基于驾驶员脑电微状态分析的草原公路交叉口交通设施组合研究

为解决典型草原公路交叉口交通标志组合设置现存问题,针对性优化交叉口交通工程设施组合设置。通过模拟试验,采集40名驾驶员的脑电信号,聚类为5种(MS1—MS5)微状态地形图,并对驾驶员的反应时间和微状态的持续时间、覆盖率、出现频率、转换概率进行统计分析。试验结果表明,在草原公路交叉口交通设施组合的认知过程中,驾驶员脑电微状态中的默认网络和背侧注意网络发挥主要作用;MS4的持续时间和MS1—MS3的转换概率随交通设施增多呈上升趋势,可以作为评估驾驶员认知负荷的直接指标;微状态指标和反应时趋势分析发现在信息量等级C,即4种交通工程设施组合时驾驶员大脑状态具有最佳表现,认知能力最强,负荷较小且反应最快。

基于微状态的抑郁症静息态脑电信号分析

抑郁症(MDD)患者存在认知功能障碍,但其瞬时神经异常活动尚未研究清楚,对此采用脑电(EEG)微状态方法对抑郁症患者的脑电数据进行研究。比较22名抑郁症患者和25名正常人的128导闭眼脑电数据微状态特征,进行差异性分析并探索与量表得分之间的相关性。结果发现,相对于健康对照组,抑郁症患者微状态C的出现次数和涵盖比更高,且与其他微状态之间的转换概率较高,而其微状态D的平均持续时间较低,且与微状态B之间的转换次数减少。此外,微状态C和微状态D与抑郁量表和焦虑量表均呈显著相关性,表明基于脑电微状态方法可以捕捉到抑郁症患者异常大脑动态特性,为抑郁症临床早期诊治提供客观参考。

睡眠呼吸暂停综合症患者脑电微状态发生改变

睡眠呼吸暂停综合症(SAS)是一种常见的睡眠障碍,传统上往往采用时频分析等方法研究其脑电信号的异常,都忽略了睡眠脑电的空间位置信息和特征的差异。采用微状态分析的方法,分别对健康人和SAS患者5个睡眠阶段(W、N1、N2、N3、REM)的脑电进行分析,探究SAS患者睡眠脑电特征在时间和空间上的差异。选取66名SAS患者和10名健康人的睡眠脑电,计算W-REM的全局场功率(GFP)并取GFP峰值数据进行聚类。得到4个微状态,这4个微状态地形图分别呈现为右额左后(A)、左额右后(B)、额枕中线(C)和额中线(D),并且计算微状态参数(出现频率、平均持续时间、覆盖率)。此外,还计算了微状态序列的静态属性[全局方差(GEV)],动态属性(熵率),转换概率和转移矩阵的对称性。最后,用Hurst指数来评估微状态序列的远程相关性。在W-REM阶段,健康人和SAS患者的出现频率、平均持续时间、覆盖率、GEV、转换概率、熵率、Hurst指数均存在显著差异(P<0.05)。转移矩阵均具有对称性(P>0.01)。Hurst指数均大于0.5,具有远程相关性。与健康人相比,SAS患者W-N3阶段微状态B、C的持续时间降低。SAS患者GEV的SUM大于健康人,说明SAS患者大脑活跃度更高。W-N3阶段健康人的Hurst指数逐渐减小,长期记忆减弱,而SAS患者从N1-N3阶段Hurst指数逐渐减小。每个睡眠阶段健康人的熵率都大于SAS患者,携带的脑电信息较少。

