微状态的分析软件有好几个，它们分别针对不同的数据：
resting EEG: 可以直接在EEGLAB 中使用插件分析；
ERP： 可以使用Cartool 软件分析，该软件比较全能，但是不识别EEGLAB的数据格式；
另外，LORETA也可以分析resting EEG 和 ERP 的数据，但是在进行聚类时，只能选择k-means的方法。
使用EEGLAB分析resting EEG
1）首先对原始数据进行预处理（*要不要分段？-正常预处理就可以了）
2）成功安装微状态插件后，eeglab中会出现该选项
导入sub1的resting EEG 数据
安装插件包后出现Microstates的相关选项
预处理的时候要保证所有被试的处理过程和处理中使用的参数一致，才能进行之后的分析
3）为了方便计算一般都是使用代码进行每个条件下的批处理
下面为了方便，简单描述下在代码中涉及到的分析过程：
- 首先选择不同条件下所有的经过同一步骤、参数处理的干净数据；
- 接下来进行平均参考和 2-20Hz 的滤波（这个是约定俗成的，滤波是为了较少噪音2-20Hz是比较常见的范围，这里滤波和预处理的滤波不一样、不冲突）；
- 选择要使用聚类值：GFP峰值聚类还是所有时间点上值（一般是使用GFP）；
- 在resting EEG 中忽略极性；
- 选择聚类分析的方法：K-means 还是 AAHC（如果要是K-means需要填写run100-200次；AAHC只要run1次）；
- 最后会得到在这个条件下的所有被试的组水平上的图，但是顺序和一般的Microstates A,B,C,D顺序不同，需要经过man.sort手动调整（组水平上的结果可能会受到不同电脑的影响而出现比较诡异的情况）；
手动调整顺序-man.sort
调整这里有个bug，调整之后，每个sub的结果进行了调整，但是事实上组水平上没有调整顺序 - 鉴别时间点上的是那个微状态成分：推荐选择GFP峰值
- 运行上面的步骤之后就会出现一个.csv的结果，里面就是每个被试的各种参数值了，可以直接用来进行下一步的统计分析了。
4）作图
因为上面的组平均的图不好看，也不方便看每个被试的4个图，所以可以再使用代码画出组平均的图和每个被试的图；
这里可以设计下极性反转
EEG = pop_loadset('filename','GrandMeanECgroup1.set','filepath','C:\Users\a\Desktop\');
EEG = eeg_checkset( EEG );
maps = EEG.data; % maps
maps2 = squeeze(maps(:,:,4)); % 组水平上
figure;topoplot(maps2(:,2),EEG.chanlocs); % 极性反转 figure;topoplot(-1*maps2(:,2),EEG.chanlocs);
补充说明--如何绘制出下面的这种图？
微状态类型随时间变化图
step1：使用eeglab打开一个被试的数据；
step2：选择‘plot microstate dynamics’并选择class数目；
绘制
设定class数目，这里是4
查看结果
使用CARTOOL分析ERP
1）首先对原始数据进行预处理，并进行接下来一些处理
-
step1：用eeglab把每个条件下的被试数据拼接在一起并计算组平均ERP；
用eeglab拼接数据
拼接20个被试的数据
计算组平均
-
step2：再次分段，因为对微状态分析来说不需要这么长的时间，原有的预处理的分段时间时间太长。并进行平均参考
再次分段 - step3：保存并导出非.set格式的数据
2）成功安装Cartool软件后，打开软件
-
step1：导入之前处理过的数据
数据导入
数据导入 -
step2：设置参数
参数设置完成后，即可运行，等待结果
设置参数
选择聚类的算法
设置参数
- step3：查看结果
在运行结束后，会出现一个没有序号的.vrb文件，里面可以查看最优解个数
确定最优解后，找到相应的标明数值/序号的三个文件，其中.ep文件是用来绘制地形图的；.seg文件说明每个时刻点属于哪一类微状态；
