[文献阅读]功能脑网络

EEG 和 MEG 静息态功能脑网络研究中的机遇与方法论挑战
文章链接
Clinical Neurophysiology 临床神经生理学
第 126 卷 第 8 期 2015 年 8 月 页码 1468-1481

introduction

静息态脑电图（EEG）和脑磁图（MEG）记录在功能连接和功能脑网络分析中越来越被广泛应用。
在整个记录和分析流程中方法选择的优势和劣势，以及这如何可能影响功能连接和网络构建。
为静息态神经生理学研究提供了关于主题指导和数据获取的几项建议。

“静息状态”范式被认为反映了大脑的内在活动，可能揭示不同大脑区域如何沟通的宝贵信息（Greicius 等，2003，Deco 等，2011，Birn，2012）。
将神经活动的自发性（任务无关）波动与疾病、认知衰退和意识障碍联系起来（Greicius，2008，Bassett 和 Bullmore，2009，Bullmore 和 Sporns，2009，Stam，2014）。

大脑中的信息处理在多个时间尺度上起作用，具体取决于特定的认知或行为功能（Lopes da Silva，2013）。在静息状态下，大脑处理的大量信息编码在毫秒到秒的时间尺度上（Koenig 等人，2005），这个时间尺度更适合电生理学（EEG）和磁共振脑电图（MEG）等技术。

在文章调研的几年的脑网络研究方向。
例如在阿尔茨海默病（Stam 等，2007a，Dubovik 等，2013）、癫痫（Bartolomei 等，2006，Ibrahim 等，2013）、精神分裂症（Hinkley 等，2010，Siebenhuhner 等，2013）、多发性硬化症（Schoonheim 等，2013，Van Schependom 等，2014）、帕金森病（Fogelson 等，2013）以及健康大脑在老化（Smit，2012，Vecchio 等，2014）、性别差异（Boersma 等，2011）和健康生活方式（Douw 等，2014）等方面。
连接性和功能脑网络研究可用于临床环境。例如，在癫痫中，研究表明它可以促进早期诊断（van Diessen 等，2013）并通过移除异常网络节点来提高癫痫手术的准确性（Wilke 等，2011）。 在阿尔茨海默病中，使用脑电图（EEG）连接性研究来监测新型干预措施的成功（de Waal 等人，2014 年）。同样，帕金森病的认知缺陷进展与功能性脑网络变化相关（Olde Dubbelink，2014 年）。

如果进行后续调研；使用下面这个关键词
“（EEG OR MEG）AND（connectivity OR brain networks OR functional networks OR graph theory OR network analysis）”

不同研究之间的统一性和可比性（Duncan 和 Northoff，2013，Gross，2014）.
概述了在执行使用 EEG 或 MEG 进行的功能连接和网络研究时应考虑的方法论问题。静息态 EEG 和 MEG 研究，但提供的大部分信息也适用于与任务相关的其他成像技术，如 fMRI。

什么是静息态，以及受试者的异质体验如何影响静息态研究？
警觉状态和睁眼与闭眼条件可能如何影响静息态记录。

可能强烈影响功能连接或网络研究最终结果的分析相关方法论选择。
选择脑电图参考电极、源空间分析、伪迹处理和滤波、时程选择、频率带选择和测试-重测信度。
提供了一个目前使用的功能连接度量的简要概述，以及这些连接度量如何与各种方法论选择和假设相关。

主题相关的方法论问题

静息态的说明

一些共激活模式被作为主要研究方法，思维实验会影响精细状态，时间和网络库的讨论。

静息状态是指受试者清醒且未执行明确的心理或物理任务的状态。传统上，“静息状态”条件常用于脑电图（EEG）研究——除了事件相关电位（ERP）研究——以研究脑活动模式，而功能性磁共振成像（fMRI）研究主要关注任务执行过程中的活动变化。

伯格（Berger）于 1929 年进行的首次脑电图记录，已经提供了当受试者未执行任务时脑活动模式的证据。
比斯瓦尔（Biswal）及其同事揭示了在未执行任务时大脑区域之间相互作用的独特 fMRI 模式，静息状态条件才成为研究大脑区域连通性的研究范式。

许多研究已经确定了在静息状态下具有共同激活模式的大脑区域集合（Greicius 等，2003，Damoiseaux 等，2006），包括所谓的“默认模式网络”（Shulman 等，1997，Raichle 等，2001）以及其他所谓的静息状态网络（Rosazza 和 Minati，2011）。 这些静息态网络已在神经影像学和神经生理学研究中得到复制和验证（Miller 等，2009，Brookes 等，2011，Hipp 等，2012），表明静息态连接模式是稳健且特异性的内在神经活动结果。

