双脑微状态：一种量化任务驱动的脑间非对称性的超扫描EEG新方法

摘要

背景：实时社交互动背后的神经机制仍然知之甚少。虽然超扫描已成为理解脑间机制的流行方法，但脑间方法仍不成熟，且主要集中在脑间同步(IBS)上。

新方法：本研究开发了一种基于双脑EEG微状态的新方法来研究对称和非对称交互任务中的神经机制。微状态是大脑活动的准稳定状态，被认为是心理处理的基本构建模块。将微状态方法扩展到互动的二人组中，使我们能够研究大脑间同步和非对称活动的准稳定时刻。

结果：传统的个体微状态与不同的互动条件无关。然而，在观察者-行动者条件下，双脑微状态发生了变化，与其他条件(即参与者的任务要求较为对称的条件)相比，这种变化更为明显。此外，在领导者-追随者条件下也观察到了类似的趋势。这表明在非对称任务互动中，静息态默认模式网络的活动存在差异。

与现有方法的比较：超扫描研究主要基于功能连接测量来估计脑间同步。然而，当研究中发现大脑之间有多个重要连接时，局部连接通常难以在大规模网络上进行解释。通过量化互动个体之间任务驱动的非对称神经状态，双脑微状态提供了一种从大规模全局网络角度来评估神经活动的新方法。

结论：本研究提出了一种使用双脑微状态的新方法，该方法包含开源代码，扩展了当前的EEG超扫描技术，能够实时测量并识别社交互动中的同步和非对称脑间状态。

引言

为了全面理解个体互动中的社会认知，有人认为仅测量单个孤立个体的神经过程是不够的。相反，应该采用第二人称的方法来捕捉个体在互动中的神经过程，以及个体之间的动态交互过程。人际和脑间机制揭示了互动伙伴之间随时间演变的社会过程的重要方面，同时也反映了更精细的协调机制。在过去的二十年里，同时测量多个个体的大脑活动(使用多人EEG、MEG、fNIRS或fMRI记录)已成为量化人际动态神经机制的一个特定趋势，并被命名为超扫描。越来越多的超扫描研究表明，当人们进行社会互动时，他们的大脑节律或活动会同步。然而，尽管超扫描已经存在了二十年，并且在标准化该方法方面做出了许多努力，但脑间分析方法仍然不够成熟，缺乏明确的标准，且主要集中在测量人们神经信号之间的同步性，对脑间同步性(IBS)背后所代表的功能意义理解还不够深入，因而受到了批评。因此，需要更具创新性的脑间方法来超越IBS，以更好地理解不同类型社会过程和互动背后的功能神经机制，同时仍能有效利用互动个体之间的同步神经记录。

在这里，本研究采用了一种新的方法来研究双脑机制，不同于常见的测量脑间功能连接的方法，后者假设互动中的两个大脑会同步并具有功能上有意义的连接模式，甚至可能因果性地促进社交互动。主要动机是能够识别神经活动模式中的时空人际不对称性，这些不对称性可能在实时社交互动中出现，但仍与个体大脑中功能相关的神经处理有关——即人们在互动中实现或支持不同社交任务、角色和互动策略的过程。不对称的互动行为可能包括在协调行动时担任领导者或追随者角色，产生互补而非模仿的动作，发起与模仿行为，或观察与被观察。脑间同步性可能仍然是这种不对称行为的基础，或者可能表现出不对称的功能连接模式，例如两个互动伙伴不同脑区之间的定向相干性。然而，具有不同角色的参与者之间可能在行动-感知耦合等方面的神经过程中存在功能相关差异，这些差异仍然知之甚少，但这将有助于更好地阐明实时社交互动的神经基础。

例如，先前的研究表明，当人们互动时会出现不对称的领导者-追随者角色，并且这些角色可以通过基于10Hz振荡的双脑EEG测量来预测。在这项研究中，参与者彼此或与计算机节拍器进行互动的手指敲击任务。当应用多变量解码技术分析双脑数据时，仅在领导者的额叶电极上捕捉到10Hz的功率，作为区分互动和非互动条件的可靠分类器。由于领导者需要抑制他们从对方听到的声音并更多地专注于监控自己的敲击，这表明抑制额叶10Hz功率可能是领导行为或增强自我监控行为的潜在神经机制。与此同时，追随者在互动和非互动条件下表现出更相似的频率功率调节，因为他们分别是在跟随对方或计算机的节奏。值得注意的是，这种神经不对称性仅在使用双脑EEG数据时才被发现，而单独分析每个个体的神经调节变化无法发现这一现象。

