简介：Microstate EEGlab工具箱是一套基于EEGLAB平台的MATLAB微状态分析插件，面向脑电、认知神经科学及精神疾病研究者。它将静息态EEG中约40—80毫秒的短暂稳定拓扑模式划分为A/B/C/D等类型，支持微状态自动分段、全局解释方差计算、拓扑拟合、时间-状态图绘制，以及持续时间、出现频率、转换概率等统计比较，便于揭示大脑功能网络的动态变化。压缩包共68个文件，以67个.m脚本为主，另有1个README说明，整包约229KB；目录按Microstate0.2、0.3、1.0和MST1.0等版本模块组织，可对照不同阶段的功能差异，也便于逐模块阅读算法实现。目前已有2286人学习下载，适合具备EEGLAB基础、希望将微状态分析接入现有预处理流程的中高级研究者。通过分段、拟合、统计、绘图等函数，可快速完成从数据导入到结果可视化的完整分析链路，也适用于抑郁症、自闭症、阿尔茨海默病等脑网络异常以及意识、注意、记忆等认知研究。 做静息态脑电分析这几年，我最常被学生和同行问的一句话是：几十个被试、上百万个时间点，你怎么把数据讲成一个能写进论文的故事？我的回答里总少不了一个东西——Microstate EEGlab工具箱。它不是官方插件，但如果你做静息态EEG、想从时域频域之外再找一个干净利落的分析角度，这个工具箱基本是绕不开的。它把高维脑电信号压缩成几幅地形图，再算出一串时间参数，整个过程全部跑在EEGlab里，不用导出到别的软件，预处理完直接就能接着做，省掉大量来回倒腾数据的麻烦。
这篇文章不只讲怎么下载、点哪里，我会把从安装到出结果的标准流程拆开讲，包括为什么某些步骤必须这么做、参数怎么选才不被人审稿人挑刺，以及我踩过几次坑之后总结出来的“千万别这么干”清单。适合心理学、认知神经科学、生物医学工程方向的学生，也适合手里已经有一批静息态数据、想换种方式挖掘价值的研究者。
1. 先搞懂微状态：为什么静息态脑电需要这个工具箱
1.1 微状态不是玄学：几个地形图讲清楚大脑状态
微状态的核心思想特别像看电影：一部两个小时的电影，场景数量其实有限，镜头就在这些场景之间切换。静息态脑电也一样，表面看是连绵不断的波形，但实际上全脑电场会短暂地停留在某几个稳定的空间构型上，每个构型维持几十到一百多毫秒，然后跳变到下一个构型。这些“稳定的空间构型”就是微状态，也就是你打开EEGlab看到的那几幅地形图。
为什么要看地形图而不是某一两个电极的波形？因为微状态看的是全脑电场分布的整体模式。某个电极的波形受参考电极影响很大，换了参考，波形可能完全变样，但全脑地形图的空间形态相对稳定。这也是微状态分析在静息态研究里特别好用的原因：你在不同被试、不同组别之间比较的，是大脑在“哪个状态里停留更久、切换频率如何、按什么顺序切换”，而不是某根电极上那点电压涨落。
这套思路最吸引我的一点是，它把脑电从连续波形变成了一系列离散状态标签，后面接统计时非常清爽。比如你可以直接说“抑郁症组在状态C上的覆盖率显著低于对照组”，这句话审稿人一看就懂，比描述“额区theta功率下降”更直观。
1.2 为什么选EEGlab插件而不是CARTOOL或Python
市面上能做微状态分析的工具不止这一个。CARTOOL是很经典的老牌工具，微状态分析功能也全，但它的界面逻辑比较老，数据加载、预处理还得先在别的软件里做完再导进去，流程上有点绕。Python那边也有MNE生态里的微状态扩展，适合喜欢脚本化、批量处理的人，但对不熟Python的研究者来说，光是装环境、学数据结构就够劝退一批人了。
Microstate EEGlab工具箱则是在EEGlab的框架里长出来的。EEGlab本来就有成熟的预处理生态，滤波、重参考、坏导剔除、ICA去伪迹一套做完，数据可以直接喂给微状态工具，不用来回转换格式。菜单操作对新手友好，又保留了脚本接口，等你想做批量处理时也能写循环跑完整个文件夹的数据。对我这种带学生的人来说，最方便的是整个分析流程可以在一台电脑同一个软件环境里复现，学生之间交接数据基本没有门槛。
2. 安装与前置准备：从下载到跑通只要10分钟
2.1 环境要求：Matlab和EEGlab版本怎么选
这个工具箱是在Matlab环境里跑的，所以你的电脑至少得有一套能正常运行的Matlab。版本上不要用太老的，R2017b以下容易遇到兼容问题，我建议直接用R2020a以上，后面跑批处理或者打开大文件时会稳妥很多。EEGlab版本建议2021.0以上，新版EEGlab对插件目录的识别更友好，菜单刷新也更快，旧版有时候装了插件还得手动去Set Path里加路径，容易出幺蛾子。
