企业官网建设流程全解析

1. 静息态EEG微状态分析到底在做什么

静息态脑电微状态分析，说白了就是把一段连续记录的自发脑电，切成一个个几十到上百毫秒的“稳定地形图片段”，再把这些片段归纳成几个反复出现的经典模板。它回答的问题很朴素：人在闭眼放松、什么都不做的时候，大脑的电场地形是不是在几个固定状态之间来回跳？每个状态停留多久、出现多频繁、切换多快？这些指标后来被大量用于研究注意、意识状态、精神疾病等方向。

我最早接触微状态是在做一组静息态数据时，当时用别的工具跑出来结果总是不稳定，后来换成Cartool做组水平聚类，才把流程理顺。Cartool是日内瓦那边开发的一款免费工具，专门做EEG微状态和地形图分析，它的强项在于全局场强（GFP）峰值提取、层次聚类和模板匹配这一整套链路都内置了，不用自己从零写代码。但它也有个特点：界面偏老派，参数藏得深，新手第一次打开很容易懵。

这篇文章面向的是已经能完成基本EEG预处理（滤波、去伪迹、坏导插值、重参考）的读者，我会把从GFP峰值提取、组水平聚类、聚类数选择，到模板匹配、结果导出这一整条路走一遍。重点讲清楚每一步为什么这么做、参数怎么定、哪里容易翻车。你不需要会写代码，但需要理解聚类的基本逻辑，否则选K值的时候只能瞎猜。

提示：微状态分析对预处理质量极其敏感。如果原始数据里还有明显的眼动、肌电、坏导，聚类出来的模板会非常脏，后面所有指标都不可信。这一步没有捷径。

2. 分析前的数据准备与Cartool工程搭建

2.1 输入数据的格式与预处理底线

Cartool原生支持的是.dat/.ep这类自有格式，但实际工作中我们的数据多半来自其他采集系统。常见做法是先把预处理好的数据导出为ASCII文本或EDF，再导入Cartool。我一般推荐导出为文本格式，因为Cartool对文本的容错性更好，导进去之后可以立刻在2D/3D地形图上检查通道位置对不对。

预处理底线我列几条硬指标，达不到就别急着做微状态：

• 采样率统一到250Hz到500Hz之间。太高没必要，微状态的时间尺度在毫秒级，250Hz足够；太低会丢失地形细节。
• 带通滤波建议1Hz到40Hz（或0.5Hz到45Hz），目的是去掉慢漂移和高频肌电。
• 重参考用平均参考或CZ参考都行，但整组数据必须统一，不能一半平均参考一半别的。
• 坏导必须插值，且插值后要在Cartool里目视确认地形图没有明显畸变。
• 眼动伪迹用ICA或回归去掉后，记得回看一遍，确认没有把前额的真实活动一起削掉。

通道数量方面，微状态分析对通道数没有硬性下限，但64导以上做出来的地形图会明显更平滑、更稳定。如果是32导甚至更少，也能做，只是模板的空间分辨率会粗一些，解释时要谨慎。

2.2 在Cartool里建立组水平工程

Cartool做组水平分析的核心思路是：先把每个被试的数据单独读进来，提取各自的GFP峰值地形图，再把这些地形图汇总成一个大的“地形图池”，对这个池子做聚类。所以工程搭建的关键是统一坐标和通道顺序。

具体操作顺序我习惯这样：

1. 打开Cartool，新建一个workspace，把所有被试的预处理文件拖进去。
2. 逐个检查每个文件的通道标签和坐标。如果不同被试的通道顺序不一致，聚类会直接崩掉。Cartool里可以用Tools > Electrodes查看和编辑坐标。
3. 确认所有文件的采样率、时长、参考方式一致。
4. 对每个被试单独跑一次GFP计算，先看看GFP曲线是否正常——正常的静息态GFP应该有明显的峰谷交替，如果曲线很平或者全是尖刺，说明预处理有问题。

这里有个容易忽略的点：被试之间的数据时长最好接近。如果一个人记录5分钟、另一个人记录20分钟，长的那位会在聚类池里占更大权重，导致模板偏向他的数据。常见做法是每个被试截取相同长度的干净片段，比如都取2分钟。

注意：Cartool的工程文件不会自动帮你对齐通道，通道顺序错了它不会报错，只会默默给你一个错误结果。这一步一定要人工核对。

3. GFP峰值提取：微状态分析的起点

3.1 为什么是GFP而不是原始波形

全局场强GFP，是把某一时刻所有电极的电压值做空间标准差得到的。它衡量的是“这一刻整个头皮电场的强度有多强”。GFP的局部极大值，代表电场地形最清晰、最稳定的时刻。微状态分析就建立在这个假设上：在GFP峰值附近，地形图是稳定的，可以代表一个微状态。

用GFP而不是原始波形，好处是它跟参考电极无关（因为标准差对整体偏移不敏感），而且能自动把那些地形模糊、处于过渡态的时间点排除掉。这也是为什么微状态模板通常看起来都很“干净”——它们是从最清晰的地形里挑出来的。