另一项研究调查了合作游戏中发送者和接收者之间的角色差异，研究发现发送者和接收者之间在α和低β事件相关去同步化中存在不对称性。在该研究中，参与者进行了一场合作的吃豆人游戏(Pacman Game)，其中一名参与者(发送者)以图片提示的形式向另一名玩家(接收者)发送关于正确移动方向的信息，接收者需要正确解码图片提示以朝目标移动。与发送者相比，接收者表现出更大的α/β功率下降，这可能表明接收者的认知需求更高，这与角色不对称性相符，因为接收者需要比发送者处理更多的信息。

除了在社交互动中扮演不同的角色(如领导者和追随者，或发送者和接收者)外，人们还可能采用不同的人际策略。例如，人们可能选择彼此适应作为相互追随者，或共同决定忽视对方，表现出所谓的领导者-领导者行为。在实时社交协调过程中，这些不同的人际策略已被证明会在音乐家之间出现，并且具有不同的潜在神经网络。例如，与领导者-领导者行为相比，相互适应在右侧颞顶网络中表现出更频繁的α频段锁相活动，这可能表明更大的行动-感知神经网络的激活。然而，这些差异是通过单脑分析发现的，因此尚不清楚是否存在额外的脑间不对称性。

本文通过开发一种新的双脑微状态方法来探索社交互动中的同步和不对称的神经时空机制，该方法可以应用于涉及对称和不对称任务与角色的互动条件。微状态是大脑活动的准稳定状态，这些状态已在多项研究中得到了可靠地复制，并被认为是心理处理的基本构建模块。每个微状态地形图被认为是由多个神经源的协调活动生成的，因此微状态之间的转换可以解释为大脑不同神经网络之间的切换。因此，可以通过量化微状态的时空动态来研究这些潜在的神经网络，例如通过观察微状态的平均持续时间、特定微状态相对于其他微状态的活跃趋势(覆盖率)或微状态之间的转换概率。此外，还可以估计更复杂的时间动态，例如熵、Lempel-Ziv复杂度和Hurst指数。这些微状态的动态特征可以与各种功能角色相关联，并且越来越多的研究已使用微状态来研究认知过程和临床疾病的神经机制，例如精神分裂症、阿尔茨海默病、癫痫、双相情感障碍、抑郁症、自闭症谱系障碍等。

为了评估双脑微状态的功能作用，本研究将这一新方法应用于改编镜像游戏范式的超扫描EEG数据。镜像游戏范式让成对参与者参与联合运动游戏，要求他们通过创造同步且有趣的动作来即兴运动。参与者必须通过移动滑块来产生水平手指运动，本研究操纵了参与者是否可以看到对方的手。因此，参与者在涉及对称但不一定是互动任务的一系列条件下产生了水平运动：独立运动(非耦合条件)、互动运动(耦合条件)、相似但不互动的运动，同时都与同一个预录制信号同步(控制条件)。他们还参与了两个不对称的互动条件，其中一种是一个 人被分配为领导者角色，另一个是追随者角色(领导者-追随者条件)；另一种是一个人被要求在另一个人观察下即兴执行独立运动(观察者-行动者条件)。图1展示了实验的示意图。

图1.镜像游戏设置和不同条件的概述。

此前，本研究对该数据集进行了脑内分析，并报告了在被他人观察时执行动作的独特个体行为和神经特征。Zimmermann等人(2022)的研究表明，相比于无法看到对方时，当参与者被他人观察时，他们产生的动作更慢、变化更小，但幅度更夸张，表明存在观众效应。此外，被观察者的动作在α频率范围内表现出更广泛的功能连接性，与独立运动(非耦合)和互动运动(耦合)形成鲜明对比，这可能表明自我监控和专注度增加。

为了探索不同对称和不对称互动条件下的脑间机制，本研究采用了一种新的双脑EEG微状态方法。基于先前的研究，本研究假设耦合条件下的脑间同步性会高于其他条件(尤其是非互动条件)；同时，与耦合条件相比，不对称条件(如领导者-追随者，观察者-行动者)会导致两位参与者在时空神经动态上出现更明显的不对称性，这些不对称性可以通过双脑微状态动态来捕捉。关键是，本研究比较了当微状态动态拟合到双脑而非单脑时，是否能够更好地区分不同互动条件下的脑间动态。