听神经瘤伴耳鸣患者的脑电微状态

目的通过脑电微状态这一新颖的脑功能研究方法探寻与听神经瘤患者耳鸣相关的生物标志物。方法收集41例有效的听神经瘤患者脑电信息及相关临床信息,进行焦虑量表、抑郁量表、耳鸣障碍量表以及视觉模拟量表评估。脑电采集时长为10~15 min,通过MATLAB、EEGLAB等软件包对脑电数据处理后进行微状态分析,对各项参数指标进行统计分析。结果纳入患者包括听神经瘤无耳鸣患者12例、耳鸣患者29例,两组临床指标差异无统计学意义(P>0.05)。听神经瘤非耳鸣组平均全局解释方差为78.8%,耳鸣组为80.1%。听神经瘤耳鸣患者相较非耳鸣患者微状态C的发生频率增加(P=0.033),覆盖范围增加(P=0.028),THI量表与微状态A的持续时间表现为负相关(R=-0.435,P=0.018),与微状态B的发生频率(R=0.456,P=0.013)和微状态C的发生频率(R=0.412,P=0.026)表现为正相关,语法分析发现微状态C向微状态B的转化概率增加(P=0.031)。结论听神经瘤耳鸣患者与非耳鸣患者在脑电微状态的时间序列以及语法特征之间存在明显差异,反映了听神经瘤耳鸣患者的神经资源分配在显著网络、听觉网络以及视觉网络之间存在潜在异常,而脑电微状态可以被认为是研究听神经瘤伴耳鸣患者大脑功能网络的有用方法。

基于脑电功能连接微状态序列递归分析的情绪解码模型

脑电微状态代表准稳定的全局神经元活动,被认为是大脑动力学的构建模块,而基于微状态概率统计的特征不能很好表征脑电的动态变化特性。针对该问题提出了基于脑电微状态序列递归分析的情绪解码模型。该模型通过聚类从脑电功能连接模式中提取出具有代表性的微状态典型模式,将原始脑电信号映射为微状态时间序列,构建递归图表征脑电动力学特性,并利用卷积神经网络对递归图实现情绪解码。在公开的脑电情绪数据集(DEAP)上的实验结果表明该模型实现了比传统微状态方法更好的情绪解码效果。

基于微状态的轻度认知障碍脑电信号特征研究

静息态脑电微状态是一种探究认知活动时间动力学的有效工具。为了研究轻度认知障碍(MCI)患者中是否存在特定的微状态变化,本文将15名MCI患者和10名对照者的脑电图通过k均值聚类算法解析为四种典型的微状态,并分析其时间参数在两组间的显著性差异以及与神经心理学量表得分间的相关性,又对微状态序列的复杂性、转换特点以及各状态间是否具有依赖性做了分析。研究发现,MCI组在微状态A的持续时间以及A→D和B→D的转移概率上与对照组有着显著性差异。微状态A的持续时间与AVLT2分数成显著性正相关。MCI组微状态序列的复杂度要高于对照组,且在微状态的转换过程中尚未发现某种特殊结构,未来时刻的状态与过去无关。

青少年抑郁症静息态脑电微状态与童年期情感虐待的相关性

目的:童年期创伤经历对抑郁症患者的脑网络活动有显著影响,其时间动力学变化的探究亟待展开。本研究探讨睁眼状态下青少年抑郁症患者静息态脑电微状态的相关指标特征,并分析其与患者童年期创伤经历的相关性,旨在探索童年期创伤对青少年抑郁症患者脑网络动力学的影响。方法:采用静息态脑电微状态分析探讨青少年抑郁症患者大脑活动的时间动力学特征。选取66例患抑郁症的青少年作为病例组,同期选取27例健康青少年作为健康对照组。选用改良k均值聚类算法,将64通道的静息态脑电数据分类成不同微状态,采用独立样本t检验比较2组间的微状态指标差异,Spearman相关并分析相关指标与患者童年期创伤间的相关性。结果:健康对照组和病例组在微状态的每秒出现频次及转化率水平差异均有统计学意义(均P<0.05)。2组间在微状态A的每秒出现频次上差异有统计学意义(P<0.05),且与童年期创伤中的情感虐待因子得分呈负相关(Spearman’s rho=−0.31,P=0.013);病例组特异性非随机的微状态B→A转化(Spearman’s rho=−0.30,P=0.015)及C→A转化(Spearman’s rho=−0.31,P=0.013)均与童年期情感虐待因子得分呈负相关,并与健康对照组比较差异有统计学意义(均P<0.05)。以情感虐待因子分的高低四分位分组比较,微状态A的每秒出现频次、微状态B→A及C→A转化率3种指标经多重比较校正后差异均有统计学意义(均P<0.05)。结论:青少年抑郁症的异常脑网络时间动力学特征与童年期情感虐待相关,且经历严重情感虐待的患者在大脑视觉网络、中央执行网络功能上可能存在异常。脑电微状态分析可能具有辅助识别伴严重童年期创伤的青少年抑郁症的作用。