另外提醒一句，操作系统本身没什么限制，Windows、macOS、Linux都能跑。但文件名和路径别带中文，也不要带空格，工具箱在读取文件路径时不认中文路径，这一条很多人在第一次安装时就踩了，卡住半天不明所以。
2.2 插件安装步骤与路径检查
安装步骤其实很简单，但有几个细节会影响你后面能不能顺利找到入口，我按顺序拆一下：
- 先把下载到的压缩包解压，找到里面真正的工具箱文件夹。有些压缩包解压后有两层同名目录，比如
MicrostateEEGlab1.0/MicrostateEEGlab1.0，这种情况下要把内层那个文件夹复制出来。 - 把文件夹整体复制到EEGlab的
plugins目录下。如果你不确定EEGlab装在哪里，在Matlab命令行运行which eeglab，返回的路径就是EEGlab的安装位置，plugins就在同级目录下。 - 文件夹命名建议保持简洁，不要带
-或#这类特殊字符。我习惯命名为MicrostateEEGlab1.0，这样在插件菜单里显示清晰，也不会因为名字问题导致加载失败。 - 重启EEGlab。启动后菜单栏的
Tools下方会出现Microstate相关入口，这就是工具箱的主界面入口。
装完之后最好再验证一下：在Matlab命令行输入which pop_micro_cluster，如果能返回文件路径，说明工具箱已经被正确加载；如果提示找不到，多半是文件夹层级放错了或者Matlab没把EEGlab路径保存进搜索路径。这时候重新启动一下Matlab，或者在命令行运行eeglab让它在启动时自动刷新路径，一般就能解决。
3. 核心实操：完整微状态分析流程与关键参数
3.1 预处理：决定成败的第一步
很多拿到数据就急着跑聚类的人，最后都会回过头来补预处理。微状态分析的输入是干净的数据，如果数据里有明显的眨眼、肌电、坏导，聚类出来的地形图就会把这些伪迹当成“状态”，后续结果完全没法解释。我自己通常按这个顺序做：
- 滤波：带通滤波取0.5到45Hz。下限0.5Hz是为了去掉基线漂移，上限45Hz是为了把肌电等高频噪声压下去。但要注意，滤波上限不要设太低，有些被试的alpha峰在10Hz附近，如果你用30Hz低通反而没问题；可如果滤波上限放在20Hz，某些个体峰值地形图会被削平，影响后面的聚类形态。
- 重参考：建议统一重参考为平均参考。微状态地形图本身是相对分布，参考选择会改变每个电极上的电压值，从而影响地形图形态。平均参考是目前研究报告里最常见的做法，审稿人也认可。
- 坏导与坏段：先看每个通道的方差和功率谱，把明显有问题的通道剔除或插值。静息态数据里如果有大段漂移、接触不良引起的方波样信号，直接在数据里标记为坏段，不要让它们混进聚类样本。
- ICA去伪迹：用ICA识别眨眼、心电、水平眼动等成分，确认后再从数据中移除。这一步非常关键，因为眨眼成分的投影在全脑地形图上特别“有规律”，聚出来的状态里很可能混入一个“眨眼状态”，到时候你会看到一幅前额梯度特别大的地形图，那基本就是伪迹没清干净。
预处理的总原则是：别怕麻烦，宁可多花半小时清理数据，也别让一个坏数据点污染整个批次的聚类结果。我的习惯是预处理完先画一遍每个被试的功率谱和叠加地形图，肉眼确认没有明显异常再进入下一步。
3.2 提取GFP峰值地形图
GFP全称Global Field Power，翻译成全局场强，计算方式就是每一时刻所有电极电压的空间标准差。它的物理含义是“全脑电场在这一时刻的整体强度”。GFP高的时刻，意味着全脑电场构型清晰、信噪比高；GFP低的时刻，往往是状态切换的过渡段，地形图模棱两可，聚类意义不大。
所以标准流程是：先算全时段的GFP曲线，然后找到每个局部峰值点，把这些峰值时刻对应的地形图作为聚类分析的输入样本。这样做有两个好处，一是大幅减少数据量，不用对上百万个时间点全部聚类；二是确保聚类看到的都是“信号最清晰”的地形图，提高聚类稳定性。这个步骤在工具箱里通常是一键完成的，你只需要确认GFP曲线的参数设置，比如峰值间最小间隔，一般用默认值就行。
这里有个容易忽略的细节：如果某个被试的数据里残留了伪迹，GFP峰值会很密集且幅度异常高。我在第一次跑被试数据时，会先画出GFP曲线扫一眼，看到异常尖峰就回到原始数据检查，绝大多数时候能揪出没清干净的眼电或肌电段。