与任务相关活动相比，在静息状态实验中控制受试者的行为较为困难。静息状态期间具体指令的差异至少可能部分影响默认模式网络的活动。

要求受试者闭上眼睛，不要入睡。因此，思绪会飘忽不定，从而产生独立于刺激的思想。

一项最近的研究调查了病人在静息状态记录期间经历了什么样的思想，并发现了几种静息状态认知表型（Diaz 等，2013）。即使在给受试者提供相似指令的情况下，静息状态记录期间的主观体验也差异很大，从而可能混淆结果。

记录前的认知状态也可能影响静息状态动态（Lopez Zunini 等，2013）。这些发现强调了受试者在静息状态条件下的异质性体验。

控制自发思维是困难的，然而，由于经验性的随机情景自发思维似乎激活了与静息状态网络相似的脑区。

健康对照组中静息状态网络的持续激活模式仅具有有限的影响（Damoiseaux 等人，2006 年）。

我们建议首先记录静息状态条件，然后进行实验会话，以最大限度地减少对静息状态条件的干扰。 最后，较长的登记时间增加了静息态网络的稳定性，因为随着时间的推移，完整静息态网络库被激活的可能性更大（Honey 等，2012 年），但这也增加了在未采取预防措施的情况下，受试者出现困倦的风险。

警觉状态

大脑不断在激活的不同水平之间切换，也称为“警觉状态”。在脑电图（EEG）和脑磁图（MEG）研究中，我们区分了几个警觉状态。这些不同的状态可以通过视觉检查或脑电图的频谱分析来识别。
研究最深入的三个警觉状态是清醒、睡眠和睡眠剥夺。在静息状态研究中，“嗜睡”状态通常被避免，因为在嗜睡状态下警觉性或清醒度会降低，可能会极大地变化并影响测量结果。然而，在静息状态记录中识别嗜睡可能很困难，需要系统的方法。

每个警觉状态都有特定的特征，这些特征有助于光谱功率（Niedermeyer，1987 年，Cantero 等人，1999 年）和功能连接（Kuhnert 等人，2010 年，Piantoni 等人，2013 年）的差异。

已确定多个因素会影响警觉状态：昼夜节律（Kuhnert 等，2010 年）、录音前的任务表现（Klimesch 等，1999 年），包括神经心理学测试、药物使用或甚至咖啡因摄入（Siepmann 和 Kirch，2002 年，Barry 等，2011 年，Tal 等，2013 年）。身体姿势和录音环境也可能影响警觉性，从而影响功能连接度量的指标。例如，与在日光下坐着的环境相比，昏昏欲睡更有可能在昏暗且声音衰减的房间中发生，其中受试者处于仰卧位。此外，由于脑脊液层厚度的变化，脑电图记录的幅度也会因不同的身体姿势而改变（Rice 等，2013 年）。

眼睛的开闭

记录时眼睛是睁开还是闭上，对静息状态条件有很大影响。来自 fMRI、MEG 和 EEG 研究的证据揭示了睁眼和闭眼条件下功能连接度和功能网络的差异（Horstmann 等，2010，Tan 等，2013，Jin 等，2014，Xu 等，2014）。

无论何种条件，眼动都会影响神经生理记录，尤其是额叶通道（Davidson，1988，Allen 等，2004），因此是连接性分析中的潜在混杂因素。睁眼和闭眼都与特定的眼动相关。例如，眼睑跳动在睁眼条件下更为常见，而眼球转动可能特别影响闭眼条件。

闭眼状态下眼球运动通常是由于困倦引起的，这通常不是休息状态研究感兴趣的警觉状态。

在量化脑电图（EEG）参数时，闭眼状态比睁眼状态在会话中更稳定，闭眼时在α频段的后部有稳健的拓扑效应，这为选择休息状态时间提供了良好的指导，因此我们主张在休息状态记录中使用闭眼状态。

分析相关的方法

参考的方式

EG 电极测量的电势是以参考点为基准定义的。除了双极记录，其中 EEG 活动由两个电极之间的电势差定义外，EEG 记录通常使用单个共同参考点，如耳垂、乳突或中央电极作为参考。

重参考：这些传统参考蒙版会受到脑活动的影响，最终影响进一步分析。因此，记录通常在离线时重新参考，以计算电生理学上更安静的参考蒙版。
共同平均参考的优点是近似零和参考，但在低密度 EEG 记录中，这一优点越来越不明显。