材料与方法

微状态分析

微状态通常在宽频带下进行估计，而Férat等人(2022)的研究表明，针对特定频段的微状态估计也具有重要的意义和价值。此外，鉴于以往文献表明α和β振荡在运动互动过程中会受到调节，本研究在α(8-13Hz)、β(13-30Hz)和宽频带(1-40Hz)频率范围内估计了微状态。单脑微状态分析使用了von Wegner和Laufs(2018)发布的开源EEG微状态Python包。简而言之，将所有个体的EEG数据沿时间轴串联，以便在所有受试者上拟合微状态并获得相同的地形图。计算全局场功率(GFP)，并使用改进的K-means算法对局部GFP最大值处的EEG地形进行聚类。本研究运行了100次K-means算法，聚类数从3到10，并使用交叉验证标准来确定最终的聚类数。通过将每个EEG时间点与已确定的微状态地形图进行最大相关性匹配，给每个时间点分配一个微状态标签，从而得到微状态序列的时间序列。估计了以下常用的微状态特征：覆盖率(微状态活跃的相对时间占总时间的比例)、持续时间(给定微状态保持稳定的平均持续时间)、出现率(微状态在一秒内出现的平均次数)、转移矩阵(从一个微状态转移到自身或另一个微状态的平均概率)和熵(香农熵)。图2展示了微状态方法的流程图。

图2.微态分析流程图。

源定位

本研究使用MNE-Python v1.3.1中实现的eLORETA方法来获取双脑微状态的皮层电流估计。FreeSurfer 6中的FreeSurfer平均脑模板用于构建边界元头模型和源建模的正向算子。正则化参数设置为λ2=1/9，并使用法线方向，即仅考虑垂直于皮层的活动部分。基于Desikan Killiany图谱，将20484个源顶点的时间序列进一步合并为68个皮层区域，方法是先通过调整顶点极性对齐，然后再对区域内所有顶点的幅值进行平均。相移可以防止在平均操作过程中极性相反的顶点相互抵消。

镜像游戏数据集

该数据集在Zimmermann等人(2022)的研究中已有详细描述。最初，招募了25对参与者参与镜像游戏范式，并同时记录了EEG。这些参与者对包括11对异性组合和14对同性组合(1对女-女，13对男-男)。其中16对是朋友/伴侣，9对在实验前并不相识，但在实验准备过程中已相互介绍认识。由于实验过程中出现技术问题以及EEG数据质量问题，有四对数据被剔除，因此最终有21对(42名参与者；26%女性；年龄在20至33岁之间，平均年龄为24.36岁)参与者数据被纳入分析。

镜像游戏是一种旨在研究两个互动个体动态的实验范式，其中两名参与者单独或与伙伴一起即兴运动。参与者被一块液晶屏幕隔开，该屏幕在非互动条件下可以关闭(图1C)，在互动条件下则开启(图1D)，从而操控参与者是否能看到彼此的运动。对方的面部和身体始终被遮挡。参与者在涉及对称但不一定是互动任务的一系列条件下进行水平运动：(1)实验开始和结束时的2分钟休息条件(屏幕关闭)，(2)16×25s的非耦合运动，参与者无法看到对方并进行独立运动(屏幕关闭)，(3)16×25s的耦合运动，参与者能够看到对方并同步运动(屏幕开启)，(4)16×25s的控制条件，参与者必须跟随屏幕上的一个点(屏幕关闭)，因此与相同的刺激互动但不与彼此互动，(5)2×8×25s的观察者-行动者条件，其中一名参与者进行即兴运动，而另一个参与者(不动)进行观察(屏幕开启)，以及(6)2×8×25s的追随者-领导者条件，每个参与者被指定一个特定角色，同时能够看到对方(屏幕开启)。实验示意图如图1所示。

运动数据分析

手指运动使用Polhemus LIBERTY记录，并按照Zimmermann等人(2022)研究中描述的方法进行预处理。为了评估每对参与者的行为表现，即他们的运动同步性，根据他们的手指位置随时间变化的数据计算了以下行为特征：互动参与者之间移动距离的差异、两者运动处于同相位的时间量(定义为相位差在10°以内)以及锁相值。使用Hilbert变换来估计每个人运动时间序列的相位。

EEG预处理

按照Zimmermann等人(2022)的描述记录EEG信号并进行预处理。简而言之，本研究使用两个同步的64通道Biosemi EEG设备，以2kHz的采样频率进行记录，随后进行1-40Hz的带通滤波，并降采样至256Hz。通过手动目视检查数据，并使用独立成分分析(ICA)去除眼动和眨眼伪迹。

