静息态脑电图的微状态与Omega复杂性分析
2018年6月15日
本文介绍了脑电图（EEG）微状态分析和欧米伽复杂度分析的实验方案，这两种方法均为无参考电极的脑电图测量技术，对于探索脑部疾病的神经机制具有重要价值。
本学期已回答了脑部疾病领域的10个问题，例如在当前诊断中如何识别出一对高效的生物标记物。该技术的主要优势在于，当您遵循传统脑电图（EEG）分析方法时，可将其作为待解决问题的参考依据。该技术的应用拓展了我们对人脑静息态网络的理解。
开始此操作时，将原始脑电图（EEG）数据导入EEG lab软件。接着，将电极位置文件加载到EEG lab软件中，以获取这些电极的空间位置。为去除参考电极，在弹出对话框的“选择通道范围数据”选项中，仅选择记录电极，不要选择参考电极，从而实现参考电极的移除。
为了将脑电图（EEG）数据在0.5至80赫兹范围内进行带通滤波，在弹出的对话框中，将频率通带下限设为0.5赫兹，上限设为80赫兹，然后点击“确定”。为了使用49至51赫兹的陷波滤波器去除电源线噪声，在弹出的对话框中，将频率通带下限设为49赫兹，上限设为51赫兹，然后选择“使用陷波滤波器处理数据”而非带通滤波，并点击“确定”。为了去除眼动伪迹，点击“工具”，然后依次点击“使用AAR 1.3进行伪迹去除”和“使用BSS进行EOG去除”。
要移除肌电干扰（EMG），请单击“工具”，然后选择“使用 AAR 1.3 进行伪迹去除及使用 BSS 进行 EMG 去除”。接下来，将预处理后的连续脑电图（EEG）数据分割为若干片段，每个片段长度为两秒。随后将弹出一个窗口，允许保存分割后的 EEG 数据。
然后将分割后的脑电图（EEG）数据导入EEG实验室软件，并剔除在任一电极处幅值超过正负80微伏的EEG片段。接下来，保存预处理后的EEG数据。在此步骤中，对每位受试者加载预处理后的EEG数据，将参考电极转换为公共平均参考，对EEG数据进行2至20赫兹的带通滤波。
接下来，确定每位受试者的四个微状态图。在弹出的对话框中，将类别最小数量设为3，最大数量设为6，重启次数设为50，选择要使用的最大图谱数量，并勾选“仅GFP峰值”和“无极性”选项。然后，点击“确定”按钮。
随后，在识别出每个受试者自身的微状态图后，保存其脑电图（EEG）数据。一次性导入上一步中保存的所有受试者的 EEG 数据集，然后识别组水平的微状态图。
在弹出的对话框中，于“选择用于平均的集合”选项中选中所有被试的数据集。在“平均值名称”选项中，为组水平微状态图命名，然后点击“确定”按钮。这将创建一个名为 GrandMean 的新数据集，用于存储组水平微状态图。根据经典顺序手动调整四个组水平微状态图的排列顺序。
在弹出窗口中，选择“更多”，随后显示的地图数量将变为四个。然后选择“手动排序”。在弹出的对话框中，输入四个组水平微状态地图的新顺序，然后点击“关闭”。
随后，对每位受试者的四个微状态图谱进行排序，并保存每位受试者的微状态参数，此操作将依次弹出两个对话框。在第一个对话框中，选择所有受试者的数据集。在第二个对话框中，为“类别数量”选项选择“4-类别”。
选择“仅对 GFP 峰值进行拟合”和“移除可能被截断的微状态”选项。接着，将标签平滑窗口（ms）设置为 30，非平滑性惩罚选择“One”，然后点击“Ok”。一个保存亚微状态参数的 CSV 文件将被存储在计算机中。这些图像显示，微状态 A 类具有从右额区到左枕区的方向性，而微状态 B 类则具有从左额区到右枕区的方向性。
微状态C类和D类具有对称的地形分布，分别表现为额叶至枕叶方向以及额叶-中央区-枕叶方向。该表格显示了健康受试者微状态参数的均值及标准差。若操作熟练，该技术可在一小时内完成。
在进行该操作时，重要的是要记住，脑电图数据应经过仔细的预处理。在此步骤之后，可进一步采用其他方法（如源定位）来回答更多问题，例如这些微状态图谱的来源位置。该技术为脑科学领域的研究人员揭示人类大脑中的疾病机制提供了途径。
查看完整文字稿并访问数千部科学视频
概述
本文概述了一种脑电图（EEG）微状态分析和Omega复杂性分析的实验方案，二者均为无参考电极的脑电图测量方法。这些方法对于研究与脑部疾病相关的神经机制至关重要。
关键研究要素
科学领域
- 神经科学
- 电生理学
- 脑部疾病
背景
- 脑电微状态分析是一种用于研究人脑静息态网络的技术。
- Omega复杂性分析可提供关于脑电信号复杂性的深入见解。
- 这些方法使研究人员能够探索脑部疾病中潜在的神经机制。