3.2 在Cartool里提取GFP峰值地形图

操作路径大致是Tools > GFP > Extract peaks。关键参数有两个：

• GFP峰值的最小间隔：默认可能给的是几十毫秒。这个参数决定两个峰之间至少隔多久才算独立。设太小会把噪声当峰，设太大又会漏掉真实状态。我的经验是设在10ms到20ms之间比较稳，具体看采样率。
• 是否只保留局部极大值：一定要勾选，否则会把上升沿上的点也当峰。

提取完成后，Cartool会生成一个包含所有峰值地形图的文件。这时候你可以先做个快速检查：把所有峰值地形图按时间顺序浏览一遍，看看有没有明显异常的（比如某个通道爆掉、地形图半边黑半边白）。异常的峰值地形图要手动剔除，否则会污染聚类池。

3.3 峰值数量与后续聚类的规模

峰值数量直接决定聚类池的大小。一个被试2分钟的静息态数据，通常能提取出几百到上千个峰值地形图。如果一组有20个被试，聚类池可能就有上万个地形图。这个规模对Cartool的层次聚类来说是可以接受的，但计算时间会比较长。

如果峰值数量异常少（比如一个被试只有几十个），通常说明GFP曲线太平，可能是滤波太狠或者数据本身质量差。这时候要回头查预处理，而不是硬着头皮往下做。

4. 组水平聚类：K值怎么选、层次聚类怎么跑

4.1 层次聚类的基本逻辑

Cartool默认用的是层次聚类，具体是凝聚式（agglomerative）：一开始每个地形图自成一类，然后不断把最相似的两类合并，直到只剩一类。相似度用空间相关性或欧氏距离衡量。整个过程会生成一棵树（树状图），你在这棵树上切一刀，就得到K个聚类。

这里要澄清一个常见误解：微状态分析里的“聚类”不是K-means那种需要预先指定K并迭代的算法，而是层次聚类。K-means在微状态里也有应用，但Cartool的主流程是层次聚类。热词里出现的“kmeans聚类算法用什么软件”“k值聚类”其实反映了很多人的困惑——K值到底怎么定。

4.2 K值选择的几种主流做法

K值就是最终保留几个微状态模板。文献里最常见的答案是4个（经典的四模板：A、B、C、D），但这绝不是唯一正确答案。我实际用下来，K值选择有几种思路：

我个人的做法是：先跑K=2到K=8，把每个K下的模板地形图都导出来看。如果K=4和K=5的模板几乎一样，那就取4；如果K=5多出来的那个模板有明确的生理意义（比如某个特定区域的活动），可以考虑取5。关键是不要为了凑4而强行取4。

4.3 在Cartool里执行组水平聚类

操作路径是Tools > Microstates > Group clustering。把之前提取的所有峰值地形图文件加载进来，选择聚类方法（通常选TAAHC，即Topographic Atomize and Agglomerate Hierarchical Clustering，这是Cartool推荐的变体，比传统层次聚类更稳定），然后设定K值范围。

跑完之后，Cartool会给出每个K值下的模板地形图、每个模板的解释方差、以及每个被试的模板匹配结果。这时候要重点看两样东西：

• 模板地形图是否可解释：有没有哪个模板看起来像噪声、或者跟另一个模板高度相似。
• 解释方差是否够高：一般K=4时能解释70%以上的方差算不错，如果只有50%多，说明K可能不够或者数据太乱。

提示：TAAHC比传统层次聚类慢，但结果更稳定，尤其是组水平数据。如果时间允许，优先用它。

4.4 聚类结果的稳定性检查

组水平聚类最怕的是“换个被试组合，模板就变了”。检查稳定性的一个土办法是留一法：每次去掉一个被试，重新聚类，看模板地形图是否基本一致。如果去掉某个被试后模板大变，说明这个被试的数据在主导聚类，要么他的数据有问题，要么样本量太小。

另一个办法是分半信度：把被试随机分成两半，各自聚类，然后比较两组的模板相关性。相关性高说明结果稳。这个操作在Cartool里要手动做两次，稍微麻烦，但对于要发文章的结果，值得花这个时间。

5. 模板匹配：把模板套回每个被试的时间序列

5.1 模板匹配在做什么

聚类得到的是“组水平模板”，但每个被试的每一时刻到底属于哪个微状态，需要靠模板匹配来判定。匹配的逻辑是：对每个时间点，计算它的地形图与每个模板的空间相关性，相关性最高的那个模板就是该时刻的标签。这样每个被试就得到一条微状态时间序列。

这一步在Cartool里是Tools > Microstates > Fitting。把组水平模板文件和每个被试的原始数据加载进去，选择匹配方法（通常用空间相关性），跑完就能得到每个被试的标签序列。

