微狀態(tài)分析（Microstate analysis）是多通道EEG記錄一系列準穩(wěn)態(tài)的微狀態(tài)，每個微狀態(tài)的特征是整個通道獨特的地形圖拓撲結構。EEG 微狀態(tài)分析旨在使用數(shù)據(jù)壓縮或聚類技術來表征這些模式。聚類算法將作為輸入數(shù)據(jù)提供的完整空間模式集簡化為一組具有代表性的 EEG 地形圖。腦電微狀態(tài)反映了大腦神經(jīng)元集群瞬時活動的總和，不同微狀態(tài)是由不同的神經(jīng)元集群活動所引起的，而不同的微狀態(tài)反映了大腦不同的功能狀態(tài)。微狀態(tài)分析的目的是將記錄的腦電時間樣本分割成微狀態(tài)類別，因此屬于同一類別的腦電樣本具有盡可能相似的腦地形圖。

在文獻1中，研究者已經(jīng)描述了微狀態(tài)分析的基本步驟：

主要是需要計算GFP peak和使用聚類的方法找到微狀態(tài)。

全腦域功率GFP（Global Field Power）：某個時間點地形圖所有電極電壓值的標準差，用于描述某個地形圖電場的強度。它簡單地表示為給定時間點內平均參考電極值的均方根。

一些概念指標：

1）平均持續(xù)時間（mean duration）

平均持續(xù)時間是指每種微狀態(tài)出現(xiàn)并且保持穩(wěn)定時間的平均長度。

2）出現(xiàn)頻率（occurrence frequency）

出現(xiàn)頻率是指每種微狀態(tài)在每秒發(fā)生的平均次數(shù)。

3）時間覆蓋率（time coverage）

覆蓋率是指每種微狀態(tài)在總的時間里所占的比例。

4）振幅（amplitude）

振幅是指每種微狀態(tài)時間出現(xiàn)時刻的多路通道的電極電壓平均值。

5）轉換概率（transition probability）

轉換概率是指各個微狀態(tài)之間的轉換概率。

聚類算法：

K-means  &  Modified K-means

K-medoids

Atomize & Agglomerate Hierarchical Clustering (AAHC)

Topographic Atomize & Agglomerate Hierarchical Clustering (T-AAHC)

principal component analysis（PCA）

Fast-independent component analysis（fast-ICA）

具體算法介紹，可參考文獻3

對于EEG數(shù)據(jù)，需要進行一下預處理，可以使用eeglab或設備自帶的分析，大體上預處理步驟都是差不多的。可以參考文章：

EEGLAB腦電數(shù)據(jù)預處理（視頻版）

針對EGI的數(shù)據(jù)，首先建議使用netstation軟件進行預處理，最基本的需要經(jīng)過濾波和分段。額外的預處理步驟可進行剔偽跡等操作。預處理后會生成的文件格式mff文件。

其它設備的數(shù)據(jù)預處理同理可這樣進行。

Matlab平臺使用EEGLAB進行微狀態(tài)分析

下載microstate工具箱，然后放置到eeglab中plugin文件夾中后啟動eeglab，在導入EEG數(shù)據(jù)后，在tools菜單欄下就可以看到操作欄。

eegalb如何導入各種設備的數(shù)據(jù)文件，可參考此視頻《使用eeglab導入各種EEG數(shù)據(jù)格式的方法》。

進行常規(guī)預處理后，可選擇識別個體腦電圖水平的微狀態(tài)（第一級聚類）Identify microstate maps，彈出對話框

默認算法是k-means，如需選擇AAHC聚類算法，則需要勾選上第一列的選項。其它參數(shù)，可按默認設置，如需了解，可參考底部文獻鏈接教程鏈接，點擊OK，然后在plot下拉菜單欄中就可以查看圖像

順序可根據(jù)要求進行edit修改。

eeglab這里的微狀態(tài)只能分析靜息態(tài)的EEG數(shù)據(jù)，任務態(tài)ERP數(shù)據(jù)則需要使用cartool軟件進行分析了。

使用cartool軟件進行微狀態(tài)分析

下載cartool軟件，文章底部提供下載鏈接

1、導入預處理過的數(shù)據(jù)（已分段數(shù)據(jù)）

數(shù)據(jù)導入EGI數(shù)據(jù)導入選擇.bin格式，選擇對應的文件類型。

點擊Next進入下一個界面。