共激活模式

前面的方法都在“连接”（二阶统计量）的层面上工作。共激活模式（co-activation patterns, CAP）回到一阶的活动层面：静息态网络的相关图，可能主要由少数几个时间点的同步大幅活动决定。

点过程与事件帧

Tagliazucchi 等（2012, Frontiers in Physiology）把 BOLD 信号转换为“超过阈值的时刻”组成的点过程，发现只用这些稀疏事件就能重现常见的静息态网络。Liu & Duyn（2013, PNAS）沿着这一思路，在 247 名被试的公开静息态数据中以后扣带回为种子：只选种子信号超过阈值的帧并做平均，包含约 15% 的帧时，与用全部帧算出的种子相关图的相似度就接近平台；在组水平，这 15% 的帧的平均图与全数据相关图的空间相关达到 0.995。

CAP 的构造

在上述选帧的基础上，Liu & Duyn 用 k-means 按空间相似性把选中的帧分组，每组求平均即得到一个 CAP。以后扣带回为种子时，他们报告了 8 个 CAP（$k=8$），它们彼此不同，也与传统的默认模式网络图不同：常规相关图实际上是这些模式的混合。

算法 3  种子 CAP 分析
输入：体素或脑区时间序列 X ∈ R^{N×T}（每个通道 z 标准化）；种子区 s；阈值分位数 q；聚类数 K
1. F ← {t : x_s(t) > quantile(x_s, q)}            # 选出种子高活动帧
2. 取帧向量 X[:, t], t ∈ F，用 k-means（空间相关距离）聚为 K 类
3. CAP_k ← 第 k 类帧的平均；可除以类内标准误得到 z 图
4. 输出：CAP_k、每类帧数占比（出现频率）、类内一致性（帧与类均值的平均空间相关）

扩展方法包括不依赖种子、对全部帧或全部高 GFP 帧聚类的全脑 CAP，以及通过反卷积血流动力学响应、寻找“创新信号”的新息驱动共激活模式（iCAPs; Karahanoğlu & Van De Ville, 2015, Nature Communications），后者允许多个网络在时间和空间上重叠。