自我产生（self-generated）的认知的时间结构是有意义的意识流形成的关键属性。当我们休息时，我们的思想在不同的精神状态下从一个思想游荡到另一个思想。尽管正在进行的心理过程非常重要，但要捕捉这些状态并将其与特定的认知内容联系起来仍是一项挑战。在这项研究中，我们使用超高场功能磁共振成像(fMRI)和高密度脑电图(EEG)来研究被试在22秒的时间内回忆自我相关的过去事件时的持续思维。研究人员将这些由任务发起、参与者驱动的活动模式与一种截然不同的情况进行了比较，在这种情况下，参与者进行了一系列心算操作，从而从与自己相关的想法转变为与自己无关的想法。与心算条件相比，BOLD活动显示，在记忆过程中，颞叶、顶叶和枕叶区域的活动选择性增强，表明它们在记忆提取过程中将重新经历的过去事件整合到意识表征中。功能连接分析表明，这些区域被组织在两个主要的子系统，之前的研究发现其与场景重建（scene-reconstruction）和自我体验（self-experience）子系统相关。脑电图微状态分析通过确定稳定头皮电位场短暂时期的时间动态，允许在毫秒范围内研究参与者驱动的思想。这一分析揭示了特定微状态在记忆和心算条件下的发生率（occurrence）和持续时间（duration）的选择性调节。脑电图源分析显示，这些微状态的来源与fMRI识别的区域具有相似的空间分布。这些发现暗示了与特定心理活动相关的区域的BOLD活动变化与心理活动的时间动态之间的功能联系，并支持了越来越多的证据，即特定的fMRI网络可以被脑电图捕捉到反复出现的短暂整合一致的神经元活动，只持续毫秒级时间。本文发表在Neuroimage杂志。温故而知新，建议结合以下相关文章解读阅读（直接点击，即可浏览）：
动态功能脑网络状态中的EEG特征
脑电静息态脑网络：微状态源定位
自发的心理状态既不是随机的，也不是没有意义的，但是如何准确地捕捉到游移的思维，并将其归结为具体的认知思维，目前还不清楚。功能磁共振成像(fMRI)和脑电图(EEG)研究以前主要通过扫描后的问卷调查间接地将静息状态活动与认知过程联系起来，或者通过询问参与者在自发心理状态中正在进行的想法。通过比较自我报告的想法和由实验任务引发的想法所形成的大规模网络的空间分布，我们发现了惊人的相似性，这导致对静息时自发心理活动的内容以及静息状态网络(RSN)与认知网络的关系进行了广泛的讨论。之前的时间分辨（time-resolved）的fMRI研究表明，RSNs会自发地在空间和时间重叠的相关性中波动，表明静息状态活动的时间动态不是固定的，而是划分成不同的时期。这一观察证实了普遍的概念，即自发的心理活动是不连续的，并被解析为一系列表现出神经元活动的离散时空模式的意识状态。然而，尽管动态的静息态功能神经成像有了很大的进展，但神经元活动的延迟和缓慢的血流动力学反应限制了功能磁共振成像方法捕捉这些状态。的确，为了有效地执行心理过程，大规模的网络必须在亚秒的时间尺度上动态地重新组织。脑电微状态分析可以研究大规模神经网络的快速时间动态，及时获取自发心理活动的功能组织信息。脑电图微状态反映了持续约100毫秒的连贯的神经元活动的短暂时期。以往的研究表明，脑电图微状态的发生、持续时间和顺序决定了自发心理活动的性质，表征了意识心理过程的基本组成部分。因此，脑电图微状态是将持续的精神活动分割为短暂持续的大脑状态的电生理学表现。只有少数研究试图将脑电图微状态与特定的认知过程联系起来。且这些研究都没有将脑电图微状态直接与fMRI在相同过程中观察到的潜在大脑网络进行比较。最近的研究探索了基于任务发起的自发活动的新颖实验设计，参与者被要求自由思考，但对他们应该关注的想法有具体的指示。例如，Axelrod及其同事(2017)最近的一项fMRI研究探索了任务发起的自我生成处理，以区分在内部心理状态中工作的不同大脑过程。