精神分裂症患者静息态脑电微状态特征及研究进展

本文目的是探讨精神分裂症患者静息态脑电微状态的特征和研究进展,以期从神经电生理的角度为精神分裂症的临床研究提供参考。于2022年9月在中国知网、万方数据知识服务平台和PubMed数据库进行计算机检索,最终纳入符合标准的文献共27篇。既往研究结果显示,静息状态下精神分裂症患者总是有着更多的C类脑电微状态和更少的D类脑电微状态,这使得静息态脑电微状态具有成为疾病内表型的潜质。虽然,精神分裂症患者的精神症状与静息态脑电微状态之间的相关性目前仍不明确,但可以肯定的是,治疗前后患者静息态脑电微状态的变化是有意义的。

最大误差压缩下的脑电微状态模板差异研究

本文针对大体量脑电数据难以高效分析的问题,以脑电微状态分析为例,探讨了FShift保质压缩算法误差界对于微状态模版的影响。实验选用60例临床脑电数据,分别在原始数据(O)、FShift保质压缩后再解压数据(F)以及压缩概要(R)上计算AD/MCI两类人群的微状态模版。使用Pearson相关系数度量模板间的差异,F和O上得到的模板相似度为1,R和O上得到的模板相似度最小值为0.9808,证明了最大误差压缩下的脑电数据可以满足实际计算精度要求。

基于微状态方法的癫痫脑电信号识别研究

癫痫发作时脑神经元异常放电,严重危及人的生命,准确识别癫痫脑电信号对癫痫诊断具有重大意义,对此使用微状态分析法对癫痫脑电信号进行识别研究。各选取11名癫痫患者和健康人,计算癫痫发作、癫痫未发作和健康人脑电微状态的传统特征(出现频率、平均持续时间、覆盖率和转移概率)、Hurst指数、动态特征(ACF和AIF),进行差异性分析并使用SVM进行分类。在1 Hz~40 Hz频段,癫痫发作和健康人、癫痫发作和癫痫未发作、癫痫未发作和健康人的传统特征、Hurst指数、动态特征均有显著差异,三种特征融合的准确率分别为99.9%、96.3%、96.3%,均高于其他频带(delta、theta、alpha、beta和gamma)的准确率。癫痫脑电微状态特征能被准确识别,1 Hz~40 Hz频段多参数特征融合能有效提高分类准确率。

自闭症谱系障碍儿童静息状态下脑电微状态研究

利用微状态分析方法,在静息状态下的脑电图(EEG)尺度上探究自闭症谱系障碍(ASD)儿童与正常儿童(TD)在脑机制上的差异。根据Cartool中的准则和不同微状态类别的数目对于被试者EEG数据的解释程度,确定微状态类别的数目为4;使用原子化与凝聚层次聚类算法,分割出个人水平和组水平上的微状态类别,分别标记为微状态A、B、C和D。然后根据这4类微状态的地形图和EEG数据各时间点的GEV相关性,将数据拟合回EEG数据,最终得到微状态时间序列,提取时域上的参数特征,比较ASD组和TD组的差异。选取的时间参数为平均持续时间、发生频率、时间覆盖率和转移概率,并通过计算马尔可夫模型的方法探究微状态序列的独立性。结果表明,在ASD组vs TD组中表现有统计差异(P<0.05)的微状态时间参数有:持续时间(A:0.110±0.013 vs 0.180±0.048,C:0.140±0.024 vs 0.220±0.067,D:0.130±0.050 vs 0.190±0.037,单位:s)、时间覆盖率(A:22.0±5.4 vs 27.0±7.2,B:27.0±4.7 vs 18.0±5.5,单位:%)、发生频率(A:1.93±0.52 vs 1.55±0.22,B:2.08±0.46 vs 1.39±0.32,C:2.10±0.49 vs 1.47±0.30,D:1.78±0.19 vs 1.27±0.27,单位:次/s),且卡方检验不支持微状态类别之间在时间序列上是独立的零假设(P<0.01),提示微状态类别之间存在依赖性以及信息共享性。本研究为自闭症的评估提供了客观指标和科学依据。

