Open Access

Milena Constanze Wiemers

• Microstates sind kurzzeitig andauernde, wiederkehrende elektrische Potentialfelder über dem Kortex. Ein Großteil der Signalvarianz des Elektroenzephalogramms (EEG) wird durch vier repräsentative räumliche Potentialverteilungen (Topographien) abgedeckt, welche bereits im Wachzustand und im Schlaf identifiziert wurden und kanonisch als Karten A-D bezeichnet werden. Microstates wurden in den vergangenen Jahren vor allem im Ruhe-Wach-EEG untersucht, über andere Vigilanzzustände hingegen wissen wir bisher wenig. Klassischerweise analysieren wir verschiedene Vigilanzzustände im Elektroenzephalogramm anhand von Frequenzen und Graphoelementen, die Microstate-Analyse hingegen betrachtet in erster Linie die räumliche Verteilung des kortikalen Potentials zu einem jeweiligen Zeitpunkt. Die vorliegende Studie hatte zum Ziel, die zeitliche Abfolge von Microstates im Wachzustand und im Schlaf zu charakterisieren. Mittels informationstheoretischer Ansätze können die dynamischen Eigenschaften der Microstate-Sequenz direkt mit den frequenzbasierten Eigenschaften des zugrundeliegenden EEG verglichen werden. Es wurden die Ruhe-Wach- und Schlafdaten von 32 gesunden Probanden analysiert. Hierbei fand sich eine Zunahme der mittleren Microstate-Dauer und der Relaxationszeit der Übergangsmatrix, was langsamere Dynamiken im Schlaf anzeigt. Erstaunlicherweise konnte im Tiefschlaf mehr als die Hälfte der Sequenzen nicht von einem simplen Markov-Modell unterschieden werden, was für eine Abnahme der Komplexität der Microstate-Sequenzen spricht. Die Entropierate der untersuchten Sequenzen nahm mit zunehmender Schlaftiefe ab, was weniger Zufall bzw. eine größere Vorhersagbarkeit innerhalb der Sequenzen bedeutet. Darüberhinaus konnte gezeigt werden, dass Microstates immer dann periodisch auftreten, wenn das zugrundeliegende EEG eine dominante Grundfrequenz aufweist, sodass oszillatorische Hirnaktivität auch auf der Microstate-Ebene verfolgbar ist. Hierdurch ist es möglich, physiologische Vigilanzzustände quantitativ voneinander zu unterscheiden. Interpretiert man Microstates als Korrelate neuronaler Netzwerke, scheinen im Schlaf dieselben oder ähnliche Netzwerke aktiviert zu werden wie im Wachzustand, allerdings mit zunehmender Schlaftiefe langsamer und auf eine weniger komplexe Art und Weise.
• Microstates are short, recurring electric field topographies over the cortex. The majority of the electroencephalogram (EEG) signal variance is explained by four representative topographies, canonically known as maps A-D. Similar maps have been found in wakefulness and sleep. Microstates have been examined thoroughly during wakeful rest, but our understanding of microstates in other vigilance states is limited. Different vigilance states are usually distinguished by the EEG frequency spectrum and graphoelements, while the microstate approach focuses on the spatial distribution of the electric field at each time point. The aim of this study was to analyze the temporal structure of microstate sequences in wakefulness and sleep. Using information-theoretic methods, a direct comparison between microstate sequences and classic frequency-based EEG analysis is made possible. We present an EEG analysis of 32 healthy subjects in wakefulness and sleep in which we found an increase of the mean microstate duration and the transition matrix relaxation time with deepening sleep stages, pointing towards slower microstate dynamics in sleep. Interestingly, more than half of the sequences in deep sleep could not be distinguished from simple Markov models which can be interpreted as a decrease in sequence complexity. The entropy rate of the sequences decreased with deepening sleep stage, indicating a less random, i.e. more predictable sequence structure. Furthermore, we found that microstates occur periodically whenever the underlying EEG has a dominant frequency. This shows that oscillatory brain activity can be tracked at the microstate level, making it possible to distinguish different vigilance states quantitatively. Interpreting microstates as correlates of functional brain networks, we conclude that the same or very similar networks are activated in sleep and wakefulness, but their activation is slowed down and less complex.