这项研究表明，在自我生成加工过程中，默认模式网络(Default Mode Network, DMN)占主导地位，但与心理体验类型（想象未来/过去，情景记忆，移情）无关。随后，作者将这种激活模式与大脑对特定认知任务(即自我参照加工、场景重建和语言相关加工)的反应进行了比较，发现DMN的不同部分与这些任务相关的网络存在相关。这些观察结果表明，不同的认知过程在内部思维过程中被激活。这项研究的总体目标是及时捕捉这些不同认知过程的发生，使用超高场7T fMRI和高密度64导EEG，采集BOLD信号和EEG信号。超高场功能磁共振成像的使用特别是为了提高检测灵敏度和空间特异性之间的权衡，这对于捕捉空间封闭的大脑区域(如DMN的子区域)的活动差异尤其重要。研究人员记录了15名健康的参与者的自发状态(以下称为静息状态)，以及还有闭眼22秒的时间内的重复思考的情况，其中一种是与短暂呈现的图像相关的情景性自我相关记忆(记忆状态)，另一种是算术计算(数学状态)。与需要工作记忆和将注意力引导到自我之外的认知任务一致，我们选择数学条件作为控制条件，以便选择去激活区，但在自传情景记忆提取中变得活跃的区域。这个实验设计如下：实验数据记录过程由不受干扰的、被试主体驱动的心理状态主导，但仍保持在某一已知的认知状态(记忆、数学计算或静息)中几分钟。这使我们能够使用更典型的类似于静息状态fMRI研究的技术，使我们能够研究在多个特定大脑区域的BOLD活动和功能连接的特定条件的变化，以及它们在大规模网络中的组织。同时，该实验设计也非常适合于脑电图的微状态分析，使我们能够检查大脑大规模网络动态的快速时间组织。具体而言，我们重点研究了脑电图微状态时间动力学的最基本特征：持续时间、发生频率和转移概率。最后，我们估计了产生脑电图微状态的源的脑网络，并将其与功能磁共振成像网络进行了比较。15个健康被试（30.5+-5.5岁，5男/10女）。每个被试都有3个sessions：1-采访，2-EEG记录，3-fMRI记录。在访谈过程中，所有参与者都进行了一份经典的自传体记忆问卷(ABMQ) (Rubin et al.，2003)，以选择记忆清晰的图像，然后将这些图像用于脑电图和功能磁共振(fMRI)记录，每个session包括三个不同的条件(图1)：闭眼静息(6分钟)、回忆个人过去的经历(10分钟)、心算(10分钟)。记忆和数学条件各包括20个30s的试次（20*30s/60s = 10分钟）。在每个试次中，一幅个人照片(例如，参与者拿着生日蛋糕的照片)或计算任务(例如，447- 7= )呈现2秒，然后在额外的1s逐渐变黑。接下来是22秒的闭眼时间，在此期间参与者回忆过去的事件或继续连续相加或减去给定的数字。在这段时间之后，受试者被一道闪光提醒睁开眼睛（是的，闭眼也能被闪光闪到），屏幕上出现一个问题：对于记忆任务-你对最初的事件体验有多深? 心算任务-你在计算时花了多少注意?。阅读和回答问题的时间为5秒。参与者只需按下按钮即可回答问题（1=一点也不，4=完全，这是4点计分）。这个评分确定了被试有着高自信的主动卷入任务当中，在EEG和fMRI任务中程度相当。在这个实验设计中，参与者驱动的不受干扰的闭眼状态占据了大部分的范式持续时间(约73%，即每30秒中的22秒)。外部线索(图片或算术表达式)仅仅是为了引导和保持思维在相同的认知环境中走神，因此尽可能的简短。每个实验session开始时先6分钟闭眼休息，然后执行两个平衡好的实验条件。
