微状态分析（Microstate analysis）是多通道EEG记录一系列准稳态的微状态，每个微状态的特征是整个通道独特的地形图拓扑结构。EEG 微状态分析旨在使用数据压缩或聚类技术来表征这些模式。聚类算法将作为输入数据提供的完整空间模式集简化为一组具有代表性的 EEG 地形图。脑电微状态反映了大脑神经元集群瞬时活动的总和，不同微状态是由不同的神经元集群活动所引起的，而不同的微状态反映了大脑不同的功能状态。微状态分析的目的是将记录的脑电时间样本分割成微状态类别，因此属于同一类别的脑电样本具有尽可能相似的脑地形图。

在文献1中，研究者已经描述了微状态分析的基本步骤：
主要是需要计算GFP peak和使用聚类的方法找到微状态。
全脑域功率GFP（Global Field Power）：某个时间点地形图所有电极电压值的标准差，用于描述某个地形图电场的强度。它简单地表示为给定时间点内平均参考电极值的均方根。
一些概念指标：
1）平均持续时间（mean duration）
平均持续时间是指每种微状态出现并且保持稳定时间的平均长度。
2）出现频率（occurrence frequency）
出现频率是指每种微状态在每秒发生的平均次数。
3）时间覆盖率（time coverage）
覆盖率是指每种微状态在总的时间里所占的比例。
4）振幅（amplitude）
振幅是指每种微状态时间出现时刻的多路通道的电极电压平均值。
5）转换概率（transition probability）
转换概率是指各个微状态之间的转换概率。
聚类算法：
K-means  &  Modified K-means
K-medoids
Atomize & Agglomerate Hierarchical Clustering (AAHC)
Topographic Atomize & Agglomerate Hierarchical Clustering (T-AAHC)
principal component analysis（PCA）
Fast-independent component analysis（fast-ICA）
具体算法介绍，可参考文献3

对于EEG数据，需要进行一下预处理，可以使用eeglab或设备自带的分析，大体上预处理步骤都是差不多的。可以参考文章：

EEGLAB脑电数据预处理（视频版）

针对EGI的数据，首先建议使用netstation软件进行预处理，最基本的需要经过滤波和分段。额外的预处理步骤可进行剔伪迹等操作。预处理后会生成的文件格式mff文件。
其它设备的数据预处理同理可这样进行。
Matlab平台使用EEGLAB进行微状态分析
下载microstate工具箱，然后放置到eeglab中plugin文件夹中后启动eeglab，在导入EEG数据后，在tools菜单栏下就可以看到操作栏。

eegalb如何导入各种设备的数据文件，可参考此视频《使用eeglab导入各种EEG数据格式的方法》。
进行常规预处理后，可选择识别个体脑电图水平的微状态（第一级聚类）Identify microstate maps，弹出对话框
默认算法是k-means，如需选择AAHC聚类算法，则需要勾选上第一列的选项。其它参数，可按默认设置，如需了解，可参考底部文献链接教程链接，点击OK，然后在plot下拉菜单栏中就可以查看图像
顺序可根据要求进行edit修改。
eeglab这里的微状态只能分析静息态的EEG数据，任务态ERP数据则需要使用cartool软件进行分析了。
使用cartool软件进行微状态分析
下载cartool软件，文章底部提供下载链接
1、导入预处理过的数据（已分段数据）
数据导入EGI数据导入选择.bin格式，选择对应的文件类型。
点击Next进入下一个界面。
继续阅读
阅读原文