3.3 聚类：K值怎么选，算法选AAHC还是k-means
聚类这一步是微状态分析的核心，也是问得最多的部分。工具箱通常提供两种聚类算法：k-means和AAHC（Topographic Atomize and Agglomerative Hierarchical Clustering）。k-means实现简单、速度快，但结果受初始聚类中心随机性影响较大；AAHC是层次聚类的一种改进，不需要预先随机初始化，稳定性更好，更适合地形图聚类这种样本间高度相关的场景。
聚类数K的选择没有绝对标准，大部分静息态研究用4到6个状态，具体看你的研究问题。别直接拍脑袋定一个数，工具箱一般会提供K从2到10的聚类结果，然后用以下几个指标辅助判断：
- GEV（Global Explained Variance）：全局解释方差，表示聚类出来的几个模板能解释多少原始数据的地形图方差。K越大，GEV必然越高，但增幅会逐渐变缓，找那个“增幅开始变缓”的拐点。
- CV（Cross-Validation）：交叉验证指标，越小越好，用来衡量模型的泛化表现。
- AIC或BIC：信息准则类指标，同样是越小越好，但要注意它们对样本量敏感，在脑电数据里只能作参考。
我的操作习惯是：先跑K=2到10，把GEV曲线和CV曲线画出来，看拐点；再结合文献里类似被试群体的常用K值做决定。比如静息态健康被试，K=4是经典配置，很多经典文献都在用；但如果你发现K=4时GEV明显偏低，或者聚类出来的地形图看起来像两个状态被强行合并，那就试试K=5或6。聚类质量的最终标准是：每一幅模板地形图在生理学上都能解释，比如对应视觉网络、默认模式网络、注意力网络等已知静息态网络，而不是出现一个看起来像噪声的乱七八糟地形图。
3.4 回溯拟合与组水平模板匹配
聚类只在GFP峰值时刻进行，得到的是K个模板地形图。但论文里需要的指标——覆盖率、持续时间、转换概率——是针对整个时间段来算的。所以下一步是把每个时间点分配到最相似的模板上，这个过程叫回溯拟合或back-fitting。分配规则很简单：把当前时刻的地形图与每个模板做空间相关，相关度最高的那个模板就是当前时刻的状态标签。这里有个极其重要的细节：地形图乘以-1后的空间相关反而是完全负相关，但从微状态理论角度看，极性反转通常不被视为不同状态，因为脑电场的方向取决于参考和偶极子方向，并不是状态本质不同。所以拟合时必须允许极性反转，也就是在计算相关时取绝对值，或者对模板和当前地形图做极性归一化后再比较。如果这一步没做对，你会看到同一被试在相邻时间点上状态标签疯狂跳变，一会儿状态A一会儿“负的A”，统计结果根本没法解释。
组水平分析还有一个额外步骤：把每个被试的K个模板与组平均模板做空间相关匹配，对标签重新排序。因为每个被试独立聚类出来的标签序号是任意的——被试1的“状态1”可能和被试2的“状态3”才是同一个生理状态。如果不做这一步就合并统计，等于把苹果和橘子按序号排在一起，结果必然失真。很多新手栽在这里，跑完统计发现组间差异巨大但地形图长得完全不像同一套状态，就是因为漏了标签匹配。
3.5 统计指标导出：duration、coverage、transition
拟合完成之后，工具箱会帮你算出每个微状态的时间参数。最常用的四类指标是：
- 覆盖率（Coverage）：某个状态占总时间的百分比。
- 出现次数（Occurrence）：单位时间内该状态出现的频率。
- 平均持续时间（Duration）：每个状态单次持续的平均毫秒数。
- 转换概率（Transition Probability）：从状态A切换到状态B的概率。
这些指标可以直接导出到Matlab工作区或CSV文件，后续接到SPSS、R或者Python里做组间比较。做统计时注意一点：覆盖率、持续时间和出现次数通常不满足正态分布，特别是持续时间数据明显正偏，建议用非参数检验（Mann-Whitney U或Wilcoxon符号秩检验），或者做对数变换后再用参数检验。转换概率因为存在“从A到B”和“从A到C”的竞争关系，还要考虑归一化方式，工具箱导出的通常是按行归一化的概率值，直接比较不同组别的行向量时要注意多重比较校正。
我自己的批处理脚本会让工具箱把每个被试的指标统一写到一张表里，一次跑完全部被试再导一次，避免手动记录出错。不过这里提醒一句，脚本化时函数名和参数列表跟不同版本可能略有差异，建议先用单个被试跑通菜单操作，确认参数没问题再写循环。
