9.静息态EEG微状态分析（下）

目录

0：数据预处理

一、个体水平的聚类

二、组水平的聚类

三、模板图匹配

0：数据预处理

完成对静息态数据的常规预处理后，对数据进行2~20 Hz带通滤波和全脑平均参考（静息态microstate分析需要的额外预处理操作），并导出BP（Brain Vision）格式数据（bp_rest_files文件夹有30个被试的数据，sub01~sub30.dat/vhdr/vmrk）。

Cartool软件不能识别eeglab格式数据，需要在eeglab中导出BP格式数据（File >> Export >> Write Brain Vis. Exchange format file）。

数据量稍大时，Cartool软件容易崩溃，建议降低电极数目和采样率。

数据需要完成常规的预处理操作，分段不分段均可。

预处理后的数据确保所有被试的电极数目/名称/顺序一致、取样率一致、如若分段分段长度一致。

一、个体水平的聚类

对每个被试的数据进行聚类，确定其最优类别数目及对应的各类别的模板map）：

打开Tools >> EEG and Tracks >> Segmentation of EEG files

File Presets后如下选择，因为是对静息态EEG分析、第一阶段（first stage）、选取所有分段进行分析（Entire Dataset）；

第一阶段：就是个体水平的微状态聚类

第二阶段：组水平的微状态聚类

• • 点击Add New Group of Files 将 sub01.dat ~ sub30.dat载入；

• • 

• • Epochs后面默认不截取分段，选择所有预处理后的数据
    • 

文件选择

• • Output Base File Name显示默认的本步骤生成的文件所在的路径；
    • Output Segmentation Files可选择输出seg文件和ep文件。前者用于存储每时每刻的地形图所属的类型、后者用于存储每类地形图的信息（维度是地形图数目*电极数目，单位是微伏）。此步骤操作仅需要ep文件即可；
    • Output Other Files不需要输出，只需要上面的ep文件即可；
    • Resting States是针对静息态数据分析的设置，其中Force Single Files Processing需要选择（对每个被试的数据分别分析）
    • Common Best Clustering Directory需要选择（生成用于保存每个被试最优类别地形图的文件夹）、+Delete Individual Directories可选可不选（选上后会删除各个被试的中途结果文件）、
    • Include File Names Characters为软件自动识别的被试姓名或编号在 dat文件名中的位置（可根据实际情况修改），图中是第4个和第5个字符 。

next

Computation Presets指定具体算法

Data Preprocessing部分

• • Data Preprocessing部分用于指定聚类之前的额外预处理操作。
    • Spatial Filter, using XYZ file为指定Cartool软件自带的空间滤波（非空间拉普拉斯变换）所需要的XYZ文件。
    • Using Whole Data和 Using only GFP Peaks Data 只能选择其一。
      • 由于静息态数据GFP峰处地形图SNR高，一般建议选择Using only GFP Peaks Data，且选择Automatic自动检测 GFP peaks。
    • But Excluding Bad Epochs选中后可使用Cartool软件自带的bad epochs检测方法（Automatic）检测坏段，并将该坏段删除出下一步数据分析。
    • 是否选择But Excluding Bad Epochs可在实际数据分析中尝试一下，查看效果如何。

• • Clustering Parameters部分指定聚类分析的相关参数。
    • 前三个选项为灰，不能选择。
    • Clustering method可选择k-means或者T-AAHC （选择k-means需要指定重新开始的次数，默认即可），因此即使Computation Presets选择使用k-means，此处依旧可选择具体算法。
    • Rang of clusters使用默认的1到12即可。
    • Labeling at low correlations用于指定假如某个时刻点的map与聚类生成的各个类别模板map的相关系数都低于某个阈值（默认0.5，如上所示），则认为该时间点的map不属于任何类别。此处不需要判断每个时间点属于何种类别，因此不需要选中。
    • Alternative Templates不需要选择。

点击Process后，会分别对每个被试的数据进行聚类。

经过数小时运算后会在Output Base File Name生成一个RSWhole Sub.BestClustering文件夹，里面存储每个被试最优分类情况下各个类别的模板map信息（即每个被试会有一个ep文件）。