基于脑电“微状态”的驾驶员脑负荷研究

驾驶疲劳影响驾驶员的警觉度和注意能力,同时严重影响道路交通安全。该文在实验室驾驶平台中模拟疲劳驾驶的基础上,提出了一种评估驾驶过程中大脑工作负荷的方法。实验结果表明,当大脑工作负荷较小时,在theta频段左前额高电势微状态出现的频率升高;当大脑工作负荷较大时频率降低。以此为指标,可以对驾驶员的放松和警觉状态进行检测。

脑电微状态分析及其潜在应用可能性展望——针灸转化研究的一扇窗口

脑电图是无创探索脑功能活动的技术手段,微状态是在一定的时间内保持相对稳定的脑电拓扑图,不同的脑电微状态是不同神经元集群活动的结果,代表了亚秒级全脑功能性脑网络中的一致激活。介绍了脑电微状态概念的提出及其一般分析过程和步骤。提出脑电微状态分析一方面可作为针灸作用机制及其穴位特异性研究的切入点;另一方面,通过微状态时间序列和电信号之间的转换,可将与针灸治疗效果密切相关的微状态转换成电刺激信号,从而提出一种反馈治疗刺激参数选择的优化途径,助力针灸的转化研究。

基于微状态的静息态脑电信号分析

利用微状态的时-空分析特性,采用高密度(128通道)脑电图对20例主观性耳鸣患者和20例对照组的微状态特征进行了研究。通过微状态的平均存在时间、发生频率、覆盖率、振幅和转换率参数的计算与分析,揭示了耳鸣患者和健康人脑电微状态分类的时间特征和语构存在显著差异,也反映了脑电图微状态可以作为大规模脑网络的一种有价值的分析研究方法。

一种面向多媒体SOC的微状态低功耗设计方法

针对目前移动多媒体SOC设计中日益突出的功耗问题,结合传统的动态功率管理和动态频率调整中的负载预测和反馈控制两种方法,同时利用系统中各类IP和设计模块的可配置特性,提出了一种基于微状态的面向多媒体应用SOC的系统级低功耗设计方法。该方法以F-ARIMA过程作为负载预测模型,以最后期限缺失率作为反馈控制信号来实现系统实时动态在微状态之间进行切换,从而尽可能使得负载能均匀分布于运行期间。该方法在保证多媒体服务质量(QOS)的同时,有效降低了系统功耗。

针对局灶性癫痫患者的脑电微状态分析

针对脑电的癫痫神经机制研究仅限于致痫灶相关的局部脑区,提出利用脑电微状态从全局角度揭示癫痫发病的神经机制。使用修正K均值聚类算法提取了癫痫患者发作间期的特征微状态,并与连续脑电信号配对得到微状态序列;计算每种微状态的平均持续时间、总占比、每秒出现次数,对比癫痫患者和正常人的参数相对趋势差异;利用小波变换的方法分析癫痫患者微状态序列的分形特性。研究发现:癫痫患者的微状态D的平均持续时间为(101.42±22.91)ms、在整个时间序列上的总占比为(30.86±9.79)%、出现频率为(3.10±0.94)次1s,数值结果显著大于微状态A、B,和微状态C相近,和正常人趋势不同;在32ms^16s的时间尺度上,分形分析的结果显示癫痫脑电微状态序列的赫斯特指数为0.643 5±0.010 2,具有分形特性。微状态D的参数异常解释了癫痫患者易出现注意力缺失的现象;癫痫微状态参数相对趋势变化对癫痫疾病诊断有参考意义;癫痫微状态序列的分形性质表明了序列在很大的时间范围内具有自相似、无标度的特性,使微状态序列具有研究癫痫发病机制和预测癫痫发作的潜力。

