动态功能连接与多层脑网络21 / 21
适用范围与常见误用
- 误区：滑动窗口相关在时间上起伏明显，说明连接在动态变化。→ 正解：有限窗口的采样变异本身就会产生起伏，必须与平稳零模型（相位随机化、AR 模型）比较。
- 误区：窗口越短，时间分辨率越高，结果越好。→ 正解：短于最低频成分周期的窗口会产生伪波动，估计方差也更大；时间分辨率与估计可靠性需要权衡。
- 误区：k-means 找到了 5 个状态，说明大脑有 5 种连接模式。→ 正解：聚类总会返回指定数目的中心；状态数应做敏感性分析，并检验替代数据中是否也会出现相似“状态”。
- 误区：HMM 不用选窗口，所以没有自由参数。→ 正解：HMM 需要选状态数、观测模型和先验，并可能出现“模型停滞”，把整个扫描分到一个状态中；应检查每名被试的状态占时分布。
- 误区：高 RSS 帧更像整体 FC，证明 FC 由离散“事件”驱动。→ 正解：在完全平稳的高斯数据中同样会出现这一现象；需要与保留静态 FC 的零模型比较。
- 误区：两组的网络灵活性不同，说明一组大脑“更灵活”。→ 正解：灵活性依赖 、、窗长和平均连接强度，组间差异需在参数网格上稳健，并排除头动与连接强度差异。
- 误区：小波相干在某时某频达到 0.6，说明两脑区此时强耦合。→ 正解：平滑有限时相干有显著正偏差，且边缘值不可靠，应与替代数据比较、剔除影响锥并校正多重比较。
- 误区：EEG 电极之间相干很高，说明对应脑区之间有强连接。→ 正解：容积传导会造成零滞后的虚假耦合，应在源空间分析或使用 PLI、相干虚部、正交化包络相关等指标。
- 误区：EEG 微状态就是 fMRI 动态连接状态的快速版本。→ 正解：微状态是毫秒级的头皮地形图类别，连接状态是数十秒级的相关矩阵类别，测量对象和时间尺度都不同。
- 误区：状态在两个样本中都能复现，所以“停留时间”可以作为个体生物标志物。→ 正解：组水平模式可重复不等于个体指标可靠；状态派生指标的重测信度通常较低，应单独评估。