《Brain Topography》:A Quantitative Comparison of Two Methods for Higher-Order EEG Microstate Syntax Analysis
编辑推荐:
【编辑推荐】为解决如何定量表征脑电图(EEG)微状态序列高阶句法复杂度的问题,研究人员对两种常用指标——熵率(ER)与样本熵(SE)——开展了理论推导与数值比较研究。研究揭示了二者在一阶马尔可夫近似下的数学关系,并将其应用于阿尔茨海默病(AD)与对照组的静息态EEG数据,发现两种序列类型(连续与跳变序列)在两组中均显示出显著的高阶句法特性,且组间差异在归一化后消失。该研究为理解与量化微状态高阶句法提供了新见解,促进了不同研究间的比较。
大脑的活动瞬息万变,科学家们一直致力于寻找能够刻画其动态模式的“语言”。脑电图(EEG)微状态分析就是这样一种强大的工具,它将持续、多通道的脑电信号,压缩成由少数几个模板(通常标记为A、B、C、D)按时间顺序组成的“单词”序列。每个模板被认为对应一个特定的大规模脑功能网络。理解这些“单词”如何排列组合形成“句子”,即微状态的句法,对于揭示大脑信息处理的底层逻辑至关重要。
长期以来,研究者们主要关注“一阶句法”,即相邻两个微状态之间的转换概率。这种方法虽然揭示了大量关于不同认知状态和脑疾病(如精神分裂症、阿尔茨海默病)的见解,但有时在面对明确的神经或认知症状时,却无法检测出显著变化。这促使科学界将目光投向“高阶句法”——即超越相邻时间点,考察更长历史(例如,前3个、4个或更多个微状态)对下一个状态出现的影响。这就像预测一句话的下一个词,不仅看前一个词,还要看更前面的语境。
为了量化这种高阶句法的复杂性,信息论领域的两个指标被引入:熵率(Entropy Rate, ER)和样本熵(Sample Entropy, SE)。简单来说,ER衡量的是在已知过去一段历史的情况下,预测下一个微状态时仍存在的不确定性或“惊喜”程度;不确定性越低(ER值越小),意味着序列的规律性、可预测性越强,句法结构越“严谨”。SE则从一个不同的角度出发,它度量的是整个序列中,相同的短模式(“词组”)重复出现后,其后续发展也保持一致的倾向性;倾向性越高(SE值越小),同样表明序列的规律性更强。
尽管ER和SE在微状态研究文献中都有应用,且常被类似地解释为序列“复杂性”或“规律性”的度量,但它们源于不同的数学概念。一个紧迫的问题是:这两种指标在量化微状态高阶句法时,是否等效?它们给出的结果能否直接比较?这对于整合现有研究、设计未来实验至关重要。此外,在阿尔茨海默病(AD)这种以大脑网络连接和动态特性异常为特征的神经退行性疾病中,微状态的高阶句法模式会发生何种改变,也是一个值得深入探索的课题。
为了解决上述问题,由von Wegner等人开展的研究在《Brain Topography》上发表了题为“A Quantitative Comparison of Two Methods for Higher-Order EEG Microstate Syntax Analysis”的论文。该研究旨在对ER和SE进行系统的理论和数值比较,并将其应用于包含阿尔茨海默病患者和健康对照组的静息态EEG数据集,以探索大脑动态在疾病中的变化。
关键技术方法:本研究主要采用了理论推导、计算模拟和实证数据分析相结合的方法。首先,研究团队针对一阶离散马尔可夫过程,推导了ER和SE的理论估计公式,建立了一个用于检验高阶句法属性的统计零假设。其次,利用一个公开的静息态EEG数据集(包含AD患者和认知正常对照组),通过改进的K-means聚类获取了4个组水平微状态模板图,并生成了对应的连续微状态序列和跳变序列(移除连续相同标签)。然后,分别计算了不同历史长度(k=1至6)下的ER和SE值。为了评估理论近似的准确性和检验高阶句法,研究合成了具有相同一阶统计特性(微状态分布和转移矩阵)的马尔可夫替代数据。最后,引入了一种新的归一化句法度量,以独立于组间一阶句法水平差异的方式,评估纯粹的高阶句法差异。
研究结果
1. 理论关联与数值验证
研究首先在一阶马尔可夫过程的假设下,推导出ER和SE的理论表达式。结果显示,两者可以通过微状态转移概率矩阵紧密关联,并满足不等式 ER(k) ≥ SE(k),即熵率是样本熵在马尔可夫近似下的一个上界。通过将理论估计值与实际生成的马尔可夫替代数据进行比较,验证了该理论关系的准确性。对于连续序列,理论和数值结果高度一致;对于跳变序列,当序列足够长时,一致性也很好。
