM拟合时，微状态转换概率显示出中等至良好的平均ICCs，而使用Ind拟合时，则显示出较差且明显较低的一致性。

拟合过程的一致性

从通过k均值聚类得到的GM拟合和Ind拟合的结果来看，持续时间、发生率、覆盖率和转换概率在不同天数和测量中显示出较差至良好的平均ICCs。通过AAHC进行类似的分析显示，在持续时间方面具有相似的平均ICCs，但在发生率、覆盖率和转换概率方面的平均ICCs较低。

结论

本研究的主要目的是评估EEG微状态特征的短期和长期重测可靠性。研究结果发现微状态持续时间、发生率和覆盖率的短期重测信度为良好到极好。即使测量间隔超过半年，这些微状态特征也具有良好的总体重测信度，这为脑电微状态特征的短期和长期重测可靠性提供了强有力的证据，支持了长期以来微状态持续时间、发生率和覆盖率代表稳定的神经特征的观点。此外，k均值聚类和AAHC均产生了可靠的结果，而与个体拟合相比，总体均值拟合产生了更好的可靠性。这是标准化微状态研究以及最终在基础研究和临床环境中使用微状态作为生物标志物的关键一步。

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