德国产7T西门子，在每个范式中，全脑功能数据采用同步多切片(SMS) 2D GE-EPI序列获取，TR/TE = 1000/22ms，体素2-mm，T1是1-mm。采用FSL软件和matlab，步骤包括头动矫正，时间层矫正（TR的中间层，通过线性插值），脑组织分割（BET），高斯平滑（平滑核4mm），去线性趋势，回归掉24个头动参数，配准到标准MNI空间。在记录过程中，无干扰、闭眼的主体驱动的心理状态占主导地位(仅被简短的外部线索打断)，这激发了使用更典型的静息态fMRI研究中使用的技术，从而使BOLD活动和功能连接都可以使用这些技术。据前人研究，根据Zou et al.(2008)，对每个受试者和范式的预处理fMRI数据中估计voxel-wise的 fALFF值，将每个体素的时间序列转换到频域，将0.01-0.08 Hz区间的幅值之和除以全频带（TR=1s，可以达到1/2 = 0.5Hz）的幅值之和。因此，获得的每个范式和参与者的个体fALFF图，然后被配到MNI空间进行组分析。使用配对t检验比较记忆和数学计算下的fALFF，并使用FDR对多次比较进行校正（团块水平的阈值T >2.20，FDR p =0.05），以确定统计显著性。在经过统计测试后，研究人员对结果进行了进一步分析，以确定所观察到的记忆和数学计算之间的显著差异，是否是由于相对于基线而言每种情况下的BOLD活动的增加和减少造成的。为此，对每个受试者和大脑体素都计算了记忆(或数学)和静息态条件之间的fALFF差异，然后在每个团块ROIs内对受试者和体素进行平均。在记忆和数学条件之间显示显著fALFF变化的大脑区域(团块)也被进一步考虑用于FC分析。这些区域之间计算Pearson相关，构建连接矩阵。64导BP，离线处理降采样为250Hz，带通滤波1-40（非因果滤波，2阶butterworth滤波），基于Infomax 的ICA用于删除眼动，心电，坏导进行插值，然后全脑平均参考，在记忆和数学条件下，所有20秒的闭眼状态（从刺激呈现后5秒开始，到睁开眼睛的闪光警报结束）都被拼接起来。最后，对数据进行检查，并标记剩余伪迹的时间段，排除进一步的分析。使用Cartool软件，将改进的k-means聚类分析应用于每个受试者和条件的数据。只有在全局能量场(GFP)的局部最大值处的地形图才进入聚类分析，因为它们代表最高信噪比的时间点。在聚类过程中忽略了地形图的极性。聚类分析分为两个步骤：首先对每个个体受试者和条件的数据进行聚类分析，然后对每个受试者在一个条件下进行聚类分析。为了确定最佳的聚类数量(包括受试者内部和跨受试者)，使用7个标准独立评估每个聚类的质量。然后，他们被合并在一起，以得到一个单一的合成的元-标准。与之前仅依赖单一标准(即交叉验证标准或Krzanowski-Lai指数)的工作相比，这提高了正确估计最佳聚类数量的信心。1. Gamma：改编自Goodman and Kruskal，基于和谐与不和谐的聚类对子。2. 轮廓：通过每个聚类的拟合优度来评价其一致性。3. Davies和Bouldin：作为聚类内与聚类间分离比率之和的函数。4. Point-Biserial（点-二列）：计算距离矩阵和二值聚类指数之间的一种点-二列相关。6. Krzanowski-Lai指数：聚类内离差的相对差异之比。元-标准被定义为所有标准中所有最优聚类数的中位数。将给定条件下的组水平聚类图与每个受试者的原始脑电图进行拟合，包括所有数据点(不仅仅是GFP峰值)，但标记为伪影的时间段除外。反拟合是指计算聚类图与每个个体数据点之间的空间相关性，并将这一数据点标记为相关性最高的聚类地形图之一(赢家通吃)。注意，在这个反拟过程中，地形图的极性再次被忽略。如果数据点与任何一个聚类图都没有达到高于50%的相关性，这些数据点被标记为非分配（non-assigned）。一旦整个数据都被标记，通过忽略时间点所属的聚类图少于4个时间点(32毫秒)的片段进行时间平滑，并将时间点从中间分割并分配给前后相邻的聚类图。然后对每个受试者的记录进行两个时间参数的量化：聚类图(微状态)在没有中断的情况下出现的平均持续时间，以及微状态每秒出现的次数，与出现的持续时间无关，也叫做发生率。