4. 常见问题与排查技巧实录
4.1 聚类结果不稳定，同一数据两次结果不一样
这是我被问得最多的问题之一。原因通常出在k-means的随机初始化上。你用的算法是k-means，每次聚类中心初始值不一样，最后收敛到的局部最优可能不同，所以两次跑出来的地形图形态会有差异。
解决办法很简单：一是改用AAHC，它的层次聚类过程确定性更强；二是如果必须用k-means，在参数设置里固定随机种子，或者把迭代次数调大。工具箱的聚类参数里一般有相关选项，设成固定种子后，同一条数据多次运行结果应该完全一致。注意，固定种子跑出来的结果才是可复现的，这也是论文里被审稿人要求补充的重要细节。还有一个隐蔽原因：聚类输入的GFP峰值样本质量太差。如果数据里残留伪迹或坏导，峰值点数量少、形态杂乱，聚类结果自然不稳定。这种情况先回头清理数据，别指望调参数能救回来。
4.2 状态极性翻转，模板怎么对齐
跨被试做微状态统计时，经常发现同一个状态在两个被试模板上形态一样，但颜色红蓝对调，也就是极性完全相反。这是正常的，因为聚类在匹配模板时已经对极性做了归一化，但不同被试的数据经过ICA、重参考等步骤后，极性可能整体翻转。严格来说，地形图乘-1不改变空间相关性，所以这两个模板应该视为同一个状态。
处理办法是在回溯拟合时勾选“允许极性反转”选项，并在组水平模板匹配时同样考虑极性。具体来说，匹配时计算空间相关后取绝对值，如果两个模板的负相关比正相关更强，就说明它们实际上是同一个状态，只是极性对调。匹配完成后，建议手动检查一遍每对被试模板和组模板的地形图，确认没有把真正不同的状态强行合并。这步肉眼检查虽然费点功夫，但比单纯相信自动匹配结果要可靠得多。
4.3 批处理脚本一跑就崩，中断以后如何恢复
批量处理几十个被试时，脚本出错几乎是必然的，原因五花八门：某个被试的set文件路径里带了中文、某个被试的通道数跟别人不一样、某个被试的坏段导致GFP峰值数量不足、某个被试数据时长太短无法聚类。如果脚本里没有任何保护机制，跑到第27个被试突然报错退出，前面26个白跑，心态直接崩。
我的做法是两层保护：第一层在每个被试循环外包裹try-catch，出错时把被试文件名和错误信息写进日志，然后continue到下一个被试；第二层是每处理完一个被试就保存一份带拟合结果的set文件，这样后面分析阶段即使某个被试出问题，我只需要重新跑那一个，不需要全部重来。还有一个看起来笨但特别有效的方法：批处理之前先用两三个被试试跑一遍完整流程，确认菜单参数和脚本参数完全一致，再放开跑全量数据。实测下来，这个预检查能帮我避开至少一半的批处理错误。
| 常见问题 | 可能原因 | 解决方法 |
|---|---|---|
| 聚类结果两次跑不一样 | k-means随机初始化 | 固定随机种子，或改用AAHC |
| 状态模板极性对调 | 不同被试极性翻转 | 拟合时允许极性反转，匹配时取相关绝对值 |
| 某个被试聚类失败 | 数据太短、坏导过多、伪迹残留 | 检查数据质量，延长记录时间，清理伪迹 |
| 批处理中途报错 | 路径、通道数、文件格式不一致 | 用try-catch记录日志，逐被试保存结果 |
| 统计结果地形图对不上 | 没有做组水平标签匹配 | 用组模板做空间相关匹配后重排标签 |
5. 写在最后：我最想提醒的三件小事
做微状态分析这几年，我最深的体会是：预处理和标签匹配这两步，占了整个分析工作量的八成。聚类参数反而不是最费神的，因为默认参数加一两次调整基本够用。第一件小事，永远保留原始数据和中间文件，每个阶段命名清晰，因为你可能隔了两个月回来看结果，那时候你会感谢自己当初没图省事直接覆盖。第二件小事，论文里报告分析方法时，把工具箱版本、聚类算法、K值选择依据、允许极性反转、标签匹配方式都写清楚，审稿人最常追问的就是这些细节。第三件小事，如果你要把微状态指标和其他指标（比如功率谱、功能连接）做相关，建议先做多重比较校正，微状态指标之间本身存在相关性，直接一堆相关矩阵跑下来，假阳性会很多。
最后分享一个小技巧：组水平分析时尽量用全部被试的GFP峰值地形图聚出一个组平均模板，然后再用这个模板去拟合每个被试的全时段数据。这样所有被试的状态标签来自同一套模板，组间比较才公平，结果也更干净。我自己现在所有项目都按这个流程跑，很少再被“标签对不上”之类的问题纠缠。
本文还有配套的精品资源，点击获取
