MapperEEG：一种用于脑电（EEG）记录中脑状态聚类的拓扑方法

《Journal of Neuroscience Methods》：MapperEEG: A topological approach to brain state clustering in EEG recordings

使用拓扑数据分析方法结合EEG信号预处理与功率谱密度分析，提出MapperEEG新算法，有效实现无监督脑状态聚类，并在敲击任务与高压决策任务中优于传统聚类方法，验证其在揭示脑状态拓扑结构中的潜力。

　　

作者列表：Brittany Story、Zhibin Zhou、Ramesh Srinivasan、Scott Kerick、David Boothe、Piotr J. Franaszczuk

美国陆军DEVCOM陆军研究实验室，地址：7101 Mulberry Point Rd, Aberdeen Proving Ground, 21005, MD, USA

摘要

背景：

拓扑数据分析（TDA）作为一种工具，在分析高维数据集并从中提取信息方面取得了显著进展。Mapper是TDA中的一个工具，它能够从高维数据中提取低维结构，这正是从高维神经时间序列中捕获相关信息所需要的方法。由于电位 scalp 记录（即脑电图，EEG）具有非侵入性、设备相对便宜以及高时间分辨率等优点，因此在临床应用和研究中得到了广泛应用。然而，EEG容易受到干扰，空间分辨率较低，并且数据具有非平稳特性。因此，在需要无监督脑状态聚类的任务中，需要采用先进的信号处理和数学分析方法。

新方法：

我们提出了MapperEEG方法，该方法结合了经典EEG分析工具和Mapper算法，用于无监督脑状态聚类。

结果：

我们证明了MapperEEG可以在频谱域中作为聚类算法使用，并能提供关于敲击任务中大脑状态连接性的额外信息。此外，我们还通过“进行/不进行”射击任务来探索即使在其他聚类方法失效的情况下，MapperEEG仍能揭示大脑状态的结构和聚类情况。

与现有方法的比较：

我们发现MapperEEG在识别敲击任务中的大脑状态方面优于其他六种聚类算法，包括层次聚类、隐马尔可夫模型和基本自编码器。

结论：

MapperEEG提供了一种新颖且有效的EEG数据分析方法，显示出在脑状态聚类和分析方面的巨大潜力。

引言

通过脑电图（EEG）来表征正常和病理状态一直是神经科学中的关键方法。EEG数据易于收集、成本低廉且无创，同时具有高时间分辨率，因此成为各个学科研究人员的有用工具。尽管如此，它也存在一些缺点，如空间分辨率低以及容易受到噪声和伪迹的影响。尽管如此，已经有多种分析方法被用于EEG数据的解读，无论是在临床还是研究应用中（Kaplan等人，2007年）。从最早的EEG研究开始，临床医生和研究人员就注意到EEG记录中存在振荡特征。随着时间的推移，不同频率带的振荡成分与特定的大脑功能和病理状态相关联（Buzsaki，2006年）。后来出现了其他大脑数据收集方法，如功能性磁共振成像（fMRI），这些方法具有更高的空间分辨率和更低的噪声水平，但时间分辨率较低且成本较高。

最近，计算神经科学家开始使用拓扑方法从fMRI数据中捕获和聚类大脑状态。在Saggar等人（2018年）的研究中，他们使用了一种名为Mapper的算法来研究大脑状态的组织结构，该算法由Singh等人（2007年）提出。当将Mapper应用于fMRI数据时，无需预先标记即可对不同的大脑状态进行分类。然而，使用这种方法可以研究的任务和状态仅限于实验室环境中可收集的数据，受到fMRI固有限制的约束。因此，我们尝试将Mapper与传统的EEG分析工具结合，以聚类EEG数据，从而研究大脑状态的内在结构。

在这项工作中，我们提出了MapperEEG方法，该方法利用功率谱密度与Mapper算法相结合，构建了一种用于EEG状态聚类的算法。我们通过展示其在人类协作敲击任务和执行控制任务中的有效性，证明了这种方法在理解大脑状态结构方面的潜力。本文的结构如下：第2节回顾了使用不同方法对EEG数据进行聚类的相关研究；第3节介绍了建立MapperEEG所需的相关背景信息；第4节概述了用于比较的两个数据集；第5节详细描述了MapperEEG算法并逐步解释了其工作原理；第6节比较了MapperEEG与其他聚类方法在两个数据集上的表现，并说明了MapperEEG相比其他方法的优势；第7节讨论了我们的发现、频谱域的重要性以及当前的限制；第8节总结了结论、未来工作计划和扩展方向。

相关研究

相关工作

已有许多研究通过EEG信号对大脑状态进行聚类分析。常见的方法如k-means、隐马尔可夫模型和微状态分析在某些任务中取得了有希望的结果，例如识别隐藏信息（Bablani等人，2020年）、识别睁眼/闭眼状态（Jajcay和Hlinka，2023年）以及麻醉深度（DOA）监测（Si等人，2021年）。正如上述研究所示，将EEG预处理技术与聚类方法结合通常可以获得更好的效果。

背景

下面我们将介绍EEG处理、拓扑数据分析和图论指标的相关背景知识。

数据集

我们在两个数据集上评估了我们的方法：一个是敲击任务，参与者需要在不同条件下一起敲击；另一个是射击任务，参与者需要在高压力和低压力条件下射击目标。有关这些实验的可视化结果，请参见图2和图3。下面我们将介绍这两个数据集，并说明如何使用功率谱密度（PSD）来构建MapperEEG算法中使用的数据。

方法：MapperEEG

为了从EEG数据中捕获和聚类不同的大脑状态，我们参考了Saggar等人（2018年、2022年）以及Geniesse等人（2019年）的研究。在这些研究中，研究人员使用Mapper算法基于fMRI数据来表征大脑状态。然而，据我们所知，这种分析目前仅限于fMRI数据。因此，我们的目标是证明类似的结构也可以从EEG数据中捕获和识别。

结果

下面我们将MapperEEG与其他六种无监督聚类算法进行了比较，这些算法用于分析来自每个EEG数据集的伽马波段功率序列。具体来说，我们使用F-1、Silhouette和Davies–Bouldin指标比较了MapperEEG与DBSCAN、k-means、高斯混合模型、层次聚类、自编码器和隐马尔可夫模型的性能。所有实验均在配备M3 Max芯片和64 GB内存的2023款MacBook Pro上进行。

讨论

本研究重点介绍了MapperEEG方法作为一种拓扑方法来分析EEG数据，特别是其在结构相关方式下聚类大脑状态的能力。我们重点讨论了在两种不同实验条件下（同步和不同步的手指敲击任务以及高压力和低压力的进行/不进行任务）通过EEG记录识别的个体大脑状态之间的差异。

结论与未来工作

捕捉大脑状态的内在结构是一项持续的研究课题。那些能够让我们在不依赖已知标签的情况下可视化连接性和结构的工具为研究人员提供了对大脑状态关系的洞察。新的可视化方法将有助于识别具有高度模块化特征的个体，并使我们能够比较不同个体之间的大脑结构。例如，某些参与者……

CRediT作者贡献声明

Brittany Story：撰写——审稿与编辑、初稿撰写、可视化、软件开发、方法论设计、研究实施、正式分析、概念构建。 Zhibin Zhou：撰写——审稿与编辑、方法论设计、研究实施、正式分析、数据整理、概念构建。 Ramesh Srinivasan：撰写——审稿与编辑、资源协调、项目管理工作、资金获取、正式分析、数据整理、概念构建。 Scott Kerick：撰写——审稿与编辑、数据整理。

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文所述的研究工作。