无穷远参考:无穷远参考可以逆转到原始参考方案

表面拉普拉斯算子:表面拉普拉斯算子涉及到头皮上径向电流流的估计，这是无法撤销的。
表面拉普拉斯算子，已经在各种基本和应用的背景下被经验性地使用。

最近，一种统计上稳健的方法被提出，以充分减轻在共同平均参考中神经活动的影响（稳健估计方法)

一个相关的问题是参考选择在多大程度上会影响连通性度量的计算。例如，Qin 及其同事证明了在通过相干性（Qin 等人，2010 年）估计功能连通性时，无穷大参考相对于其他参考蒙版具有更好的性能。然而，相干性等相关性度量在连通性研究中越来越被放弃，因为它们未能包括大脑活动内在非线性的信息（第 4 节），并且目前尚不清楚在非线性连通性度量中使用时，无穷大参考的优越效果是否仍然存在。我们期待未来研究能够批判性地评估由于参考而产生的可能的偏差，正如在有效连通性度量中所示（van Straaten 等人，2015 年）。

信号与源空间

静息态脑电图（EEG）和脑磁图（MEG）研究利用电极层面（头皮）的活动来推断大脑区域（大脑皮层）（功能上）的相互连接。

多源（不定源）和模糊传导问题

这种分析在所谓的“信号空间”中进行，因为神经活动直接从脑电图电极或脑磁图传感器测量的信号中推断出来。在信号空间进行连接性分析时，应考虑几个因素。首先，由于信号的性质，多个电极会从单个来源拾取活动，这被称为“场扩散”。第二个问题是与体积传导相关：由于人脑的电导特性导致的“模糊”效应。

为了获得关于大脑区域之间通信的更可靠信息，研究将电极或传感器（信号空间）测量的活动投影回潜在的来源，即所谓的“源空间”。
信号空间到源空间的映射被称为逆问题。

在进行源定位时，要设置可能的放射源位置，传播方式等信息。
除非设定约束和假设。这些假设涉及，例如，可能源的数量或源之间的非线性。

在源空间分析神经生理信号并不能完全克服场扩散和体积传导的问题，因此有人建议将源空间分析与稳健的连接度测量相结合（Hillebrand 等人，2012）。
溯源和PLI的
利用一种能够可靠地描述人脑静息态动态的分析框架，功能连接区域的静息态网络在皮层上以频率依赖的方式变化。
该文章使用的数据是帕金森患者，其计算的指标可以借鉴。

使用的是波束成形的技术方法。

我们使用了之前分析的 13 名健康受试者的 MEG 数据，这些受试者参与了帕金森病研究，该研究已获得 VU
大学医学中心医学伦理委员会的批准。在这些研究中，估计并比较了健康对照组与痴呆和非痴呆帕金森病患者的振荡功率、功能连接和传感器级别的网络特征（Bosboom
等，2006，Bosboom 等，2009）。

使用spm99的roi模版。

讨论了这个源激活，和pli功能连接的正相关性。
源功率与功能连接性之间的关系。

这个文章中提到的源空间算法都比较早了。

源空间算法：
源空间分析有助于分离信号（Michel 和 Murray，2012）。 各种源空间分析方法已被提出（Baillet 等人，2001 年），包括脑电磁断层扫描（LORETA）在脑电图（EEG）研究中的应用（Pascual-Marqui 等人，1994 年）以及脑电图（EEG）和脑磁图（MEG）记录的波束形成方法（van Drongelen 等人，1996 年，Hillebrand 和 Barnes，2005 年）。

噪声和滤波的处理

为了最小化伪影对结果的影响，通常使用视觉检查和自动检测伪影来去除伪影或选择无伪影的数据段。许多尝试已被用于拒绝或减轻眼动伪影，以减少观察者间的差异，并提高数据可视检查的效率.
盲源分离，如独立成分分析，越来越多地用于检测和去除眼部伪影.