研究目的
- 介绍无需使用参考电极的脑电图（EEG）数据分析方案。
- 加深对与各类脑部疾病相关的神经动力学机制的理解。
- 提供一种可在研究中重复使用的标准化分析方法。
使用的方法
- 使用脑电图实验室软件处理原始脑电图数据。
- 处理步骤包括滤波、去除伪迹以及将脑电图数据分割为多个时间段（epochs）。
- 识别并分析微状态图谱，以理解大脑网络活动。
- 数据处理包括去除电源线噪声和眼动伪迹。
- 最终数据经过整理，用于比较不同受试者之间的微状态参数。
主要结果
- 在脑电图数据中识别出四种不同的微状态图谱，显示出特定的空间取向。
- 对微状态参数进行了量化，揭示了健康受试者中的均值及标准差。
- 该方法可用于个体间的比较，并可能识别与脑部疾病相关的异常特征。
结论
- 本研究提出了一种改进脑电图（EEG）分析流程的方案，使其更高效，适用于快速应用。
- 该研究展示了这些方法在深入理解脑部疾病中神经机制与动态方面的潜力。
- 研究结果为今后探索脑网络相互作用的本质提供了基础性认识。
常见问题
行业重要性概述
微状态和欧米伽复杂性分析等无需参考电极的脑电图测量方法，通过消除参考电极依赖性偏差，解决了传统谱分析方法的一个关键局限性。这些方法能够更可靠地表征静息态脑网络动态，从而支持神经精神药物研发中的靶点验证。通过提供互补的时间和空间复杂性指标，它们通过提高信号的可解释性，增强了对中枢神经系统靶点的机制性风险评估。
生物制药研发中的战略应用
早期发现与靶点验证
- 科学价值：通过检测静息态网络的改变，可将其作为脑部疾病中靶点作用的潜在生物标志物。
- 操作价值：通过将微状态拓扑与已知功能网络关联，支持对中枢神经系统靶点进行假设驱动的选择。
- 预测价值：通过量化反映病理生理状态的网络水平扰动，有助于在早期降低靶点开发风险。
筛选与检测方法开发
- 科学价值：生成定量、无需参照的脑电图读数，适用于对化合物对脑网络动态影响的高通量筛选。
- 操作价值：标准化预处理流程（滤波、伪迹去除、分段），确保不同批次化合物测试间的可重复性。
- 检测可用性：产生稳定的微状态参数（持续时间、出现频率、覆盖范围），可作为剂量-反应建模的可靠终点指标。
转化与临床前研究
- 转化连续性：当与已知的人类微状态类别的同源物对齐时，可实现静息态网络组织的跨物种比较。
- 机制性风险降低：Omega复杂性提供了空间复杂性指标，可补充微状态的时间指标，从而提供脑状态改变的多维视角。
- 风险调整后的推进：结合微状态和Omega复杂性特征有助于根据临床前模型与人类静息态网络表型的相似性对其进行分层。
流程与工作流整合
该方法适用于早期发现研究的连续过程，支持靶点验证中的假设检验，并可用于神经心理学筛选级联的检测方法开发。
- 发现生物学：通过测量反映静息态网络重构的微状态类别参数的变化，检验治疗假设。
- 筛选：在去除伪迹并进行片段截取后，提供标准化、定量的脑电图输出，实现可靠的化合物库筛选。
- 分析：生成微状态参数（平均持续时间、转移概率）和omega复杂度值，支持在不同条件下对大脑复杂性进行统计学比较。
- 转化研究：通过将微状态拓扑图映射到静息态网络，支持从临床前到临床研究的连续性，有助于生物标志物的对齐。
- 企业级复用：建立可重复使用的脑电图预处理与分析框架，适用于多个中枢神经系统发现项目。
运营与企业影响
- 科学价值：通过网络层面的脑电图表型分析减少机制上的模糊性，提高靶点验证的预测可信度。
- 操作价值：通过标准化的脑电图实验室软件工作流程（包括滤波、伪迹去除和微状态映射）增强可重复性和可扩展性。
- 战略价值：提供关于靶点介导的脑网络调节的客观、定量测量指标，从而优化“推进/终止”决策。
- 项目组合影响：基于候选药物对异常微状态或omega复杂性特征的正常化能力，实现对中枢神经系统候选药物的风险调整后优先排序。
实施注意事项
- 需要具备脑电图预处理、伪迹校正（AAR、BSS、EOG、EMG 去除）以及谱滤波技术方面的专业知识。
- 依赖于能够进行微状态图谱识别、全局场功率（GFP）峰值检测以及跨被试组水平平均的脑电图实验室软件。
- 需要在不同研究团队之间对分段参数（例如，2秒时间段）、幅值剔除阈值（±80 µV）以及微状态类别排序流程进行标准化。
- 在应用于不同物种、疾病模型或电极布局不同的脑电图系统时，需考虑方法的适应性调整。
- 受限于原始脑电图记录的质量；过多的噪声或伪迹可能影响微状态图谱的识别及参数提取的准确性。
