动态功能连接与多层脑网络11 / 21
平稳零模型检验
要声称存在动态连接，需要检验：观测到的波动是否超过了一个平稳（stationary）零模型下的预期。常用的零模型：
- 相位随机化替代数据（phase-randomized surrogates）：对多通道信号做傅里叶变换，给所有通道加上同一组随机相位再逆变换。这样保留了每个信号的功率谱和通道间的静态协方差，但破坏了任何非平稳结构（算法见数学推导与算法）。
- 多元自回归（AR）模型：用整段数据拟合一个平稳的线性模型，再模拟出大量替代时间序列。
- 多元高斯独立抽样：只保留静态协方差、不保留自相关，是最弱的零模型，常用于检验边时间序列一类“逐帧”结论。
检验统计量可以是窗口相关的方差、峰度、状态切换次数或状态占时的分布。零模型越弱（保留的性质越少），越容易被拒绝，结论也越不说明问题；一般应选择保留功率谱与静态协方差的零模型。
Hindriks 等（2016, NeuroImage）和 Laumann 等（2017, Cerebral Cortex）的分析显示，单个被试的静息态 fMRI 中，大部分窗口相关的波动可以由采样变异、头动和觉醒水平变化解释，真正超出平稳零模型的部分有限。另一方面，Abrol 等（2017）在大样本中发现部分状态指标能超出平稳替代数据（见状态数的选择与稳定性）。两类结论并不矛盾：单被试、单次扫描的检验效力很低，而组水平的统计量可以检测到较弱的非平稳性。
状态 ≠ 脑的“真实模式”。k-means 总会返回你指定数目的聚类中心，哪怕数据完全平稳。因此：（1）状态数的选择（肘部法则等）具有主观性，应做敏感性分析；（2）要用替代数据跑同样的流程，看真实数据的状态结构是否明显不同；（3）组间“停留时间差异”可能来自头动或嗜睡程度的组间差异。动态连接是真实存在的，但证明它需要比静态分析更严格的统计设计。
Lurie 等（2020, Network Neuroscience）汇集多位研究者，系统讨论了时变功能连接中尚无共识的问题，是进入这一领域前值得通读的“争议地图”。