【脑电信号处理与特征提取】P7-贾会宾：基于EEG/MEG信号的大尺度脑功能网络分析

基于EEG/MEG信号的大尺度脑功能网络分析

Q: 什么是基于EEG/MEG信号的大尺度脑功能网络分析？
A: 基于脑电图（EEG）或脑磁图（MEG）信号的大尺度脑功能网络分析是一种研究大脑活动的方法，旨在探索脑区之间的功能连接和信息传递。

概述

基于EEG/MEG信号的大尺度脑功能网络分析的优势：
（1）借助源定位技术可同时获得较高的时间（ms级）和空间分辨率（mm级）
（2）可提供丰富的频率信息
（3）便宜性：成本、数据长度的要求等

基于EEG/MEG信号的大尺度脑功能网络分析技术：
（1）基于地形图聚类的微状态（Microstate）分析
（2）隐马科夫模型（Hidden Markov Model，HMM）
（3）独立成分分析（Independent Component Analysis，ICA）

静息态EEG微状态分析对数据的要求

1. 静息态
2. 电极全脑覆盖且电极数目大于20个
3. 数据长度：预处理后最终长度大于3min
4. 对数据质量及预处理的要求：全脑平均参考，各个电极有空间坐标、较高数据质量特别是无坏电极

微状态分析中的基本概念

1. Global Field Power（GFP）：某个时间点地形图所有电极电压值的标准差

（1）GFP是reference-free的指标
（2）GFP可用于描述某时刻地形图的电场强度：GFP较高的地形图较为“陡峭”、信噪比高

2. 描述地形图之间的相似性（或不相似性）的指标
   （1）总体地形图不相似性（Global Map Dissimilarity，GMD）：GMD取值范围为0（两个地形图分别处以其GFP后完全相同）到2（两个地形图分别除以其GFP后极性完全反转）。（都除以GFP的目的是使两个地形图排除强度的影响，可以理解为归一化到某一个纬度在进行比较）
   
   （2）空间相关系数（Spatial Correlation Coefficient，SCC）：SCC取值范围为-1（两个地形图分别除以其GFP后极性完全反转）到1（两个地形图分别除以其GFP后完全相同）

微状态分析概述

下图上方波形是采集到的一段脑电信号，每一个波形是一个电极的信号，一共四秒，每一个时刻都可以绘制一个地形图，比如采样率是1000Hz，采集一分钟的数据，就会有60x1000=60000个地形图，所以可以绘制上万个地形图。即得到地形图的时间序列。
然后对地形图的时间序列聚类，聚类使用的就是GMD和SCC，相似性高的或者SCC高的进行聚类。
一般来说都可以聚类为四类地形图，得到这四类地形图就可以分析每一个时刻点属于哪一类地形图。因为每个时刻点的地形图都可以分别跟四类地形图求SCC和GMD，看哪个相似性最高。最后就可以得到下图最后一行的时间序列，每种颜色分别表示属于哪一类。

上面得到的时间序列可以验证概述中所描述的(1)“地形图的拓扑结构总是在一定时间内保持想对稳定的状态，之后迅速转换为另一个在一定时间内保持相对稳定的状态”，刚开始灰色（属于B类），一段时间后又是绿色（属于A类），一般时间又变成灰色…(2)“在地形图拓扑结构保持相对稳定的一段时间范围内，地形图的强度（GFP）可能增大或降低”，在时间序列中，颜色表示类别，包络表示GFP ，可以看到在同一个类别的连续时间内，GFP值也是一直变化的。

关于微状态分析中的几个问题

静息态EEG信号微状态分析的经典流程

基于k-means的微状态类别识别流程

流程和一般的聚类是相同的，只不过这里初始化的k个点是k个地形图，比如下面的例子，在十个地形图中随机选择两个地形图作为模板，分别命名为A、B。
然后分别求十个地形图与A、B的空间相关系数或GMD，这线图中绿色的点表示与B的相似度，黄色的点表示与A的相似度，最后选择相似度高的类别将每一个地形图归类，第一个聚类结果是十个地形图类别分别是AAA BB AA B AA。然后对所有的A类地形图求平均得到新的模板A，对所有B类地形图求平均得到新的模板B。重复上面的步骤再进行聚类，直到A和B不再更新，终止算法。

基于（T-）AAHC的微状态类别识别流程

每个时间点为一个类别，有n个地形图，数据就可以分为n类，然后找最坏的类别，（如何找最好的类别：比如找方差解释比例最小的类别，也就是最不重要的类别。），将最坏的类别分配给相关性最高的类别，剩下就为n-1个类别，在找最坏的…不断迭代。

微状态分析的软件/工具箱

微状态技术学习必看文献