噪声和滤波的处理

核心方法与挑战

• 伪影去除技术：
  • 主观方法：依赖视觉检查筛选无伪影数据段，易引入观察者间差异。
  • 客观方法：自动检测工具（如阈值算法）提升效率，但需平衡灵敏性与特异性。
  • 盲源分离：独立成分分析（ICA）可有效分离眼动/肌电伪影，但依赖成分判读经验。
• 局限性：
  • 早期方法（如ICA）需结合人工验证，难以完全自动化；
  • 高频噪声（如肌电）与脑电信号频段重叠，滤波可能扭曲真实神经活动。

总结：伪影处理需结合自动化与人工校验，优先选择抗干扰的连通性指标（如相位同步），并在方法中明确滤波参数与伪影剔除标准。

---

时程的选择

基于视觉检查选择 epochs 是一种主观方法，可能会导致观察者之间的差异。epochs 选择对功能连接的影响从未被系统地研究过。然而，一些研究通过使用不同数量和选择的 epochs 重复分析，评估了其结果测量的稳定性，显示条件之间变化最小。
这可能表明，当选择足够的 epochs 时，epochs 选择的主观影响可能微不足道。尽管如此，自动分析可能有助于研究人员和临床医生评估和改进 EEG 和 MEG 记录中的 epochs 选择（Lodder 等人，2014 年）。目前自动检测系统的复杂性和有限透明度可能会让研究人员不愿意大规模使用它（Anderson 和 Doolittle，2010 年），尽管最近的进展很有希望（Shibasaki 等人，2014 年）。此外，建议在 epochs 选择之前定义选择标准。

时程选择（Epochs选取）

关键问题与策略

• 主观性陷阱：人工选取epochs易受个体偏好影响，导致结果波动。
• 稳定性验证：
  • 研究显示，足够数量的epochs（如>30段）可降低随机误差，增强结果可重复性；
  • 通过留一法交叉验证，确定最小所需epochs数。
• 自动化趋势：
  • 算法辅助epochs筛选（如基于信号方差/频谱特征）减少人为偏差；
  • 需公开算法逻辑以提高透明度，避免“黑箱”操作。

总结：优先采用半自动化流程（算法初筛+人工复核），预先定义epochs纳入标准（如排除运动伪影或过度肌电段），并在论文中报告epochs数量与选取依据。

---

epoch的数量和长度以及采样频率

不同时间段的长度和周期数目前被用于静息态功能连接研究，时间长度从 1 秒（Knyazeva 等人，2010 年，Chu 等人，2012 年）到几分钟（Tahaei 等人，2012 年）甚至一天（Kuhnert 等人，2010 年）；周期数从 1 个周期（Ahmadlou 和 Adeli，2011 年）到包含整个脑电图记录的 100 多个周期（Knyazeva 等人，2010 年）。先前的研究已经探讨了时间长度与连接稳定性之间的关系（David 等人，2004 年，Honey 等人，2007 年，Chu 等人，2012 年），并表明获得稳定连接度量的时间长度高度依赖于连接度量的类型。
通过使用留一法分析来确定所需的最小周期数（Douw 等人，2013 年）。同样，改变时间长度揭示了较长的周期长度并不自动意味着更稳定的连接度数值。 对于相位同步度量，较长的 epochs 可能会由于相位差的不对称分布而导致较低的连通性值（van Dellen 等，2014b）。从这个角度来看，我们建议在研究中使用相同长度的 epochs，因为 epochs 的长度会影响连通性度量（van Dellen 等，2014b），并且应根据所选的连通性度量选择 epochs 的长度。
此外，我们建议按 epochs 计算连通性值，并相应地计算每个受试者的平均连通性值（跨 epochs），以提高连通性值的稳定性。在某些研究中，研究功能连通性和网络的时序动态可能特别有趣。使用连续的短 epochs 可能有助于研究这些动态特性（Singer，2013）。

Epoch数量、长度与采样频率

影响因素与优化建议

• 时间长度权衡：
  • 短epochs（如1秒）：适合动态连接分析，但可能导致相位同步值低估（信号非平稳性）；
  • 长epochs（>1分钟）：提升统计稳定性，但可能掩盖瞬时网络重组（如默认模式网络波动）。
• 相位同步特殊性：
  • 长epochs中相位差分布趋均，降低表观同步强度（van Dellen效应）；
  • 需根据指标特性调整长度（如相位锁定值PLV用短段，相干性用长段）。
• 统一化处理：
  • 跨被试/组别使用固定epoch长度，避免长度差异引入偏差；
  • 按epoch计算连接矩阵后取均值，平衡噪声与时间分辨率。

总结：针对研究目标灵活设计——动态网络用短epochs（如2秒滑动窗），稳态特性用长epochs（如60秒），采样频率需≥2倍最高分析频率（如研究40Hz伽马频段需≥80Hz采样）。

---

附：参数选择速查表

场景	推荐epoch长度	典型应用
相位同步（PLV）	1-2秒	脑电gamma频段瞬时耦合
功能连接（相干性）	10-30秒	静息态alpha频段长程整合
网络动态重组	0.5-2秒滑动窗	任务态theta频段网络切换
全天节律监测	连续记录+分段	睡眠周期或癫痫发作间期网络演化

