基于微状态的静息态脑电信号分析∗

许学添蔡跃新

（1.广东司法警官职业学院信息管理系 广州510520）

（2.中山大学孙逸仙纪念医院耳鼻喉科听力学与言语研究所 广州510120）

1 引言

随着脑电图（EEG）、功能性磁共振成像（fMRI）和正电子发射型计算机断层显像（PET）等脑成像技术的发展，逐步揭示了大脑在静息状态下的新陈代谢活动，这些由脑内各区域的相互关联、相互作用组成的网络称为静息态网络（Resting State Net⁃work，RSN）。研究发现，静息态下的自发性脑活动是神经活动最主要成分，占整个大脑能量的80%［1］，行为调节、认知与感知，神经病学或精神病学的疾病都与大脑静息态的活动有关［2~4］。对静息态脑电信号的分析有功率谱分析［5］、全脑域同步［6~7］、功能性网络连接［8］、微状态［9~10］等多种方法。

微状态分析方法就是一种有效的静息态EEG分析方法，通过对多通道的静息态EEG的计算能够得到微状态时间序列，该微状态时间序列具有丰富的潜在神经生理学的相关参数，能高度反映全大脑的时域及空间域的电活动特点，通过微状态的切换能够描述大脑活动的快速变化，也有学者发现了微状态与自发的BOLD活动有潜在电生理联系［9~10］。

越来越多的研究表明，在一些中枢神经精神疾病患者（如精神分裂症、痴呆症、抑郁症和惊恐障碍）的EEG微状态变化差异显著，中枢神经精神疾病的EEG微状态研究可为检测客观生理标志物、监测疾病严重程度、治疗效果评价和靶向治疗设计提供新的方法［11］。耳鸣的发病率较高，成年人耳鸣患病率约为17%，而且没有明确的病因，普遍认为耳鸣不仅由外周听力损失引起，而且还由于大脑中枢听觉通路中的异常神经活动引起［12］，本文正是利用微状态的方法来对耳鸣患者的EEG信号进行分析，旨在找出耳鸣患者与正常在EEG微状态下的差导，为耳鸣疾病提供更多的重要电生理指标。

2 微状态分析方法

2.1 微状态计算

自从微状态被提出以来，其算法经历了一系列的发展，有通过将EEG信息进行自适应分割，通过地形图的差异阈值来进行微状态划分［10］，也有预先设置好微状态的数量，再通过极小化估算来将EEG信号划分到这些微状态［13］，随着机器学习算法的成熟与完善，有学者通过独立成分分析ICA方法从脑电信号中提取出微状态［14~15］，也有通过对全脑域功率（Global Field Power，GFP）进行聚类分析，将脑电信号的微状态分为四个类［16］。

GFP代表每个瞬间大脑上的电场强度，因此通常用于测量全局大脑对事件的反应或表征大脑活动的快速变化，GFP曲线的峰值位置表示最强场强和最高地形信噪比的瞬间。在微观状态分析中，GFP曲线的局部最大值处的电场的拓扑图被认为是EEG的离散状态，并且信号的演变被认为是这些状态的一系列。GFP的计算公式（1）如下，其中K为总的导联通道数，i为第i路导联，Vi(t)为第i路导联的EEG信号，Vmean(t)为t时刻K路导联信号的平均值。

本文通过GFP计算，获取GFP峰值，再根据峰值的位置得到多通道脑电地形图，再对得到的脑电地形图进行归一化处理，接着进行聚类运算，形成四类微状态（A、B、C、D），最后对四类微状态进行分析，得出差异参数，分析和计算过程如图1所示。

图1 微状态计算过程

2.2 微状态分析参数指标

根据2.1节所介绍的微状态计算方法，EEG信号最终可以转化为一组包括A，B，C，D四种微状态的序列，如图2所示，对该微状态序列进行分析，可以得出平均存在时间、发生频率、覆盖率、振幅和转换率等参数。在先前的研究中揭示了微状态之间的转换模式是非随机的，并且转换概率在精神分裂患者与对照组之间存在显著性差异［17］，平均存在时间在一些精神疾病患者与对照组也存在显著性差异［17~19］。对于这些参数的解释如下。

1）平均存在时间（average lifespan）

平均存在时间是指四种微状态出现并且保持稳定的时间的平均长度。

2）发生频率（occurrence frequency）

频率是指微状态在记录期间内每秒发生的平均次数。

3）覆盖率（coverage）

覆盖率是指每种微状态在总的时间里所占的比例。

4）振幅（amplitude）

振幅是指微状态时间出现时刻的多路通道的电极电压平均值。

5）转换率（transition probability）

转换率是指各个微状态之间的转换概率。

3 实验数据采集与处理

本文耳鸣患者的EEG数据来源于就诊中山大学孙逸仙纪念医院耳科门诊，患者选择的标准：1）以耳鸣为第一或唯一主诉就诊，发病持续3个月以上；2）年龄18岁～60岁；3）耳鸣频率位于125Hz～8000 Hz；4）双耳平均纯音听阈≤40 dB。5）对照组为经宣传招募的志愿者，无耳鸣病史、听力损失等问题；6）耳鸣组与对照组在年龄和性别上无显著性差异。