结果

互动条件与更强的行为同步性相关

为了评估不同条件下的行为表现，本研究为每对参与者计算了三个运动特征，并将每个条件与主要的互动条件(即耦合条件)进行比较。基于双侧置换检验和FDR多重比较校正，不对称的观察者-行动者(p＜0.001)和领导者-追随者(p=0.047)条件的移动距离差异显著大于耦合条件(图1E)。这一差异表明，行动者和领导者的手指移动比观察者和追随者更多。互动耦合条件下表现出最大的行为同步性，即二人组手指处于相同相位的时间比例较高(图1F)以及锁相值也较高(图1G)。领导者-追随者条件其次，同相位比率略低(图1F；FDR校正p=0.029)以及锁相值相似(图1G；FDR校正p=0.62)。非社交控制条件下，参与者之间也存在行为同步性，因为参与者与相同的刺激同步，尽管与耦合条件相比，同相位比率(图1F；FDR校正p＜0.001)和锁相值(图1G；FDR校正p=0.033)显著较低。最后，非耦合条件和观察者-行动者条件下的行为同步性最小(图1F-G；FDR校正p＜0.001)，这与研究的预期结果一致。

单脑微状态动态与镜像游戏条件无关

将微状态方法应用于所有42个单脑EEG数据(这些数据经过α频率范围的滤波)，得出了五种微状态，可以解释约56%的方差(图3A)。通过α、β和宽带频率范围估算出的微状态地形图彼此非常相似，并且与以往文献中发现的静息态EEG微状态也非常相似。因此，本研究根据文献中的原型对微状态进行了分类和标记，其中微状态A表现为左-右朝向，B表现为右-左朝向，C表现为前-后朝向，D表现为额中央最大，E表现为枕中央最大。

图3.常规单脑EEG微状态分析。

计算得到的α微状态特征与镜像游戏中的不同行为条件无关，例如，五种微状态的覆盖率在所有条件下都很相似(图3B)，对于其他微状态特征(如持续时间、发生率、转移概率和熵)，也观察到了类似的结果，这表明在不同条件下，α微状态的各个特征之间没有显著差异。对于β频率范围和宽带频率范围的微状态特征，也观察到了相同的结果。

此外，微状态特征之间存在高度相关性，包括持续时间、发生率、转移概率和覆盖率。例如，微状态A的持续时间与微状态A的发生率、转移概率和覆盖率高度相关，其他微状态也观察到了相同的现象。总的来说，从镜像游戏中估算出的单脑微状态在性质上与先前描述的经典静息态微状态相似。然而，这些微状态的动态特征与镜像游戏条件之间无显著相关性。

脑间微状态的共现与镜像游戏条件无关

脑间同步性估计(定义为在同一时间点上相同微状态的共现)也未显示出与镜像游戏条件相关的差异，特别是在α微状态的覆盖率方面(图4；最低未校正p=0.20，最低FDR多重检验校正p=0.99，双侧置换检验)。在其他α微状态特征(如持续时间、发生率、转移概率和熵)上也观察到了类似的结果：脑间微状态特征与镜像游戏条件之间无显著关联(最低未校正p=0.11，最低FDR校正p=0.98)。对于β微状态(最低未校正p=0.02，最低FDR校正p=0.86)和宽带微状态动态(最低未校正p=0.06，最低FDR校正p=0.98)，也未观察到脑间微状态动态与镜像游戏条件之间的关联。

图4.微状态的脑间同步。

双脑微状态动力学受非对称镜像游戏条件的调节

由于在二人组之间，全局神经活动有时可能偶然出现相似的模式(无论是锁时还是时移)，本研究通过放宽处于完全相同微状态这一限制，提出了一种限制较少的脑间同步性定义。这种方法就是本研究中所说的双脑微状态，该方法旨在捕捉二人组中可能不同但随时间共现的潜在人际神经活动状态。

当将微状态分析扩展到同时记录的21对参与者的EEG数据时，确定了八种双脑α微状态(图5A)。每种双脑微状态都包含一个参与者的特定地形图和同一时刻另一参与者的对应地形图。为了将其与单脑微状态区分开来，本研究在其字母和数字前添加了一个“d” (双脑)前缀来表示参与者，例如dB1表示参与者1的双脑微状态B。在对称试次中，参与者编号并不重要，但在不对称试次中，本研究将观察者(在观察者-行动者条件下)或追随者(在领导者-追随者条件下)始终视为参与者1(图5A顶部)。因此，行动者或领导者始终视为参与者2(图5A底部)。这样做是为了确保在处理不对称试次时，其效应不会因对不对称性的平均处理而被抵消。