频率带的选择

因子分析表明，将脑电图（EEG）记录分类到不同的频段，即δ波（0.5–4 Hz）、θ波（4–8 Hz）、α波（8–13 Hz）、β波（13–30 Hz）和γ波（30–90 Hz），在统计学上是合理的（Lopes da Silva，1998）。
外，每个频段都与不同的认知功能相关联（Basar 等，2001）。然而，关于传统频段是否确实是固定实体，存在相当大的争议。例如，频谱带限似乎取决于年龄等因素（Aurlien 等，2004，Boersma 等，2011）。此外，有人认为，低频（8–10 Hz）和高频（10–13 Hz）的α频段参与不同的认知过程（Klimesch，1999）。γ频段的可靠性存在争议，因为从表面记录中可靠地推断γ振荡仍然存在疑问（Lopes da Silva，2013）。

管各个研究领域一直认为伽马活动与任务（例如，视觉注意力、感知和记忆（洛佩斯·达·席尔瓦，2013 年））或疾病（例如，癫痫、自闭症、ADHD 和精神分裂症（赫尔曼和德米拉普，2005 年））有关，但研究表明，来自表面记录的 EEG 振荡>20 Hz 反映了肌电伪迹（惠瑟姆等人，2007 年，波普等人，2009 年）。
眼球的运动
除了肌电伪迹外，扫视尖峰电位也已知会影响伽马频段（尤瓦尔-格林伯格等人，2008 年，尤瓦尔-格林伯格和德乌埃尔，2009 年）。
最后，各种脑部疾病与特定频带的异常减慢有关，从而作为疾病特异性修饰因子，详见（卡普兰和罗塞蒂，2011 年）。这些疾病特异性光谱变化在评估这些患者的连接性测量时可能成为问题，尤其是在连接性测量高度依赖于振幅时。 基于相位差的连通性测量因此被推荐，因为它们对振幅差异不敏感或敏感性较低（第 4 节）。此外，我们建议在连通性和功能网络分析的同时进行功率谱分析，以区分疾病特异性频段变化与疾病相关连通性和网络变化（de Haan 等，2009 年，van Diessen 等，2013 年）。为了克服先前描述的频段相关问题，一些研究采用了宽带方法。在探索无向假设时，这可以作为一个选项，以避免由于跨频段多次比较而导致的 I 型错误率增加，但它可能无法区分不同频段中同时（相反）的变化。

测试重测信度

为了评估随时间推移的静息态脑电图（EEG）记录的变化或干预措施的影响，了解多次记录随时间对结果指标的影响是重要的。先前文献表明，在 EEG 频谱分析中存在中等至高度个体内相关，相关系数介于 0.4 至 0.9 之间（Gasser 等，1985，Kondacs 和 Szabo，1999，Fingelkurts 等，2006，Gudmundsson 等，2007，Napflin 等，2007）。这些相关性似乎不依赖于记录之间的时间间隔（Salinsky 等，1991，Olde Dubbelink，2014）。当两次测试之间的间隔为几个月或几年时，还应注意衰老的影响。

这个是否是脑纹相关研究的早期依据。存在个体相关性。

连通性指标

为了研究大脑区域之间的功能相互作用，EEG 和 MEG 研究使用了不同的连接性度量方法。

相互作用大脑区域的量化可以细分为功能连接和有效连接度量。

连接性度量基于信号之间的统计相互依赖性（Aertsen 等，1989）。大脑区域之间连接的程度由这种统计相互依赖性的强度或一致性定义（Varela 等，2001），也称为同步.

同步一词通常指的是两个或更多谐波振荡器（相位）耦合（Boccaletti，2002），但在大脑连接性分析中目前使用得更为宽松.

更强的同步，通常反映为振荡系统的高耦合或一致性，导致更强的连接。 与仅提供时间相关性信息的功能连接度度量相比，有效连接度度量还提供了关于大脑区域之间因果和因此有方向的信流信息（Friston，2011）。越来越多的证据表明，大脑中的信息处理遵循大脑区域之间复杂、有方向的模式（Stephan 和 Roebroeck，2012）。如视觉分析的多级结构。

除了有效连接度外，有向功能连接度度量还可以揭示疾病大脑中信息流正常方向性的紊乱，例如，在痴呆症（van Straaten 等人，2015 年）、癫痫（Korzeniewska 等人，2014 年）或意识受到干扰时（Lee 等人，2013 年）。这些有向功能度量不提供关于大脑区域之间因果关系的信息。