每个被试的ep文件名中用数字标示出其最优类别数目，且每个被试的ep文件使用记事本打开后可见其维度是：最优类别数目*电极数目，单位是微伏。

例如被试1的ep文件名为RSWhole Sub.01.05.(05).ep，05.(05)表示被试1的数据分为5类地形图最优。

二、组水平的聚类

File Presets后如下选择

• • 因为是对静息态EEG分析、第二阶段（second stage）、选取所有被试的最优分类得到的ep文件进行分析（Entire Dataset）；

点击Add New Group of Files

• • 将RSWhole Sub.BestClustering文件夹中的全部被试ep文件载入

Epochs后面默认即可

文件选项

• • Files Options
    • Output Base File Name显示默认的本步骤生成的文件所在的路径；
    • Output Segmentation Files可选择输出seg文件和ep文件。
      • 前者用于存储每时每刻的地形图所属的类型、后者用于存储组平均水平（group-level）每类地形图的信息（维度是地形图数目*电极数目，单位是微伏）。
      • 此步骤操作需要ep文件、seg文件可选择输出也可不输出；
    • Output Other Files可选择输出也可不输出；
    • Resting States不选择。

• • Data Preprocessing部分用于指定聚类之前的额外预处理操作。
    • Spatial Filter, using XYZ file为指定Cartool软件自带的空间滤波算法（非空间拉普拉斯变换）所需要的XYZ文件。
    • Using Whole Data和 Using only GFP Peaks Data 只能选择其一。由于此处是对30个被试的最优类别下的模板map进行二次聚类以便得到组平均水平map，一般建议选择Using Whole Data。
    • But Excluding Bad Epochs不应选择。

• • Clustering Parameters部分指定聚类分析的相关参数。
    • 前三个选项为灰，不能选择。
    • Clustering method可选择k-means或者T-AAHC （选择k-means需要指定重新开始的次数）。建议与前一步鉴别各个被试最优类别时使用的算法一致。
    • Rang of clusters使用默认的1到15即可。
    • Labeling at low correlations不需要选中。Alternative Templates不需要选择。
    • Temporal postprocessing部分为判断各个时间点所属类别后进行的时域后处理操作。此部分全不选。

点击Process后，会分别对每个被试的数据进行聚类。

运算后首先会在cartool弹出一个窗口，窗口标题为GC RSWhole Sub.error.data Segmentation =5 MetaCrit = 1，表示分为5类最优。

其次会在RSWhole Sub.BestClustering文件夹生成一个新的文件夹（GC RSWhole Sub），里面存储组平均水平时分为1~15类时各个类别的模板map。

由于前面已经发现组平均水平最优类别数目为5，因此需要使用的是一个叫做GC RSWhole Sub.05(05).ep的文件。

打开该ep文件会发现其维度是5（最优类别数目）*20（电极数目）。

将该文件载入matlab（推荐使用importdata函数）后，可使用eeglab中的topoplot函数绘制组平均水平下的5个模板map。

ps：按道理来说，应该是4类才对，但是这边运行的结果显示，5类是最优。

需注意的是这4个模板map的顺序不见得一定与文献中经典的4类静息态microstate maps的顺序相一致，因此需要绘制这4个模板map，并将它们与经典的class A、class B、class C和class D进行对比，确定ep文件中这4个模板map与 class A B C D的对应关系。

三、模板图匹配

（结合各个被试的EEG数据和组平均水平模板map计算相关microstate指标）：

打开Tools >> EEG and Tracks >> Fitting templates to EEG files

• • File with Templates from File：选择上一步操作生成的组水平聚类的模板图，GC RSWhole Sub.04(04).ep

• • 点击Add New Group of Files 将所有被试的 dat文件载入；

• • 

• • Epochs to fit后面默认不选；
    • 

• • Output options
    • Output Base File Name显示默认的本步骤生成的文件所在的路径；
    • Output Segmentation Files选择输出seg文件；
    • Output Other Files可选择输出也可不输出；
    • Temp Files选择Delete Preprocessed Files就意味着如果在下一个页面选择使用Cartool软件自带的bad epochs检测方法进行坏段检测的话就在最终生成的文件中将去bad epochs的中途文件删除。
    • 

