任务态微状态分析（下）：CARTOOL 实操

一、CARTOOL：微状态研究的主流工具

微状态方法发源于瑞士（苏黎世 KEY Institute，"微状态"概念即由 Lehmann 提出）， CARTOOL 正是由这一学派的后续研究团队（瑞士洛桑一带的脑功能成像实验室） 开发维护的免费软件。可以把它想成微状态界的"专业傻瓜相机"： 自动模式（默认参数）拍出来就能看，专业参数（聚类、拟合、统计）也都暴露给你调。

• 免费、图形界面：独立可执行程序，不依赖 Matlab license，Windows / macOS / Linux 都有；
• 覆盖全流程：极性无关聚类（含交叉验证选 K）、反向拟合、指标统计、地形图动画，模块 8.1 手写的每一步它都内置了；
• 与 EEGLAB 互补：EEGLAB 管预处理（模块 2），CARTOOL 管微状态——这是一条很常见的组合流水线。

二、安装与数据导入

从官方网站（cartool.community）注册并免费下载，解压即可运行。 导入方面，CARTOOL 支持多种常见采集格式与它原生的 .dat 格式； 对 EEGLAB 用户，最通用的做法是把预处理好的数据导出成 "通道 × 时间点"的文本矩阵 + 电极坐标文件，再在导入向导里指定采样率 （不同版本菜单略有差异，导入后核对通道数、采样率、时长三件事）。

% ---- 从 EEGLAB 导出数据，交给 CARTOOL 导入 ----
% 导出前确认：已完成平均参考、坏通道已处理（微状态对这两点极其敏感）
writematrix(EEG.data, 'sub01_rest.txt', 'Delimiter', 'tab');
fs = EEG.srate;                        % 记下来：CARTOOL 导入时要手工填采样率

% 电极坐标：CARTOOL 需要三维位置才能画拓扑图（若为空，先回 EEGLAB 完成电极定位）
fid = fopen('sub01_electrodes.txt', 'w');
fprintf(fid, 'name\tX\tY\tZ\n');
for ch = 1:EEG.nbchan
    fprintf(fid, '%s\t%.4f\t%.4f\t%.4f\n', EEG.chanlocs(ch).labels, ...
            EEG.chanlocs(ch).X, EEG.chanlocs(ch).Y, EEG.chanlocs(ch).Z);
end
fclose(fid);

三、任务态微状态的核心思路：原型从哪来

静息态微状态（8.1）对整段连续数据聚类即可。任务态多了一个必须想清楚的问题： 原型地图从哪来？答案是：从"不偏向任何一个条件"的数据里来。 常见两种做法：

1. 用同批被试的静息态数据确定原型，再拟合到任务态 epoch；
2. 把所有条件、所有被试的任务数据合并后聚类得到原型（组级模板），再拟合回每个 epoch。

四、实操：拟合到 epoch 并做时间锁定叠加

确定原型后，任务态流程与 ERP 分析惊人地相似：

① 导入任务态 epoch 数据（模块 2 分好的段）
② 选择已确定的原型地图，执行拟合（fit back）
③ 每个试次得到一条"微状态标签序列"
④ 按刺激 onset 对齐，跨试次平均标签
⑤ 得到"微状态版 ERP"

所谓"微状态版 ERP"，就是时间锁定的覆盖比例曲线： 对每个时间点，统计所有试次中处于微状态 k 的比例。 传统 ERP 平均的是电位（幅值信息），这里平均的是状态归属（构型信息）—— 一条曲线告诉你"刺激后第 300ms，大脑有多大概率处于状态 C"。

与 ERP 的联合解读是任务态微状态最有味道的地方：

• 某时间窗 ERP 幅值增大 + 某微状态覆盖比例同步升高 → 幅值与构型两个独立证据，结论更硬；
• ERP 幅值不变 + 覆盖比例变化 → 提示加工方式重组而非强度变化；
• 覆盖比例不变 + ERP 变化 → 幅值层面的调节，构型稳定。

五、输出指标与导出

CARTOOL 的微状态统计模块可以输出：每个条件、每个状态的 duration / occurrence / coverage / 转移矩阵，以及时间锁定的覆盖比例曲线。结果可导出为文本 / CSV—— 这正是与 Matlab 统计流程的接口。

六、CARTOOL + Matlab 的分工模式

% ---- 读取 CARTOOL 导出的指标，进入 Matlab 统计 ----
% 假设导出的 CSV 每行一条记录，列含义：
%   subject, condition, state, duration_ms, coverage
T = readtable('cartool_ms_metrics.csv');

% 例：比较两种条件下微状态 C 的平均持续时间（置换检验，不假设正态）
selA = strcmp(T.condition, 'attend')   & strcmp(T.state, 'C');
selB = strcmp(T.condition, 'distract') & strcmp(T.state, 'C');
durA = T.duration_ms(selA);  durB = T.duration_ms(selB);
obs  = mean(durA) - mean(durB);

allDur = [durA; durB];  nA = numel(durA);  nPerm = 5000;
perm = zeros(nPerm, 1);
for p = 1:nPerm
    idx = randperm(numel(allDur));
    perm(p) = mean(allDur(idx(1:nA))) - mean(allDur(idx(nA+1:end)));
end
pval = mean(abs(perm) >= abs(obs));
fprintf('微状态C duration: 差异 = %.1f ms, 置换 p = %.3f\n', obs, pval);
% 多个状态 x 多个指标的比较，记得做 FDR 校正（模块 5 讲过）