2014年Bonita的文献
内通道间脑电图相关性的测量：线性、非参数和非线性测量的比较

四个时域相关性的功能连接:皮尔逊积矩相关系数、斯皮尔曼秩次相关系数、肯德尔秩次相关系数和互信息

三种不同的连通性概念：解剖学、功能和有效

• 完整的解剖学描述不仅需要了解几何邻近性，还需要了解受体亚型和神经递质的可用性

• 功能连通性被定义为“空间上遥远的神经生理事件之间的时间相关性”

• 有效复杂性被定义为“一个神经网络系统对另一个神经网络系统直接或间接产生的影响”

而当试图整合来自不同观测技术的结果时，这些问题变得更加复杂。他的分析得出三个结论。首先，“我们应该将功能（和有效）连通性视为不是一个单一的概念或数量，而是一个具有多个成员的概念类别。”其次，“功能性和有效连通性必须由评估这些数量的每个研究者通过操作定义。”第三，“将每个宏观定义与潜在的神经网络基础联系起来至关重要。”

功能连接是关于神经相互作用的理论中三种连接概念中最核心和最具挑战性的.

决定最合适的连通性度量可能很困难，因为需要考虑几个问题。这包括考虑线性或非线性关系、时域或频域分析、使用基于振幅或相位的度量、获取有向或无向信息，以及是否包括间接关系（即多元或双变量）。用于研究大脑连通性的线性相关性已经使用了数十年，在计算和解释方面相对简单，详见（Shaw，1984）。由于这些线性方法无法考虑神经元活动的内在非线性，因此引入了各种非线性连通性度量（Pereda 等，2005，Wendling 等，2009，van Mierlo 等，2014，Vindiola 等，2014），包括几个基于相位的连通性度量，如相位锁定值（Lachaux 等，1999）和相位滞后指数（Stam 等，2007b）。除了考虑非线性之外，新颖的多变量连通性度量旨在区分直接和间接关系（Friston，2011）。 而二元度量在计算两个感兴趣信号之间的交互时忽略了其他信号的影响，而多元度量则试图以有意义的方式解开这些信息。显然，所有这些不同的连通性度量都有其独特的优缺点。在表 1 中，我们提供了目前最常使用的度量的概述，包括它们的主要优缺点。

这个汇总表（记录在下面):