图5.双脑EEG微状态分析。

值得注意的是，双脑α微状态也与传统发现的单脑静息态EEG微状态非常相似，其中dA1、dB1、dC1和dD1类似于单脑微状态A、B、C和E，而dE2、dF2、dG2、dH2和dC2也分别类似于A、B、C、E和E。其余的地形图则更加多变，没有那么明确的划分。对双脑微状态地形图的进一步研究发现，dA2、dB2、dC2和dD2的绝对值非常接近0，dE1、dF1、dG1和dH1亦是如此，表明这些地形图反映了任意的平均神经活动。换句话说，如果某个时间点被标记为dA、dB、dC或dD，则参与者1具有与四种传统静息态微状态之一相对应的全局大脑活动模式，而参与者2则具有非特异性的大脑活动模式。对于标记为dE、dF、dG和dH的时间点，情况则相反，参与者2处于传统静息态微状态之一，而参与者1具有非特异性的活动模式。

有趣的是，与对称条件相比，非对称条件下的双脑α微状态动态显示出明显的差异(图5B)。与主要的对称条件(即耦合互动)相比，本研究通过使用双侧置换检验和FDR多重比较校正观察到，在观察者-行动者条件下，dA(p=0.045)和dB(p=0.008)显著较高，而dE(p=0.045)、dF(p=0.045)和dG(p=0.040)显著较低。对于领导者-追随者条件，也观察到了相同的变化趋势(尽管在多重比较校正后不显著)，其中dB(未校正p=0.06，FDR校正p=0.304)和dC(未校正p=0.036，FDR校正p=0.208)的均值较高，而dF(未校正p=0.166，FDR校正p=0.554)和dG(未校正p=0.126，FDR校正p=0.457)的均值较低。在观察者-行动者条件下，α频率范围内的持续时间(最低FDR校正p=0.008)、出现率(最低FDR校正p=0.008)和转移概率(最低FDR校正p=0.013)在经多重比较校正后仍存在显著差异。

当双脑微状态在β频率范围内进行拟合时，所确定的微状态也与传统的单脑微状态相似，其中dA1、dB1、dC1和dD1以及dE2、dF2、dG2、dH2分别类似于每个参与者的单脑微状态A、B、C和D。然而，在不同的行为条件下，双脑β微状态特征未观察到显著差异(最低未校正p=0.04，最低FDR校正p=0.97)。在宽带频率范围内拟合的双脑微状态也观察到了类似的结果，其地形结构与每个参与者的单脑微状态地形结构相似，但未观察到与不同行为条件相关的差异(最低未校正p=0.02，最低FDR校正p=0.83)。

本研究还估算了与微状态复杂性相关的两个特征：双脑微状态的熵和长程时间相关性。在三个频率范围内，熵在不同镜像游戏条件下的差异不显著(最低未校正p=0.34，最低FDR校正p=0.93)。与主要耦合条件相比，静息条件在所有三个频率范围内的长程时间相关性更高，而未耦合条件在β和宽带频率范围内也具有更高的长程时间相关性，并且控制条件和观察者-行动者条件在β频率范围内的长程时间相关性也高于耦合条件(所有FDR校正p＜0.01)。

双脑微状态的源定位

为了确定每种双脑微状态的潜在皮层神经源，本研究将eLORETA方法应用于微状态地形图。由于从三个频率范围获得的地形图高度相似，因此仅展示了双脑α微状态(图6)。本研究发现，与四种传统静息态微状态相对应的皮层神经源在一对参与者之间表现出相似的分布。双脑微状态主要由以下皮层脑区的神经活动生成，来自左颞/顶叶和后扣带回区域的dA1/dE2；右颞/顶叶和后扣带回区域的dB1/dF2；左颞和后扣带回区域的dC1/dG2；额叶、前扣带回和左侧枕叶区域的dD1/dH2。

图6.八种双脑α微状态及其对应的eLORETA皮层活动。

结论

综上所述，双脑微状态为识别实时社交互动中的同步与非对称时空脑间状态提供了一种新的方法。在这里，本研究展示了双脑微状态受非对称互动的调节，且这种调节并非由互动本身驱动，而是由任务中的非对称性所引起。为了进一步验证该方法，未来的研究可以将该方法应用于其他行为任务，尤其是在这些任务中，非对称行为既可能是指令性的(有意的)，也可能是自发的。此外，该方法具有较好的可扩展性，因此可以利用多脑微状态来研究群体互动背后的神经机制。

参考文献：Qianliang Li, Marius Zimmermann, Ivana Konvalinka, Two-brain microstates: A novel hyperscanning-EEG method for quantifying task-driven inter-brain asymmetry, Journal of Neuroscience Methods, Volume 416, 2025, 110355, ISSN 0165-0270, https://doi.org/10.1016/j.jneumeth.2024.110355.

小伙伴们关注茗创科技，将第一时间收到精彩内容推送哦～