此外，我们还分析了脑电图微状态的结构序列，通过计算从第n个之前的状态到当前状态的概率，对每个被试和转移对子都进行了计算，并根据每个状态的发生率进行归一化。为了估计源对每个微状态的贡献，我们计算了一个分布式线性逆解(LAURA)。逆向解的引导场（leadfield）矩阵计算为蒙特利尔神经研究所64个电极位置和平均脑，使用LSMAC头部模型和5000个分布式源点的灰质约束头部模型。为了消除激活偏差（补充材料的方法部分），对每个解点（solution point，源）应用了跨时间的标准化。然后，每个受试者的估计电流密度在所有时间点上被平均，这些时间点在每个条件下归属于特定微状态。源定位补充材料：源定位的标准化。在每个时间点对EEG应用逆解矩阵后，对每个解点应用跨时间的估计电流密度的标准化。事实上，当在个体受试者的持续(非平均)脑电图上定位源时，可以观察到在解点之间存在巨大的功率变异。这些变异应该来自于在逆矩阵计算过程中所做的几何和数学近似。因此，为了正确估计个体大脑活动随时间变化的波动，并在不同受试者之间进行比较，有必要找到一种方法来校正这种功率变异（补充图S1）。
图S1 源定位标准化
A为3个解点(纵轴)的时间序列(横轴)，表示解点之间功率范围的差异（毛刺多）。C为这3个解点的直方图，说明背景活动是分布的最左边模式。E为所有解点(垂直轴)的直方图，红色编码为最大概率。B与A中的时间序列相同，但经过标准化处理，说明此时3个解点的范围相同。D为标准化后的直方图，表示所有的背景活动都集中到1。F是标准化后的所有解点的直方图，表明所有解点现在拥有从0到1的背景范围，同时保持各自最高的活性。某个3D偶极子
在某一解点，我们定义spx作为标准化的值的平方（方程1）。因此，对于数据的噪声部分，它遵循3个自由度的卡方分布。卡方变量spx可以转化为正态分布变量
（方程2）。现在获得正态分布后,它可以通过使用正则化z-变换进行标准化为(方程3)。然而,μ和σ的值用于z变换的值只有在计算背景噪声数据的部分——来自卡方分布的背景活动，即最低的值的分布。因此，由分布的最左边模式估计μ(方程4)。出于同样的原因，σ由绝对偏差的中值(MAD)估计，μ以先前估计的为中心，仅用下面的值计算(方程5)。在实现方面，这些估计量在数据的随机子样本上被多次计算，并最终得到所有这些估计量的两个各自的中位数。
最后，因为我们从正的数据开始(偶极子的正态化)，我们也希望以正的数据结束，以避免由于符号正负的结果造成的任何混淆。我们定义为向右平移3个标准差，然后除以3，使背景模式最终对齐到1(方程6)。
这个标准化程序的结果使得所有解点的电流密度的功率可以比较，以及解点的正态分布（图S1）。2.3.5 fMRI-FC衍生的子网络与微状态之间的解剖学重叠为了评估脑电图微状态的源与fMRI-FC衍生的子网络之间的解剖对应关系，我们估计了两种模式之间的空间重叠量。首先，通过只选择活动大于第97百分位的区域，将脑电微状态源分布转换为二值mask，以减小源定位算法固有的干扰。然后将这些聚类mask与基于团块的fALFF分析得出的ROI进行直接比较，特别是通过FC分析确定的跨ROI的网络。从而根据它们的二值相交（binary intersection）估计空间重叠量。根据三个条件(休息、记忆和数学)的最高空间相关性，对每个条件派生的聚类图进行排序，并根据文献中描述的典型的微状态图进行标记。为了评估具有相同标签的微状态图是否由相似网络生成，我们比较了三种情况下每个聚类图的估计源。为此，对受试者的每个解点（solution point，源）进行配对t检验，并对进行bonferroni校正。为了研究不同条件下微状态的时间动态(持续时间，发生率)的差异，我们对每个微状态类别的因素条件(休息，数学，记忆)进行了重复测量方差分析。我们应用了一个阈值p < 0.0001来校正多次比较，并且只在达到这个阈值时才进行事后比较。