5.2 匹配时的几个关键参数

• 是否允许一个时间点匹配多个模板：一般不允许，取最高相关即可。
• 是否设置相关性阈值：有些流程会设一个最低相关性，低于阈值的点标为“未匹配”。我一般不设阈值，因为静息态里本来就有过渡态，强行剔除会丢失信息。
• 是否平滑标签序列：Cartool有个选项可以对标签序列做时间平滑，减少频繁跳变。这个要谨慎，平滑太狠会把真实的快速切换抹掉。我通常不平滑，或者只做很小的平滑窗口。

5.3 从标签序列到微状态指标

匹配完成后，每个被试的标签序列可以算出几个核心指标：

• 持续时间（Duration）：每个微状态每次出现的平均时长，单位毫秒。
• 出现频率（Occurrence）：每秒出现多少次。
• 覆盖率（Coverage）：该微状态占总时间的比例。
• 转换概率（Transition probability）：从一个微状态切换到另一个的概率矩阵。

这些指标在Cartool里可以直接导出，也可以导出标签序列后用别的工具算。我习惯导出标签序列，因为后面做统计的时候更灵活。

6. 常见问题与排查技巧实录

6.1 聚类模板看起来像噪声怎么办

这是新手最常遇到的问题。模板地形图如果看起来杂乱、没有明显的正负区域，通常是这几个原因：

• 预处理没做干净：肌电、眼动残留会直接污染地形图。回去查原始数据。
• 峰值提取参数太松：把太多过渡态地形图也提进来了。把最小间隔调大一点。
• 通道坐标不对：地形图插值依赖坐标，坐标错了地形图就乱了。检查电极坐标。
• 被试太少：组水平聚类需要一定样本量，5个被试以下做出来的模板往往不稳。

6.2 K值到底选几个才“对”

这个问题没有标准答案，但有几个判断原则：

• 如果K=4和K=5的模板高度相似，选4。
• 如果某个K下出现一个只占很小比例的模板（比如覆盖率不到5%），考虑减K。
• 如果解释方差在某个K之后提升很小，说明再加K意义不大。
• 最终要结合你的研究问题和文献可比性来定。

6.3 匹配结果里某个微状态几乎不出现

如果匹配后发现某个模板的覆盖率极低（比如1%），可能是：

• 这个模板本身就是聚类时产生的“边角料”，可以考虑减K。
• 匹配方法或参数有问题，导致这个模板总是匹配不上。
• 数据本身确实缺少这个状态，这在某些临床群体里是真实存在的现象。

6.4 不同被试的指标差异很大

静息态微状态指标本身个体差异就大，但如果某个被试的指标明显偏离，先查他的数据质量，再查他的匹配标签序列有没有异常跳变。有时候一个被试的坏导没处理好，会导致他的地形图整体偏移，匹配结果全乱。

6.5 常见问题速查表

提示：微状态分析里，预处理和峰值提取的质量决定了上限，聚类和匹配只是在下限里做文章。花在预处理上的时间永远不亏。

7. 结果导出与后续统计的衔接

Cartool能直接导出每个被试的微状态指标表格，格式是文本，可以直接拖进SPSS或R做统计。我一般会导出这几样：

• 每个被试的模板匹配标签序列（用于自定义分析）。
• 每个被试的四个核心指标（持续时间、频率、覆盖率、转换概率）。
• 组水平模板地形图（用于画图）。

导出标签序列后，如果要做组间比较，通常用混合线性模型或重复测量方差分析，把微状态类型作为被试内因素。转换概率矩阵则常用卡方检验或置换检验来比较组间差异。

如果后续想用Python做更灵活的分析，可以把标签序列读进numpy，自己算指标。热词里提到的“层次聚类python”其实也可以用scipy.cluster.hierarchy复现Cartool的聚类逻辑，但要注意Cartool的TAAHC有自己的细节，直接复现不一定完全一致。

8. 我踩过的几个坑和一点个人体会

第一个坑是通道顺序。有次偷懒没核对，结果两个被试的通道顺序反了，聚类出来的模板怎么看怎么别扭，查了一整天才发现。从那以后我每次都在Cartool里逐个核对通道标签。

第二个坑是K值执念。刚开始总想着凑4个模板，结果有个数据集明明K=5更合理，硬取4导致两个模板被强行合并，解释方差掉了一大截。后来想通了，K值是服务于数据的，不是数据服务于K值。

第三个坑是忽略过渡态。早期我会设相关性阈值把低相关的点剔除，后来发现静息态里过渡态占比不小，剔掉之后指标全偏了。现在我不设阈值，保留完整序列。

一点个人体会：微状态分析看起来流程固定，但每一步都有很多小决策，这些决策累积起来会显著影响结果。Cartool把这些决策都暴露给你，好处是透明，坏处是容易选错。我的建议是，每做一个关键决策，都记下来为什么这么选，这样后面写方法部分或者复现的时候不会抓瞎。

最后分享一个小技巧：如果组水平聚类跑得慢，可以先把每个被试的峰值地形图数量控制在一个合理范围（比如每个被试随机抽200个），先跑一遍看模板大致长什么样，确认方向对了再跑全量。这样能省不少等待时间。