不同抑郁程度个体的静息态脑电微状态特点研究

目的探索不同抑郁程度的个体在静息状态下脑电微状态的特征,为筛查和识别抑郁症状提供客观的生物标记。方法 2020年7-10月在重庆市内公开招募了129名18~40岁的健康志愿者,采用抑郁自评量表(Self-Rating Depression Scale,SDS)对其进行测查。按量表反映的症状分数,将所有志愿者分为无抑郁组(107人)、轻度抑郁组(18人)和中重度抑郁组(4人),分别采集8 min静息态脑电信号,通过MATLAB、EEGLAB等工具对脑电数据进行预处理和微状态分析,得到4类(A、B、C、D)微状态参数,包括全局解释方差(global explanation variance,GEV)、持续时间、出现频率、覆盖率和转换率等,利用SPSS 24.0对各项参数进行统计学分析。结果 (1)17.05%的个体存在抑郁症状。静息状态下健康志愿者脑电微状态的平均GEV为76.49%。(2)轻度抑郁组微状态A的平均持续时间低于无抑郁组和中重度抑郁组(P<0.001)。(3)无抑郁组及中重度抑郁组个体微状态A出现频率高于其他三类微状态(P<0.001)。(4)轻度抑郁组微状态A的覆盖率低于无抑郁组和中重度抑郁组(P<0.001)。(5)不同类型微状态之间的转换率存在差异(P<0.05)。结论微状态A持续时间可能是抑郁症状发生发展的预警信号,是抑郁症临床前期的状态特征;微状态A和C的转换率下降可能提示抑郁症状发生,微状态C和D的转换率改变可能是抑郁症状发展和转归过程的关键特征。

情绪面孔识别状态下抑郁症患者大脑微状态的差异性研究

为探寻抑郁症患者情绪障碍的产生机制,设计了基于情绪面孔识别的大脑微状态的研究方法,该方法通过提取情绪面孔识别状态下产生的事件相关电位(ERP)信号,对ERP信号的微状态进行分析,研究情绪加工过程中重度抑郁症患者(MDD)与正常组(NC)之间的差异性。研究发现:在情绪面孔识别状态下,MDD组和NC组大脑微状态在类型、数量、持续时间、组合排序等方面均存在显著不同;在正性情绪面孔刺激下,MDD组微状态1、4的持续时间占比显著小于正常组;负性情绪面孔刺激下,MDD组微状态1的持续时间占比显著小于正常组,而微状态2、5的持续时间占比则显著大于正常组。该研究为抑郁症的发病机理研究和临床早期诊断研究提供了方法和依据。

基于EEG微状态方法的视觉想象识别研究

运动想象MI是基于想象的脑机交互BCI中常用的任务,但MI不易习得和控制,且存在“BCI盲”现象,使得该类BCI的实用化受限。针对较易习得和控制的视觉想象VI任务进行识别,旨在构建基于VI的BCI(VI-BCI)。招募了15名被试者参加2种动态图像的视觉想象任务并采集脑电EEG数据;然后采用EEG微状态方法研究了这2种VI任务诱发的EEG在微状态时间参数上的差异,并选用差异显著的微状态时间参数构建特征向量;最后采用SVM对2类VI任务进行识别。结果显示提取微状态特征所取得的最高、最低和平均分类精度分别为90%,56%和80.6±2.58%。表明微状态方法可以有效提取VI相关EEG特征并得到具有可比性的分类精度,可望为构建相对较新的在线VI-BCI提供思路。

心理旋转视觉刺激阶段的微状态编码研究

为了实现心理旋转认知过程的可视化,研究了心理旋转视觉刺激阶段的微状态编码.采集11位被试在12种不同刺激下的脑电数据,利用基于经典K-means聚类方法进行微状态编码,将事件相关电位的脑电活动聚类为4类微状态(A,B,C,D),并且分析视觉刺激编码阶段的微状态编码序列及大脑激活区域.通过实验分析得到:不同视觉刺激普遍存在从A→B→A的微状态编码序列,即大脑呈现一个从后顶枕区到前半球再到后顶枕区的交替激活过程.