使用配对t检验对每个条件内部和之间的微状态之间的转移概率进行统计比较。头动的绝对位移和相对位移的范围分别小于0.5 mm和0.09 mm(根据FSL的头动估计步骤所报告的)，因此远低于体素大小（2mm）。在三种条件下，绝对或相对头部位移都没有显著变化(p =0.09和p=0.10，1-way ANOVA)。为了识别在两个任务启动、自我生成的加工条件(数学和记忆)中不同大脑区域的大脑活动的变化，我们绘制了fALFF值(Zou et al.，2008)，作为局部BOLD活动的测量。获得每个体素的fALFF估计后，随后在组水平的条件之间进行比较。在一些大脑皮层和皮层下区域发现了特定条件下的fALFF变化。与数学条件相比，在记忆过程中大脑活动明显更高的区域包括顶叶、内侧颞叶、前额叶和枕叶（图2a）。我们发现主要的大脑活动在顶叶外侧部分：双侧的边缘上回(lrSMG, BA40)和下顶叶(IPL)的右角回(rAG, BA39)。顶叶内侧部分也有活动：左侧楔前叶(lPCu, BA7)、后扣带的背侧和腹侧部分（dPCC，BA31；vPCC/RSc，BA23）。在颞叶，我们发现双侧海马旁回(lrPHG, BA28,35,36)和右侧颞下回(rITG, BA21)的活动增加。在右侧额下回(rIFG, BA45)和双侧枕侧回(lrLOCG, BA19)也发现了显著的活动。当将这些大脑区域的fALFF估计值与休息条件(视为基线)进行比较时，我们发现，一些记忆-数学差异是由于与数学条件(包括lrPHG和dPCC区域)相比，在记忆期间BOLD活动更强烈地增加了，而其他变化则是由于在记忆过程中BOLD活动增加，而在数学条件下BOLD活动减少。与休息时相比，数学时去激活的区域包括rAG、lrSMG、lrLOCG、lPCu和vPCC/RSc(图2 b)。相反，我们还发现，与记忆条件相比，在数学条件下，一组大脑区域明显更活跃：在额叶中，腹侧和背侧前扣带皮层以及双侧背外侧前额叶皮层的活动明显更高。颞叶区域包括双侧颞上回和左侧颞中回。在顶叶皮层中，右侧顶叶内沟、中央前后回以及背侧后扣带皮层的活动明显更高。在枕叶皮层，枕叶回是双侧激活。与上述观察结果不同的是，在数学条件下(与休息条件相比)，那些在数学条件下活动明显更高的区域实际上在记忆条件下没有被关闭（图S2a，S2b）。根据最近的证据表明在7T的fMRI预处理中的de-trending可以影响颞叶的fALFF分析(Woletz et al ., 2018)，因此，进行了额外的检查，ROI-specific的fALFF估计如图2b和图S2b，使用一个更宽松的de-trending截止(200s而不是之前的100s)重复了上述结果。这在整个ROI中产生了平均2.4%个小到可以忽略不计的变化，并且没有系统变化(一些ROI显示增加，其他显示下降)。这强烈地表明，去趋势对分析没有明显的影响。为了确定特定于条件的网络，我们根据其功能连接进一步分析了在记忆和数学条件之间显示出显著的BOLD活动变化的大脑区域，如fALFF分析所确定的区域。这些连接值以矩阵的形式组织起来，并根据它们的相关情况重新排列区域。FC分析揭示了在记忆条件下表现出较强活动的区域内有两个不同的网络(图2c和d)。网络I. 包括the vPCC/RSc, lrPHG, lrOCG, 网络II.包括 rIFG, rAG, lrSMG, and dPCC。两个区域(rITG和lPCu)都包含在两个网络中。与休息条件相比，这两种网络在各自区域的FC都表现出了强烈的增强，而彼此之间以及与数学条件中确定的区域不相关。
图S3 静息态下六种微状态的源定位。数据来源在所有的时间点上都被标记为相应的地形图，并在不同的受试者之间被平均。显示了活动超过95%的区域。
图S4 在记忆条件下的六种微状态的源定位。
