生物医学应用

动态与多模态网络分析最直接的临床愿景，是为神经调控提供靶点和时机。例如在闭环深部脑刺激、经颅磁刺激研究中，研究者希望根据实时的网络状态（如某个连接模式或振荡同步出现时）决定何时、在何处施加刺激。这要求网络指标不仅在组水平显著，还要在个体、单次记录层面可靠——恰好是有限样本波动和重测信度两部分讨论的难点。电生理（EEG/MEG、颅内记录）的毫秒级时间分辨率使它比 fMRI 更适合这种实时用途。

第二个方向是疾病机制与中间表型。精神分裂症的连接状态与灵活性研究（Damaraju 等, 2014；Braun 等, 2016；Du 等, 2018）、抑郁症的连接变异研究（Kaiser 等, 2016）显示，静态分析中相互矛盾的结果（同一对脑区既有“增强”又有“减弱”的报告）有时可以在“只在某些状态中出现差异”的框架下得到解释；药理学实验（如 NMDA 受体拮抗剂对灵活性的影响）则把动态指标与分子机制联系起来。

第三个方向是发育与老化：耦合与动态指标的年龄轨迹（Hutchison & Morton, 2015；Baum 等, 2020；Cabral 等, 2017；Battaglia 等, 2020）为理解认知发展与认知衰退提供了网络层面的描述。

另一个方向是个体化脑网络：与其把所有人对齐到同一个图谱再求平均，不如对每个人长时间、多次扫描（“精密功能成像”），描绘个体自己的功能网络边界。这类研究显示，个体之间功能系统的位置和大小差异显著，这对基于图谱的节点定义提出了新的挑战；它也直接提高了动态指标的个体信度。

使用动态连接的研究至少应包括：（1）预先确定的窗长或状态数，并做敏感性分析；（2）与相位随机化或 AR 替代数据的比较；（3）把头动、清醒程度（如可获得）作为协变量；（4）报告关键动态指标的重测信度或分半信度；（5）尽量在第二种方法或独立样本中复现主要结果。