基于EEG微状态分析的动态姿势控制脑网络时空动力学研究

为解决动态姿势控制(PC)中快速神经机制不明的问题，研究人员通过BioVRSea虚拟现实(VR)范式结合64通道EEG，首次在266名健康受试者中解析了五类EEG微状态（A-E）的时空特征。研究发现微状态C在姿势调节中持续占主导地位，而微状态B在动态任务中显著降低，揭示了脑网络动态重组与多感官整合的关联，为神经退行性疾病的早期检测提供了新思路。

　　

保持身体平衡是人类日常活动的基础，但当我们站在摇晃的甲板上时，大脑如何快速整合视觉、前庭和本体感觉信号来维持稳定？这一涉及脑干、小脑和皮层网络的复杂过程，其毫秒级神经机制至今仍是未解之谜。传统fMRI技术受限于时间分辨率，而EEG微状态分析能捕捉60-120ms的脑电拓扑变化，为揭示动态姿势控制(Postural Control, PC)的神经编码提供了新视角。

冰岛雷克雅维克大学Carmine Gelormini团队在《Brain Topography》发表研究，首次将EEG微状态技术应用于BioVRSea动态平衡范式。该实验模拟海上小船颠簸场景，通过VR头显与移动平台同步扰动，记录266名健康受试者在静态基线(BASE)、纯视觉扰动(PRE)、平台运动(MOV)和恢复期(POST)四阶段的64导联EEG数据。研究发现微状态C在全部阶段均呈现最高持续时间(Duration)、出现频率(Occurrence)和覆盖率(Coverage)，而微状态B则显著降低，提示不同脑网络在静态与动态平衡策略中的特异性重组。

关键技术方法
研究采用ANT Neuro 64导联EEG系统（采样率4096Hz），通过BioVRSea平台结合VR视觉刺激分四阶段诱发姿势调整。数据经EEGLAB预处理后，使用改进K均值聚类识别五类微状态，通过线性混合模型(LMM)分析时空参数差异。关键创新在于将传统静息态微状态分析拓展至动态任务，并验证其与Meta-microstates模板的空间相关性（最高达97.2%）。

研究结果

1. 微状态拓扑特征
通过2-20Hz滤波和GFP峰值聚类，确定五类微状态（图3a）。与五模板Meta-microstates对比显示：微状态B相似度最高(97.2%)，微状态C最低(80.9%)，但后者在实验中表现最稳定。

2. 时间参数动态变化

• Duration：微状态C在所有阶段持续时间最长（LMM，F_4,5012=256.6, p<0.001），而微状态B从BASE到MOV显著缩短3.45ms（p=0.0003）。
• Occurrence：微状态C出现频率最高，微状态B在MOV阶段显著降低0.27次/秒（p=0.0457）。
• Coverage：微状态C占总记录时间比例从BASE到MOV增加2.28%（p=0.028），微状态B同期降低2.54%（p=0.0099）。

3. 阶段特异性响应
静态BASE期微状态A/C主导，动态MOV期微状态C进一步强化，而涉及感觉处理的微状态A/B减弱。POST期未恢复至基线，提示运动适应后的神经可塑性变化。

结论与意义
该研究首次证实EEG微状态可表征动态姿势控制的脑网络重组：

1. 微状态C的核心作用：其持续高活跃度可能与α振荡调控的警觉状态相关，反映对复杂环境的多感官整合需求；
2. 微状态B的抑制：视觉-前庭冲突时（如PRE阶段纯视觉运动），其活动降低可能体现感觉重加权(Sensory Reweighting)机制；
3. 临床转化价值：BioVRSea范式联合微状态分析，为帕金森病等神经退行性疾病的平衡障碍提供了潜在生物标志物。

研究局限性包括缺乏最终基线对照和静息态模板的适用性争议。未来需开发任务特异性微状态模型，并探索其与fMRI网络的空间对应关系。这项工作为理解"大脑如何瞬间保持平衡"这一古老问题开辟了新途径。