Connectivity measure 连通性度量	Property measured 性质测量	Advantage(s) 优点	Disadvantage	Key reference(s) 关键参考文献
Correlation 相关	时域中两个信号振幅的线性关系	常用且简单的方法	非线性未考虑,无法区分直接关系和间接关系 对体积传导敏感	相关分析在脑电图临床的应用
Coherence 一致性	频率域中两个信号振幅的线性关系	常用且简单的方法	非线性未考虑，无法区分直接关系和间接关系 对体积传导敏感	神经元群体在睡眠和精神任务中的协同行为。
Granger causality 格兰杰因果关系	当包含信号 Y 的过去时，可以更精确地预测信号 X 的未来，反之亦然	估计因果交互，因此评估了方向性,已在许多研究领域中得到确立和广泛应用	非线性未考虑，方法选择（例如，在脑电图中的参考选择）以及其他混杂因素（例如，体积传导）可能会干扰实际的因果关系	维纳-格兰杰因果性：一种成熟的方法时间变异性脑电图格兰杰因果性在检查神经网络集合的定向相互依赖中的应用
Directed coherence 定向相干性	基于格兰杰因果原理的频域中两个信号之间的有向线性关系	信息流的方向性	非线性未考虑,无法区分直接关系和间接关系 对体积传导敏感	定向一致性作为脑电图半球间相关性的衡量指标
Directed transfer function 有向传递函数	给出基于格兰杰因果原理，在频域内节点 X 向节点 Y 的流出与节点 Y 所有流入的归一化因果关系	信息流的方向性，常见源与相互连接之间的区别	非线性未考虑 无法区分直接关系和间接关系 噪声信道影响方向性 难以估计多元模型的最优阶数	描述脑结构信息流的新方法
Partial directed coherence 部分有向一致性	给出基于格兰杰因果原理，在频域内节点 X 向节点 Y 的流出因果关系的度量，并按节点 X 的所有流出进行归一化	信息流的方向 对体积传导不敏感	非线性未考虑无法区分直接关系和间接关系 由于归一化，未得出耦合强度的结论 难以估计多元模型的最优阶数	神经结构确定中的部分定向一致性：一个新概念
Imaginary part of coherency 虚部（相干度）	基于相干性 ⁎ ，但通过仅包括相干性的虚部来排除体积传导的影响	对体积传导的敏感性较低	未考虑非线性 虚部通常较小，因此可能错过有意义的相互作用，无法区分直接关系和间接关系	利用相干性的虚部从脑电图数据中识别真正的脑交互
Mutual information 互信息	信号 X 中可由信号 Y 解释的信息量以及反之，基于 X 和 Y 的概率分布以及 X 和 Y 的联合概率分布	在窄频带分析中，互信息非常敏感	交互无方向性，弱耦合可能被忽略，从实验时间序列中获得复杂计算度量，无法区分直接关系和间接关系	独立坐标：奇异吸引子的互信息
Synchronization likelihood 同步概率	描述信号 X 与信号 Y 在状态空间中相互信息的标准化强度	有效地处理由相互作用系统引起的复杂性 对非线性关系敏感 非线性被考虑在内	对体积传导敏感 无法区分直接关系和间接关系	同步概率：多远数据集中广义同步的无偏度量
Phase locking value 相位锁定值	给出两个时间序列之间平均瞬时相位差的模	非线性被考虑在内	无交互方向性 对体积传导敏感 瞬时相位差的大小被包括在内 无法区分直接关系和间接关系	测量脑信号中的相位同步
Phase Slope Index (PSI) 相位斜率指数	估计信息流的方向，基于信号 X 和 Y 之间的交叉谱密度相位差斜率	- 权衡不同时间序列的贡献 - 不受独立来源混合（例如，背景活动）的影响	- 无法区分直接关系和间接关系 - 复杂的计算方法	Nolte et al. (2008)
Phase Lag Index (PLI) 相位滞后指数	两个信号之间相位差分布的不对称性	- 对体积传导、常见源和蒙片敏感度较低	- 可能错过线性但功能上有意义的相互作用 - 瞬时相位差被二值化，噪声条件下可能遗漏小相位差 - 无法区分直接关系和间接关系	Stam et al. (2007b)
Weighted Phase Lag Index (wPLI) 加权相位滞后指数	观测到的相位领先和滞后对贡献的权重由相干性的虚部幅度决定	- 对噪声敏感性降低（相比PLI） - 提高相位同步变化检测（相比PLI）	- 包含瞬时相位差大小，但无证据表明其对耦合强度重要 - 对0°和180°附近相位差不敏感 - 混合相位差一致性和幅度信息，阻碍解释 - 无法区分直接关系和间接关系	存在体积传导、噪声和样本量偏差时电生理数据相位同步改进指数 Vinck et al. (2011)
Directed Phase Lag Index (dPLI) 有向相位滞后	信号 X 的瞬时相位在时间上小于信号 Y 的相位（模π）的概率	- 反映信息流的方向性 - 对体积传导和共同源敏感度更低（相比PLI）	- 方向性可能模糊（小幅领先与大幅滞后相似） - 无法区分直接关系和间接关系	跟随潮流：使用定向相位滞后指数（dPLI）来表征大脑动力学大规模模型中相位关系模式

除了连接性度量之间的计算差异之外，在选择和解释连接性度量结果时，考虑相关的方法论问题也很重要。这包括，例如，场扩散问题、体积传导（第 3.2 节）和特定参考蒙版（第 3.1 节），这些问题对于许多度量会导致两个记录站点之间连接性估计过高（Nunez 等人，1997 年，Stam 等人，2007b，Schoffelen 和 Gross，2009 年）。然而，在计算连接性度量之前，可以消除这些偏差（Brookes 等人，2012 年，Hipp 等人，2012 年）或通过模拟估计偏差对连接性度量的影响（Brookes 等人，2011 年）。一种更直接的方法是使用基于相位的连接性度量，这些度量对这些虚假交互作用不太敏感。 通常，这些基于相位的测量方法，如相干性的虚部（Nolte 等，2004）、相位斜率指数（Nolte 等，2008）和相位滞后指数（Stam 等，2007b），忽略了由体积传导/场扩散产生的零相位相互作用（以忽略真正的零相位相互作用为代价）。相位滞后指数的另一个优点是它不直接依赖于信号的幅度（Muthukumaraswamy 和 Singh，2011）。

功能网络

静息态脑电图（EEG）和脑磁图（MEG）数据可用于构建连接矩阵，进而通过网络分析（Sporns 等人，2004 年，Bullmore 和 Sporns，2009 年，Stam，2010 年）构建功能网络。

