本篇学习报告基于期刊Frontiers in Neuroscience在2022年2月刊登的文章《Microstate Detection in Naturalistic Electroencephalography Data: A Systematic Comparison of Topogra》，本文探讨了拓扑聚类策略是否会影响任务状态脑电微状态分析中微状态检测的性能，实验表明，基于单次试验的拓扑聚类可能是自然脑电图数据的微观状态分析和神经活动研究的不错选择。

一、背景

脑电图(EEG)是一种有效和可靠的神经影像技术，用于跟踪生理脑状态的动态变化。在EEG空间-时间研究领域，EEG微状态分析被认为是通过检查EEG电位分布的空间变化来研究大脑机制的强大方法。与传统EEG分析方法不同，EEG微状态分析高度依赖于拓扑聚类策略来从自发EEG活动中鉴定微状态，因为每个数据时间点都会根据其与识别的微状态模板的空间相似性分配给一个微状态类。

本文工作主要聚焦于自然任务状态下EEG微状态检测的性能。我们的主要贡献包括:(1)本文评估和比较了自然任务状态EEG数据中微状态检测的拓扑聚类策略；(2)本文评估了先验知识对微状态聚类的影响；(3)本文提出了一种系统的评估协议来验证微状态检测性能。本文的工作为选择适当和可靠的任务状态EEG微状态检测拓扑聚类策略提供了支持性指导，并将有利于发展EEG微状态分析以表征自然任务范式下的神经动态活动。

二、原理

1.数据集

本文使用Koelstra 等人构建的公共情感数据库DEAP，该数据库中，精心挑选了40个情绪唤起表现出色的1分钟音乐视频作为情绪唤起材料，并招募32名健康受试者进行自发的、动态的、自然的情绪诱导实验。根据视频观看过程中诱发的情绪状态，对不同情绪维度（例如效价和唤醒度）进行自我评估，以获得主观反馈。

2.微状态特征提取

首先，计算GFP（global field power），GFP可以代表整体脑电活动，是某一时刻所有电极的标准差。接着提取GFP峰值，GFP峰被认为具有最高的信噪比，使用改进的 K 均值算法对这些峰进行聚类，得到四种微状态模型。将微观状态与脑电图时间序列反向拟合，即将每个脑电图时间点分配给具有最高空间相关性的一个微观状态。从而得到全脑脑电图活动和识别的脑电图微状态模板之间的潜在相似性。最后，进行微观状态特征提取，包括GEV（global explained variance）、持续时间、发生次数、覆盖范围、转移概率等。

3．拓扑聚类策略

下面介绍四种无任务拓扑聚类策略（基于自下而上的数据驱动方法，参见下面的Case1、2、3、4）和一种任务引导的拓扑聚类策略（基于自上而下的先验聚类，参见Case5）。

（1）基于trial-被试顺序的自下而上拓扑聚类(Case 1)

首先在每个被试的40个trial上单独进行拓扑聚类，提取出每个被试的候选模板。然后，对所有被试提取出的候选模板再进行一次拓扑聚类，得到最终的被试泛化的微状态模板。

图 1 基于trial-被试顺序的自下而上拓扑聚类

（2）基于被试-trial顺序的自下而上拓扑聚类(Case 2)

首先基于视频顺序重新排序所有EEG记录，然后在每个视频条件下，对32个被试的EEG记录进行拓扑聚类，提取出每个视频对应的候选模板。最后，对40个视频条件下提取出的所有候选模板进行拓扑聚类，得到视频泛化的微状态。

图 2 基于trial-被试顺序的自下而上拓扑聚类

（3）基于单个trial的自下而上拓扑聚类(Case 3)

首先在每个单个trial的EEG记录上进行拓扑聚类，提取出每次试验对应的候选模板。然后，对所有1280次试验提取出的候选模板进行拓扑聚类，得到最终泛化的微状态模板。

图 3 基于单个trial的自下而上拓扑聚类

（4）基于随机分组的自下而上拓扑聚类(Case 4)

首先随机将1280次EEG记录分成40组，每组中记录来自不同的被试和试次。然后在每组内分别进行拓扑聚类，提取候选模板。最后，对40组中提取出的所有候选模板进行聚类，得到微状态。

图 4 基于随机分组的自下而上拓扑聚类

（5）基于任务驱动的自上而下拓扑聚类(Case 5)

首先在每个trial上进行聚类，提取trial特定的候选模板。然后基于每个被试的主观反馈，将其正负向度和唤醒度分为高低两类。在每类中分别聚类，提取相关的候选模板。最后，在正负向度和唤醒度上分别聚类对应的高低类候选模板，得到与情感相关的微状态。

图 5 基于任务驱动的自上而下拓扑聚类

三、实验结论

研究了4种数据驱动的自下而上拓扑聚类策略和1种任务驱动的自上而下拓扑聚类策略来检测自然视觉任务状态下的EEG微状态。

从微状态质量、任务效能和计算效率3个角度定量评估了不同自下而上策略和自下而上与自上而下策略之间的性能差异，讨论了EEG数据分组顺序、聚类安排和任务信息引导对微状态检测性能的影响。

结果显示，基于任务的自上而下拓扑聚类策略在反映与情感相关的神经变化方面表现较好，识别的微状态模板与已有研究结果高度相似。

表 1 四种自下而上策略的比较

四种自下而上策略的比较如表1所示，在数据驱动的自下而上拓扑聚类策略中，基于单个trial的策略(Case 3)在微状态质量和任务效能方面表现最佳，但计算效率较低;基于随机分组的策略(Case 4)也具有可比的好性能，适用于高计算效率要求的应用。不同微状态检测方法与不同拓扑聚类策略的计算效率结果如表2所示。

表 2 不同微状态检测方法与策略的计算效率

相比静息状态EEG分析中常用的基于被试-trial顺序的自下而上策略(Case 1)，Case 3和Case 4在任务状态EEG微状态分析中表现更好，说明任务状态需要专门设计合适的拓扑聚类策略。

四、总结

本文评估了不同拓扑聚类策略对自然视觉任务状态下EEG微状态检测的影响。提出了4种数据驱动自下而上和1种任务驱动自上而下的拓扑聚类策略，比较了不同聚类过程中的性能，讨论了利用任务信息作为先验知识对检测性能的影响。同时，从微状态质量、任务效能和计算效率3个角度提出了系统的性能评估协议。结果显示，基于任务的自上而下策略优于数据驱动自下而上策略，其中基于单个trial的自下而上策略(Case 3)在微状态质量和任务效能方面表现最佳，但计算效率较低。本研究系统地分析了不同的拓扑聚类策略，为任务状态下EEG微状态分析提供了较优的检测策略。

撰稿人：陈志强