2. 对照组与AD组的高阶句法特性
无论是健康对照组(CN)还是阿尔茨海默病组(AD),其真实EEG微状态序列的ER和SE值,均与仅具有一阶句法特性的马尔可夫替代数据存在显著差异。具体表现为:
- •
连续序列:真实序列的ER值显著低于一阶马尔可夫水平,而SE值显著高于一阶马尔可夫水平。这意味着,基于更长的历史,下一个微状态的出现比仅基于前一个状态时更可预测(ER降低),但相同历史模式重复出现后的后续发展,其一致性却低于一阶马尔可夫过程的预期(SE升高)。这两种度量从不同侧面揭示了连续微状态序列中存在超越一阶的、复杂的高阶句法结构。
- •
跳变序列:真实序列的ER和SE值均显著低于一阶马尔可夫水平。这表明,在剔除了连续重复状态后,序列的规律性(无论是短期预测性还是长程重复一致性)都比简单的一阶马尔可夫模型所预期的更强。
3. 组间比较:疾病相关差异
直接比较CN组和AD组的ER/SE值,发现了系统的、具有统计显著性的差异:
- •
连续序列:AD组的ER和SE值均低于CN组。这表明AD患者大脑产生的连续微状态序列,整体上显示出更强的规律性和更低的复杂性。
- •
跳变序列:结果相反,AD组的ER和SE值均高于CN组。这意味着在只考虑状态间实际转换的跳变序列中,AD患者序列的规律性反而弱于健康人。
4. 归一化句法:揭示隐藏的模式
尽管上述组间差异显著,但研究人员观察到CN和AD组的ER/SE曲线形状相似。为了剥离一阶句法基础水平的影响,单独评估依赖于句法阶次的高阶差异,研究者引入了归一化句法度量σC和σJ。有趣的是,应用此归一化度量后,CN组与AD组之间在连续或跳变序列上的ER、SE差异全部消失。这意味着,当排除了两组各自特有的一阶句法特性后,它们所表现出的、纯粹由高阶句法所贡献的“额外”结构或规律性模式,是相似的。
研究结论与意义
本研究通过严谨的理论推导和实证分析,首次系统比较了用于量化EEG微状态高阶句法复杂度的两个核心指标——熵率(ER)和样本熵(SE)。主要结论与重要意义如下:
- 1.
建立了ER与SE的理论桥梁:研究证明,在一阶马尔可夫过程的零假设下,ER和SE存在明确的数学关系(ER是SE的上界)。这不仅深化了对这两种指标理论本质的理解,更重要的是,为未来研究中进行统计检验(判断观测到的高阶特性是否显著偏离一阶预期)和跨研究比较提供了坚实的理论基础。
- 2.
证实了大脑微状态动态存在丰富的高阶句法:研究在健康人和阿尔茨海默病患者中均检测到了超越一阶马尔可夫模型的显著高阶句法特性。这表明,大脑在静息状态下产生的微状态序列并非简单的“随机游走”,其动态包含着由更长历史所塑造的复杂时间结构,这很可能反映了神经活动背后更深层次的计算或动力学原理。
- 3.
揭示了连续与跳变序列句法的根本差异:连续序列和跳变序列在ER和SE上表现出截然不同的行为模式,凸显了它们是描述微状态动态的两个互补但不同的视角。连续序列包含了状态持续时间的“惯性”,而跳变序列则纯粹关注状态间的转换。这种差异提示,在分析微状态句法时,必须明确所研究的序列类型,因为二者捕获的动态信息层面不同。
- 4.
阐明了阿尔茨海默病对微状态高阶句法的复杂影响:本研究发现AD对微状态动态的影响具有序列类型特异性。连续序列复杂度降低可能反映了疾病导致的神经活动灵活性下降或“僵化”;而跳变序列复杂度升高,则可能意味着有效状态间转换模式的紊乱或随机性增加。然而,最为关键的发现是,当通过归一化控制了一阶句法水平的组间差异后,AD组与CN组在高阶句法模式上变得不可区分。这表明,AD所改变的主要是大脑网络的“基线”动力学特性(由一阶句法捕获,如微状态占比和相邻转移偏好),而其保留的、由更高阶时间相关性所体现的某种动态“组织原则”,可能并未被疾病完全破坏。这一发现为了解AD的病理生理机制提供了新的视角,即疾病可能更主要地影响网络交互的“强度”或“概率”,而非其深层的时序“语法”结构。
总之,这项研究不仅增进了对ER和SE两种重要量化工具的理解,推动了微状态高阶句法分析方法的标准化,还为利用时间动力学特征探索阿尔茨海默病等脑疾病的神经机制开辟了新的途径。它强调了在分析大脑动态的复杂性时,需要多角度、多层次地进行考察,并将观测到的差异与潜在的动力学基本结构区分开来。