さまざまなクラスタリングアルゴリズムからのEEGマイクロスタートシーケンスは、情報の理論的に不変です

5つの異なるクラスタリングアルゴリズムのレンズを介して見られるように、EEGマイクロスタート配列の統計的および情報理論的特性を分析します。マイクロステートシーケンスは、覚醒休息中にn = 20の安静状態EEG記録に対して計算されます。すべてのクラスタリングアルゴリズムの入力は、空間分散の局所的な最大で得られたEEG地形マップのセットです。このデータセットは、2つの古典的なマイクロスタートクラスタリングアルゴリズム（1）アトマイズおよび凝集式階層クラスタリング（AAHC）と（2）修正k-meansアルゴリズム、および（3）K-メドイド、（4）主成分分析（PCA）および（5）ファースト独立成分（Fast-ica）によって処理されます。この手法を使用して、EEG地形は、空間的相関に基づいて競争力のあるフィッティングによりマイクロスタートラベルを置き換えることができ、象徴的な非メトリック時系列であるマイクロスタートシーケンスをもたらします。静的および動的特性を含む、マイクロスタートの地形と記号時系列は、統計的にさらに分析されます。静的特性は、マイクロステートシーケンスの時間的依存性に関する情報を含まない、テストされたクラスタリングアルゴリズム内およびテストされたクラスタリングアルゴリズムの間のマイクロステートマップの最大類似性、グローバル説明分散、およびマイクロステートシーケンスのシャノンエントロピーが含まれます。動的特性は、シンボル間の時間的相関に敏感であり、マイクロステート遷移マトリックスの混合時間、マイクロステートシーケンスのエントロピー速度、および自己情報関数の最初の12の最大値の位置が含まれます。また、遷移マトリックスの時間的定常性であるマイクロステートシーケンスのマルコフ特性をテストし、時間帯の相互情報を使用して周期性を検出します。最後に、マイクロスタート配列の可能性のある長距離相関は、ハースト指数推定を介して評価されます。静的特性はクラスタリングアルゴリズムのプロパティを部分的に反映していますが、情報理論量は、使用されるクラスタリング方法に関してほとんど不変であることがわかります。各クラスタリングアルゴリズムには、計算速度、実装の容易さ、決定論対確率論、理論的基盤の独自のプロファイルがあるため、我々の結果は、異なるアルゴリズムから得られた結果の自由な選択と比較可能性に関する肯定的なメッセージを伝えます。これらの量の不変性は、テストされた特性が、安静時の脳波誘導マイクロスタート配列のアルゴリズムに依存しない固有の特徴であることを意味します。

We analyse statistical and information-theoretical properties of EEG microstate sequences, as seen through the lens of five different clustering algorithms. Microstate sequences are computed for n = 20 resting state EEG recordings during wakeful rest. The input for all clustering algorithms is the set of EEG topographic maps obtained at local maxima of the spatial variance. This data set is processed by two classical microstate clustering algorithms (1) atomize and agglomerate hierarchical clustering (AAHC) and (2) a modified K-means algorithm, as well as by (3) K-medoids, (4) principal component analysis (PCA) and (5) fast independent component analysis (Fast-ICA). Using this technique, EEG topographies can be substituted with microstate labels by competitive fitting based on spatial correlation, resulting in a symbolic, non-metric time series, the microstate sequence. Microstate topographies and symbolic time series are further analyzed statistically, including static and dynamic properties. Static properties, which do not contain information about temporal dependencies of the microstate sequence include the maximum similarity of microstate maps within and between the tested clustering algorithms, the global explained variance and the Shannon entropy of the microstate sequences. Dynamic properties are sensitive to temporal correlations between the symbols and include the mixing time of the microstate transition matrix, the entropy rate of the microstate sequences and the location of the first local maximum of the autoinformation function. We also test the Markov property of microstate sequences, the time stationarity of the transition matrix and detect periodicities by means of time-lagged mutual information. Finally, possible long-range correlations of microstate sequences are assessed via Hurst exponent estimation. We find that while static properties partially reflect properties of the clustering algorithms, information-theoretical quantities are largely invariant with respect to the clustering method used. As each clustering algorithm has its own profile of computational speed, ease of implementation, determinism vs. stochasticity and theoretical underpinnings, our results convey a positive message concerning the free choice of method and the comparability of results obtained from different algorithms. The invariance of these quantities implies that the tested properties are algorithm-independent, inherent features of resting state EEG derived microstate sequences.