图S5 在数学条件下的六种微状态的源定位。
为了确定大脑是否在记忆条件下的两种主要微状态(微状态B和微状态C)之间交替，我们计算了微状态B和C之间的转换概率(通过发生率来标准化)，并将它们与所有其他可能的转换进行比较。我们发现，仅在记忆条件下，从微状态C到微状态B的转换明显比从其他任何状态的转换更频繁，而且微状态B到微状态C的转换明显比到其他任何状态的转换更频繁(图5)。同样地，与微状态A、D或E相比，微状态C之后的微状态B更经常出现，而不是F。同样的分析也适用于数学和静息态条件下的转移概率(见补充图S6和S7)。在静息态条件下，没有特定的微状态在微状态B之前或之后。在数学条件下，与所有其他微状态相比，微状态C在微状态C之前或之后的频率显著降低。
图S6 数学条件下的马尔可夫链转移概率。在数学条件下，其他微状态转换到B和B转换到其他微状态的转移概率。与记忆条件相比，从微状态C到B和从微状态B到C的转移概率明显低于其他所有微状态（上图看的一目了然）。
图S7 静息态条件下的马尔可夫链转移概率。在静息态条件下，其他微状态转换到B和B转换到其他微状态的转移概率。与记忆条件相比，从微状态C到B和从微状态B到C的转移概率与其他微状态的转移概率没有显著差异。我们使用马尔可夫链计算从每个微状态到任何其他状态的转移概率。观察到的概率除以期望的概率来解释状态发生的可变性。在记忆条件下，我们发现微状态B在A之前和C之后显著多于其他任何微状态。在静息态下(补充图S6)或参与者进行心算运算时(补充图S7)没有发现这种转移行为。我们还使用配对t检验比较了所有条件之间的转移概率(图6)。该分析证实了记忆条件下微状态B和C之间的转移增加。在数学条件下，向微状态D的转变增加，而在静息态条件下，微状态E和C之间的转变增加。
对不同条件之间所有转移概率的配对t检验显示，与数学和静息态相比，在记忆条件下，微状态B和C之间的转移增加了，与记忆相比，数学条件下向微状态D的转移增加了。与数学相比，在静息态条件下微状态C和E之间的转移增加了。3.5 功能性磁共振衍生的亚网络与脑电图微状态之间的解剖学重叠我们发现fmri衍生的子网络I与脑电图微状态B在154个体素(1232 mm3)中存在解剖重叠。重叠区域位于枕侧回外侧(图7A)。对于微状态C，我们发现与fmri衍生的子网络II在73个体素（584mm3）中存在重叠。双侧下顶叶存在重叠(图7B)。重要的是，即使应用限制性更强的团块阈值T > 3.0的 fALFF分析，存活的区域子网络I是侧枕叶皮质区，存活存子网络II的区域是下顶叶，即两个区域覆盖的脑电图微观状态B和C的最大来源，(见补充图S8)。
图S8 功能性磁共振衍生的子网络与脑电图微状态之间的解剖学重叠。A .在更严格的团块阈值T > 3.0处，fMRI连接衍生子网络I与脑电图微状态B之间的解剖重叠显示枕外侧区域有核心重叠。B. T > 3.0处fMRI子网络II与脑电图微状态C解剖重叠为下顶叶。在一个范式中，参与者被指示将他们的想法集中在特定的任务上，通过使用fMRI和EEG，我们在这里提供了捕获特定的大规模大脑网络的时间发生的直接证据，这些网络涉及到自我相关和自我不相关的想法。与之前的任务相关研究一致，功能磁共振成像的数据显示，思考自我经历的过去事件会增强一个已知与自传式情景记忆有关的大脑网络，而心算则会增强一个已知与注意力和认知控制有关的大脑网络。有趣的是，脑电图分析显示，不同的条件对短暂的亚秒级脑电场稳定配置的发生率和持续时间产生了调节作用。源定位显示出的网络在空间上与fMRI观察到的网络一致。至关重要的是，在这项研究中，我们试图在之前的fMRI工作的基础上，应用更快的交替条件(每个条件持续时间小于30秒的实验设计）探索一种设计，将每种条件的所有试次分组在持续几分钟的个人数据中。