与仅提供不同大脑区域对（功能上）连接信息的连接度量相比，网络分析描述了网络的组织结构（Stam 和 van Straaten，2012b）。复杂网络分析是图论的一个分支，将大脑简化为“节点”和“边”的集合，并允许对这些网络进行定量描述。

在脑电图（EEG）和脑磁图（MEG）研究中，节点对应于记录位点（电极或传感器），或在使用源空间分析时对应于特定的脑区。边是节点之间的连接，代表（功能）连接值。 节点和边共同构成了网络的基本元素，从这些元素可以推断出各种全局和局部网络度量。

脑连接构建复杂网络的应用

可以查看下面的综述文献

脑连接性的复杂网络度量：应用与解释

基于网络的统计：识别大脑网络的差异
本文提出了一种名为基于网络统计（NBS）的新方法，用于识别神经影像数据中的功能或结构连接差异，这些数据被建模为网络。通过使用接受者操作特征（ROC）曲线，NBS 被证明在控制全家人错误率（FWE）方面比通用程序具有显著更高的统计功效，只要任何连接差异都结构化到形成连接组件的程度。NBS 只能提供对家族错误率的弱控制，这被认为是其主要缺点。随后，在涉及 12 名慢性精神分裂症患者和 15 名对照者的真实病例对照研究中，NBS 的应用得到了证明，该研究获得了静息态功能 MRI 数据。NBS 在精神分裂症组中识别出一个单一的不连接子网络，主要由额颞和枕颞不连接组成。我们相信 NBS 将在神经影像数据的网络分析中发挥重要作用。

网络的构建

讨论了加权和未加权网络的区别，以及有向和无向网络。要点包括加权网络考虑连接强度，而未加权只考虑是否存在；设置阈值的问题；有向网络需要有效连通性度量，但大多数研究使用无向网络。需要总结这些区别和各自的优缺点。

• 加权网络

  • 考虑节点间连接的强度（如功能交互的同步程度），更贴近真实网络，但可能包含噪声导致的弱连接干扰。

• 未加权（二值化）网络

  • 仅保留高于阈值的连接，简化分析但可能丢失关键信息。阈值选择具有主观性，可能影响结果一致性。

• 有向网络

  • 需通过有效连通性方法（如格兰杰因果）推断方向性，可揭示信息流向，但计算复杂，研究多采用无向网络（如基于相关性分析）

网络密度

讲网络密度受节点数量影响，比较不同网络时需要节点数量相同。二进制网络可以简化但丢失信息，加权网络结合归一化方法可能更好，但仍有挑战。最小生成树（MST）被作为一个解决方案。

• 问题：网络密度（连接数）受节点数量影响，跨样本比较需固定节点数，否则指标（如聚类系数）不可比。
• 传统方案
  • 二值化网络：统一密度但损失信息。
  • 加权网络+归一化：需生成代理网络对比，步骤繁琐且残留偏差。

最小生成树

• 创新方案：最小生成树（MST）
  • 提取原始网络中最强的无环连接，连接数恒为$N-1$（$N$为节点数），天然消除密度差异。
  • 代价：忽略弱连接可能丢失部分拓扑信息，但作为“网络骨干”在小世界特性分析中表现稳健。

全局和局部网络指标

最常用的两个网络指标是平均路径长度，它是衡量网络全局整合的指标，以及平均聚类系数，它定义了网络的局部隔离。

• 全局指标
  • 平均路径长度：网络整合效率，值越小信息传递越快。
  • 平均聚类系数：网络模块化程度，值高表明局部连接紧密。
  • 小世界特性：短路径+高聚类的平衡，标志脑网络高效信息处理。
• 局部指标
  • 枢纽节点：
    • 度（Degree）：直接连接数，简单但易受噪声影响。
    • 介数中心性（Betweenness）：衡量节点在信息中转中的重要性，计算复杂度高。
    • 特征向量中心性（Eigenvector）：反映节点与重要节点的连接，平衡效率与计算成本。
  • 模块化结构：网络由高度内连的子模块构成，省际枢纽（模块内核心）与连接枢纽（跨模块桥梁）分工协作。

4. 指标选择与注意事项

• 避免陷阱
  • 体积传导干扰：线性同步指标（如相干性）易高估邻近节点连接，优先选择相位锁值（PLV）等抗干扰方法。
  • 指标冗余：部分指标（如特征向量中心性与度）高度相关，需结合研究问题筛选。
• MST衍生指标
  • 全局：MST直径（最长路径）、叶节点数（末端节点）反映整合与分离。
  • 局部：节点在MST中的层级位置可标识枢纽角色。

在下一节汇总，这些图的矩阵连接，构造过程，和指标计算的代码