在EEG领域，我们通常会进行的一些分析，可以参考以下这张图。
今天，我在网络上看到一个公众号分享的一篇文章，《分享三个我个人非常受用的能力》，里面阐述的观点，我非常认可，好像不论学习做任何事情，这三个能力都应该增强——信息搜索能力、信息整合能力以及信息表达能力。
今天也是展示我信息搜索能力的时候了，hhh。
对于学习EEG微状态知识来说，我也是半理解的，在之前也分享过一篇文章《EEG微状态分析学习资料》里面阐释了做EEG微状态使用到的软件。因此，特意的再整合一篇关于EEG微状态的学习资料，以供我慢慢的消化掉。
EEG微状态表示的是头皮电位上的空间分布如何随时间变化的动力学视图，也即是由头皮上的多通道电极记录的地形图状态来定义的，在这些地形图变化的过程，地形图在80-100ms内是保持稳定的。
传统的分析方法是通过上面的频域分析或小波的时频分析来查看EEG数据中隐藏的时间-频率的结果，微状态的分析是提供了另一种思路来阐述EEG数据的隐藏信息，采用动态系统方法，根据时间状态和地形图动态来阐述。时间状态指的是在任何给定的时间窗口内来描述动力学系统所需的最小变量数，而动力学描述状态是如何随时间变化而变化的。
一篇EEG微状态的经典文献，不可不读。
Khanna, A., Pascual-Leone, A., Michel, C. M., & Farzan, F. (2015). *Microstates in resting-state EEG: Current status and future directions. Neuroscience & Biobehavioral Reviews, 49, 105–113.* doi:10.1016/j.neubiorev.2014.12.010
解析中文版：https://zhuanlan.zhihu.com/p/81500705
Michel, C. M., & Koenig, T. (2018). EEG microstates as a tool for studying the temporal dynamics of whole-brain neuronal networks: a review. Neuroimage, 180, 577-593.
微状态分析中的重要概念----GFP
GFP（Global Field Power）：某个时间点地形图所有电极电压值的标准差，用于描述某个地形图电场的强度。它简单地表示为给定时间点内平均参考电极值的均方根。
如何从GFP最大值定义微状态？
给定各种各样的地形图，我们如何找到一组导致数据差异最大的地图？解决此问题的一种方法是使用聚类方法，并且可以使用几种聚类算法，例如K-means, ICA, PCA, K-Mediods and agglomorative hierarchical clustering (AAHC)等，对于这几个聚类算法的介绍可参考文章《微状态Ⅰ-原理》，同时感谢作者的付出。
文献：
Von Wegner, Frederic, Paul Knaut, and Helmut Laufs. “EEG microstate sequences from different clustering algorithms are information-theoretically invariant.” Frontiers in computational neuroscience 12 (2018): 70.
EEG微状态应用的EEG和ERP的不同，微状态常见于分析Rest EEG数据，这样的数据不需要考虑极性的问题，对于ERP数据是叠加平均后的数据，往往是确定了ERP成分后再查看其状态。
操作部分：
对于操作部分，现在主要使用的两个软件，EEGLAB和cartool，对于EEGLAB中的microstates插件可查看之前的文章获取视频教程及插件，《EEG微状态分析学习资料》；
对于cartool可参考文章《微状态Ⅱ-操作篇》
