动态功能连接与多层脑网络07 / 21
连接状态
Allen 等（2014, Cerebral Cortex）的研究奠定了常用范式：对 405 名健康被试的静息态 fMRI 先用独立成分分析得到功能网络节点，再计算滑动窗口相关（窗长 22 个 TR，约 44 秒），把所有被试、所有窗口的连接矩阵拉平成向量，用 k-means 聚类得到若干反复出现的连接状态（connectivity states），该研究报告了 7 个状态。完整流程见数学推导与算法。
连接状态：在不同时间、不同被试中反复出现的典型连接模式，通常是聚类中心。由此派生的指标包括：
- 占时比例（fraction of time / fractional occupancy）：被试处于某状态的窗口比例；
- 平均停留时间（mean dwell time）：连续停留在同一状态的平均窗口数；
- 转移概率矩阵：从状态 转到状态 的概率；
- 切换次数：状态序列中标签改变的次数。
算例：某被试 10 个窗口的状态序列为
1 1 1 2 2 1 1 3 3 3。状态 1 的占时比例为 5/10 =
0.5；它出现了两段（长 3 和 2），平均停留时间 2.5 个窗口；整条序列切换 3
次（1→2、2→1、1→3）。估计转移概率时，分母是“处于状态 1
且有下一个窗口”的次数：第 1、2、3、6、7 个窗口，对应的下一步依次为
1、1、2、1、3，所以
，。窗口高度重叠时，“停留时间”和“转移概率”都被窗口平滑放大，比较组间差异时应使用相同的窗长和步长。
除 k-means 外，状态也可以由隐马尔可夫模型直接从时间序列估计，或在相位、CAP 层面定义（见前两节）。状态数的选择与可重复性见状态数的选择与稳定性。
动态分析的吸引力在于把连接与认知和意识状态联系起来。例如，Tagliazucchi & Laufs（2014, Neuron）用静息态 fMRI 的连接模式解码被试的清醒水平，发现相当比例的被试在几分钟的“静息”扫描中就出现了向睡眠的漂移。这既说明连接模式确实随状态改变，也提醒我们：所谓“静息态”并不是一个均一的状态。