这不仅可以研究每个大脑区域的BOLD活动变化(通过fALFF分析)，同时也研究了这些区域在相同条件下跨时间(通过功能连接性分析)之间的相互作用，从而为同时活跃的不同功能区域是否有效地共享类似的BOLD活动这一问题提供了新的思路。fALFF分析通过揭示几个皮层和皮层下大脑区域的特定条件的BOLD变化，证实并扩展了以前的研究。与数学条件相比，在记忆过程中大脑活动明显更高的区域包括情景记忆提取网络的大脑核心区域，在顶叶，内侧颞叶，前额叶和枕叶。相反，我们还发现，与记忆条件相比，在进行数学运算时，一组大脑区域更加活跃，这些区域此前通常与心算任务和前额叶控制网络(FPCN)有关。fMRI功能连接结果显示，增加的fALFF区域基本上被组织在两个子系统中，这些子系统具有不同的功能和解剖特征，内部高度相关，但彼此之间的相关性较差。网络I与之前描述的一个子系统惊人地相似，它涉及到心理场景的构建(以下称为场景构建子系统)，而网络II与之前定义的子系统紧密匹配，当参与者参与自我相关的认知过程和反思时，该子系统变得活跃（以下称为自我体验子系统）。除了较慢时间尺度的功能磁共振测量，脑电图微状态分析揭示了亚秒范围内这些网络的时间动态的新见解。我们发现，特定的脑电图微状态，代表连贯网络活动的短暂时期，被指示做哪些思维活动时在持续时间和发生率上有选择性地增加。产生这些微状态的大脑区域与特定的功能磁共振成像网络部分重叠。与数学条件相比，微状态C在记忆中出现的频率更高、持续的时间更长，它与我们在fMRI分析中发现的自我体验记忆提取子网络的侧顶叶区域重叠。另一方面，在记忆条件下出现选择性增加的微状态B下的大脑区域，与我们在fMRI分析中检测到的场景重建子网络的枕侧区域重叠。最后，在数学条件下，微状态D的大脑区域选择性地增加了持续时间和发生率，包括一般归属于额顶叶控制网络(FPCN)的区域。此外，在记忆提取过程中，我们发现fMRI数据中与自我体验和场景重建子网络相对应的微状态之间的转移增加。这些结果提供了直接证据，表明fMRI捕捉到的静息态网络与亚秒时间尺度的特定大规模神经元网络同步活动状态的持续时间延长和重复发生紧密相关，并可能起源于此。为了捕捉任何意识体验的发生，并直接调查在走神期间的认知过程，更好地控制参与者自发的想法是至关重要的。与最近的其他研究一致，我们在这里启动了自发的阶段，简短地展示外部刺激，并指导参与者闭上眼睛，在内部将他们的思想引导到与自己相关的照片或与自己无关的算术运算上。在记忆条件下，显示BOLD活动增加的主要区域包括IPL和MTL。大量的研究已经确认这些区域是情景记忆检索网络的核心。传统上，自从发现重度健忘症患者以来，MTL被认为是长期记忆形成的关键，它允许我们记住过去的经验和检索获得的知识。与MTL相反，来自患者脑损伤和脑刺激研究的大量证据表明，在记忆提取过程中，IPL在将个人经历事件的生动细节整合到意识表征中起着关键作用。感知场景、识别面孔、听到声音或反思经验本身的主观体验呈现出记忆、注意力和意识之间复杂的相互作用。Tulving(1985)将重新体验过去自我的主观感觉和在精神上投射自己到未来的潜在能力，即自主意识，定义为情景记忆提取的关键方面。脑损伤研究、脑刺激和记录研究的证据一致指向后部区域，包括颞、顶叶和枕叶区域(后部hot区)，在指定意识内容方面发挥直接作用。我们目前的发现也与最近的一项研究(Brechet et al.，2018)一致，在该研究中，我们证实了IPL，特别是AG对自我相关、生动的过去事件的主观、第一人称视角重新体验的贡献。大脑活动不断地在不同的精神状态中波动，这种状态在某些时间内是稳定的。一次只能考虑意识内容的一个时段或状态(Seth and Baars, 2005)。据推测，脑电图微状态捕捉到的这些状态只持续了大约100毫秒。使用高密度全脑脑电图，我们确实观察到被指示的思想对特定微状态的持续时间、发生率和转换概率的调节，在记忆条件下微状态B和C增加，在数学条件下微状态D增加。