• • NEXT

• • Presets推荐按照上处选项选择。
  • 

• • Spatial Filter, using XYZ file为指定Cartool软件自带的空间滤波算法（非空间拉普拉斯变换）所需要的XYZ文件。如希望选择可参考cartool官方的手册制作xyz文件。

• • Labeling Parameters
    • Data Level Normalization
      • 此处不选。
    • But Excluding Bad Epochs
      • 选中后可使用Cartool软件自带的bad epochs检测方法（Automatic）检测坏段，并将该坏段删除出下一步数据分析。
      • 是否选择But Excluding Bad Epochs可在实际数据分析中尝试一下，查看效果如何。
    • Labeling Parameters
      • 前三行默认不可修改。
      • To avoid missing values不选择。
      • Labeling at low correlations用于指定假如某个时刻点的map与聚类生成的各个类别模板map的相关系数都低于某个阈值（默认0.5，如上所示），则认为该时间点的map不属于任何类别。
      • Labeling at low correlations是否选择可自己尝试并把握。
        • 需要注意的是，如果选中此项，那么各个microstate类别的涵盖时间百分比加和将小于100%；否则等于100%。

• • Temporal postprocessing
    • 为判断各个时间点所属类别后进行的时域后处理操作，例如平滑、去除持续时间很短的微状态片段等。

• • 平滑操作（Segments Temporal Smoothing）
    • 是很多原始microstate文章和软件推荐的做法，但是最新版本Cartool软件并不推荐。如果选中该平滑操作，不建议修改参数。
  • 去除持续时间很短的微状态片段（Rejecting  Small Segments）
    • 意味着假如某个微状态类别片段的持续时间很短，则认为这可能是由于噪音导致的，
    • 因此将该片段的前面一半时间点认为属于前一个微状态类别、
    • 后面一半时间点认为属于后一个微状态类别片段。
    • 因此这里片段的长度取决于采样率。上图设置中为2个TF（time frames，取样点），对于此数据来说是8 ms左右。此处数值的设定可灵活把握，但是文献中很少有大于30 ms的（具体多少个TF，需结合取样率进行换算）。
  • Temporal postprocessing部分的两个操作可根据自己情况选择做与不做。

NEXT

• • Variables To Extract 指定想提取的时域指标，
    • 此处选择了Mean Duration、Time Coverage和Segment Count Density，分别为每个microstate类别的平均持续时间、涵盖时间百分比和单位时间内出现次数。
    • 需注意，导出文件中的Mean Duration为平均持续的采样点（TF）的数目，需要结合采样率进行换算得到以ms为单位（即乘以1000，再除以采样率）。

• • Data Layout in Worksheet File和Splitting Results into Files
    • 指定各个被试的各个类别的各个指标在生成的文件（csv）中的排列方式，可都选上。
    • 

• • Markov Chains(马尔科夫链)     选中后可计算microstate类别之间的相互转换概率。
    • 此处并没有选中是因为选上之后计算量有些大，可能导致Cartool 软件崩溃。
    • 可在计算上述三个时域指标后，再次打开Tools >> EEG and Tracks >> Fitting templates to EEG files，并在此界面只选择Markov Chains。
  • Number of Transitions ahead 默认1即可。

• • 

• • Resting States下面的三项一般不去分析，因此可以不选择。

此步骤生成的指标文章会保存在Fit GC RSWhole Sub.04.(04)文件夹中。

Markov Chains相关结果保存在Markov Chains文件夹中。（这里我们没计算）

Fit GC RSWhole Sub.04.(04).Group1.JSP Expected.Prob.Ahead1.LinesAsSamples.csv为四个microstate类别间相互转换的期望概率（即依据microstate类别出现次数计算得到的转换概率）；

Fit GC RSWhole Sub.04.(04).Group1.JSP Observed.Prob.Ahead1.LinesAsSamples.csv为数据中实际观察到的四个microstate类别间的实际相互转换概率。

实际数据分析中可用上述实际相互转换概率，亦有文章使用实际相互转换概率和期望概率的差值（此差值可排除microstate类别出现次数的影响：次数越多那么与之相关的转换也越多）。