脑电数据的收集采用美国EGI公司的128导脑分析仪，检测前充分告知受试者实验的内容与目的，使其心情平静，保持清醒，要求受试者头部保持不动，目视前方，尽量少眨眼，戴好电极帽后，做好中心电极Vref与头部中心的匹配，涂上电解质水使得电极的阻抗小于50kΩ，总共收集5min的脑电数据。

通过Matlab和EEGLAB工具箱来进行数据预处理，在导入对照组和耳鸣组的静息态脑电数据之后，EEGLAB对每个受试者原始数据进行预处理，具体步骤包括：1）加载与电极帽电极位置相对应的坐标文件；2）通过凹陷滤波，去除50Hz工频干扰；3）进行0.5Hz～80Hz的带通滤波；4）以双侧乳突为作为重参考电极；5）去掉眼睛周边及位于鼻根等与大脑中枢无直接相关的电极；6）将坏电极或某电极信号极不稳定引起的大范围飘移时段的脑电数据的数据去除，采用线性插值替换的方法对长时间漂移的信号进行插值替换；7）使用ICA算法将伪迹相关的独立成分去除；8）如果某个电极的波幅超出75μV，则将其对应时刻前后1s的时间段去掉。

4 微状态分析结果

4.1 微状态聚类结果

根据2.1所述的微状态分析算法，对耳鸣和正常两个组的EEG进行计算，聚类之后获得的四类微状态图如图2所示，形成四个微状态地形图与先前的文献［17，20］类似，将其记为A类、B类、C类和D类微状态。

图2 四类微状态图

A类微状态地形图：右前-左后；B类微状态地形图：左前-右后；

C类微状态地形图：前-后；D类微状态地形图：前-中末。

4.2 微状态参数分析

对耳鸣组和对照组的A、B、C、D四类微状态的平均存在时间、发生频率、覆盖率、振幅进行统计分析，结果如表1所示，其中耳鸣组和对照组在频率、持续时间和覆盖率在某些状态上具有显著性差异：对于频率，两个组的A类微状态（t=-3.0，df=29，p=0.0054）和B类微状态（t=-3.8，df=28，p=0.0007）都具有显著性差异；对于持续时间，两个组的C类微状态（t=2.43，df=20，p=0.0246）具有显著性差异；对于覆盖率时间，两个组的C类微状态（t=2.05，df=29，p=0.0493）具有显著性差异；对于振幅，两个组没有明显差异。

从表1的数据中可以看出耳鸣患者的微状态变化频率要高于正常人，这是由于耳鸣患者无法停止关注不相关的声音信号，会增加对大脑对听觉处理和注意力资源的需求［21］，因此大脑的各种微状态以更快的频率切换。另外，耳鸣患者的C类微状态的持续时间和覆盖率要比正常人减少，这与其他学者研究一致：Tomescu等发现了精神分裂症患者微状态C类的存在与幻觉呈正相关［22］；Britz等指出微状态C类与显著性网络相关联［20］，显著网络涉及操作、注意力、决策和记忆等，耳鸣患者的大脑是一个功能障碍的显著网络［23］，网络功能障碍会破坏中枢执行注意力网络的连通性，导致认知加工的缺陷，而耳鸣患者的C类微状态的减少正是显著网络的功能障碍的表现。

表1 微状态序列各个参数的统计结果表

对于转换率，我们对每一个样本都用一个转换率矩阵T来表示，T的元素ti，j代表了状态i到状态j的转换概率，i，j∈{A，B，C，D}代表A、B、C、D四种微状态。图3为耳鸣组和对照组对应的四种微状态之间的转换概率t检验结果，结果表明了在状态A转到状态B（p=0.0221），状态B转到状态D（p=0.0115）和状态C转到状态D（p=0.0464）这三种转换具有显著性差异。

图3 四种微状态的转换率统计结果图

以上的数据结果分析表明了A、B两种微状态的出现频率，和C类微状态的持续时间和覆盖率，以及某几种微状态间的转换率都能作为耳鸣评估的重要参考指标。

5 结语

微状态分析能在一定程度上弥补了EEG在识别空间分辨率和分析大规模脑网络异常方面的不足，本文根据GFP曲线峰值时刻的EEG状态进行聚类运算，获取四类微状态，计算平均存在时间、发生频率、覆盖率和振幅和转换矩阵，并进行统计学分析，结果发现耳鸣患者和正常人的A、B两种微状态的出现频率、C类微状态的持续时间和覆盖率，以及A到B、B到D、C到D微状态间的转换率具有显著性差异，证明了脑电微状态可以作为研究大规模脑网络的一种有价值的方法，有助于研究耳鸣或其他神经疾病背后的神经生理机制。