这三种微状态的地形图与之前文献中描述的四种典型微状态中的三种非常相似。大型队列研究表明，在闭眼休息时，微状态C通常是最主要的状态。最近，Seitzman等人(2017)表明，在心算任务中，微状态C的持续时间和发生次数减少，这与我们的发现类似。与休息相比，当受试者从事物体或语言可视化任务时，微状态C持续时间也有所减少。基于这些和其他研究，我们假设微状态C反映了DMN的活动。事实上，我们对这种微状态的源分析证实了这种解释。微状态C的源位于双侧顶叶和MTG的外侧部分，我们在fMRI结果中认为这一区域属于自我体验子系统。与静息状态相比，微状态C并没有因记忆条件而显著提高，这并不令人惊讶。它证实了一个假设，即自我相关的记忆提取在自发的思维漫游中也占主导地位。此外，我们的研究显示，与休息和数学条件相比，在记忆过程中微状态B的出现次数增加。这种状态以前被归因于视觉网络。例如，Milz和同事表明，当参与者被要求可视化之前展示的图像时，微状态B增加了。在我们的研究中，源定位也表明视觉皮层和内侧顶叶区域被强烈激活。有趣的是，内侧顶叶皮层损伤导致记忆识别和视觉空间障碍，但不涉及自我意识的损害。因此，我们将微状态B出现的增加解释为与fMRI连通性分析中发现的场景重建子系统相关。因此，一个有趣的假设是，微状态分析允许我们解开与情景式自传记忆的意识体验相关的思想的子部分，即场景的可视化和场景中自我的可视化。事实上，转移概率分析揭示了微状态B和C之间的切换比其他任何状态之间的切换更频繁。此外，我们的结果表明，当参与者参与数学计算时，微状态B和C的出现频率都较低，而微状态D的持续时间和出现频率则显著增加。微状态D先前被认为与包括额顶叶区域在内的注意力/认知控制网络有关。我们对微状态D的源定位证实了该状态属于额顶控制网络(FPCN)。此外，微状态D的增加和微状态C的减少与被试在外部导向和自我导向认知时FPCN和DMN的反向激活的观察非常吻合。因此，我们的研究表明，在fMRI数据中发现的大规模网络反相关与这些功能的微状态的毫秒级调制有关。脑电图微状态研究多次揭示了精神疾病，特别是精神分裂症的微状态的时间动态变化。最近的一项荟萃分析(Rieger, 2016)证实了最有力的发现，即精神分裂症患者或者有患精神分裂症的风险的微状态C持续时间和发生率增加，微状态D减少。当患者接受抗精神病药物和经颅磁刺激治疗时，这种不平衡被正常化了。这些发现很好地符合微状态C反映内省、自我聚焦的思想，而微状态D反映注意力和认知控制的解释。精神分裂症患者微状态C的增加和微状态D的减少可能表明精神状态与环境输入的渐进性脱离。当一个健康人在与周围环境互动时，他会不断地、毫不费力地平衡休息时间和集中注意力的时间，患有精神分裂症或其他精神障碍的患者可能会持续思考涉及他们自己的一件特别不愉快的事情，从而失去对走神的自然流动的控制。因此，通过研究了解微状态的功能意义，就像这里展示的那样，可能不仅与监测精神疾病风险患者的脆弱性和治疗效果有关，而且还有助于更好地理解这些患者陷入的思想。微状态模型假设EEG时间序列可以被描述为一个有限数量的状态序列，并且在每个时间点上只有一个状态是活跃的。这是用赢者通吃的方法实现的，方法是用一个聚类地形图标记每个时间点。在实践中，存在一定程度的重叠，在给定的时间点，其他状态也可以解释数据中一定数量的变异。诚然，微状态模型是一种简化，但它允许将静息状态数据暂时解析为一些基本元素（状态），这些元素有可能表示信息处理的基本步骤。这些元素可以通过使用非重叠的准稳定状态序列对数据进行建模来实现。这个全局的、极其简单的、数据驱动的方法可以用来提取唯一的特征，比如这些状态的持续时间和发生率。此外，微状态方法嵌入到一般功能理论中，该理论假设在任何给定时刻只有一种功能状态发生。
