1 基本概念
1.1 定义
功能连接是指两个或多个脑区、神经元群体或神经系统单元在活动水平上的统计相关性或协同变化关系。它强调的是不同区域之间是否表现出同步、耦合或共同波动，而不直接说明这些区域之间是否存在明确的解剖学连线。
在脑成像与神经电生理研究中，功能连接通常被用来刻画大脑不同部分在静息状态或执行任务时的信息协调方式。它既可以表现为简单的相关，也可以表现为更复杂的时间序列依赖、频域一致性或信息共享关系。
1.2 与结构连接的区别
结构连接关注的是脑区之间是否存在物理上的解剖通路，例如白质纤维束、轴突投射或神经元之间的直接突触联系。功能连接则描述活动层面的联系，二者并不完全一致。
某些区域虽然在解剖上联系较弱，但由于共同受控于同一系统，仍可能表现出较高的功能连接；反之，一些存在直接结构通路的区域，也可能因任务状态或调控机制不同而呈现较弱的功能耦合。因此，功能连接更适合反映系统运行状态，结构连接则更适合说明连接基础。
1.3 与有效连接的区别
有效连接强调方向性与因果影响，即一个脑区的活动是否对另一个脑区产生定向调控作用。与此相比，功能连接主要关心统计依赖，不一定包含方向信息，也不直接推断因果关系。
在实际研究中，功能连接常作为更基础的描述性指标，用于识别脑网络中可能协同工作的区域；有效连接则通常用于进一步探讨信息流向、控制机制和调节关系。两者在分析目标上不同，但常被联合使用。
1.4 研究对象与适用范围
功能连接的研究对象可以是单个神经元、神经元群体、脑区、网络节点，甚至跨多个系统的广泛活动单元。其适用范围涵盖静息态、任务态、发育阶段、学习过程以及疾病状态等多种情境。
由于这一概念不依赖单一成像技术，因此在功能磁共振成像、脑电图、脑磁图、近红外光谱成像以及动物电生理研究中均有广泛应用。不同技术得到的功能连接具有不同时间分辨率、空间分辨率和解释层级。
2 理论基础
2.1 神经元活动的相关性
大脑中的神经活动并非彼此孤立，而是常以群体形式协同变化。神经元放电、局部场电位、血氧变化等信号都可能呈现一定的时间同步或波动一致性，这为功能连接的构建提供了基础。
这种相关性可以来自共同输入、局部回路耦合、节律振荡或任务驱动下的共同激活。因而，功能连接并不是单纯的数学现象，而是对神经系统协同模式的一种间接表征。
2.2 脑网络与系统协同
脑可被视为由多个功能模块组成的复杂网络。不同模块在完成感知、记忆、决策和运动等任务时，需要通过协调来实现整体效率。功能连接正是对这种系统协同的量化描述之一。
从网络角度看，功能连接帮助研究者识别哪些区域倾向于共同参与某类过程，哪些区域在信息整合中更为关键，以及脑系统如何在不同状态下重组连接模式。
2.3 统计依赖与信息传递的关系
功能连接常以统计依赖来定义，但统计相关并不等同于真实的信息传递。两个信号之间出现一致变化，可能是因为直接交互，也可能是因为第三方区域共同驱动，或仅仅受相同外部条件影响。
因此，功能连接更准确地说是对“共同变化”的度量，而不是对“信息流向”的直接证明。在解释结果时，研究者通常需要结合实验设计、结构信息和其他分析方法进行综合判断。
2.4 动态与静态连接观念
传统功能连接多采用较长时间窗内的平均相关关系，假定连接模式相对稳定，这被称为静态功能连接。随着研究深入，人们逐渐发现脑网络会随时间、任务和状态快速变化，于是提出了动态功能连接的概念。
动态观念强调连接并非固定不变，而是在短时间尺度上呈现波动、切换与重组。静态方法适合概括整体特征，动态方法则更适合揭示瞬时网络状态及其转换规律。
3 测量方法
3.1 基于相关性的指标
基于相关性的指标是功能连接中最常见的一类方法，通常通过比较两个信号的相似程度来衡量它们之间的耦合强度。这类方法计算简便，解释直观，适合大规模脑区分析。
3.1.1 Pearson相关
Pearson相关系数用于衡量两个变量之间线性关系的强弱与方向。若两个脑区的信号随时间同步升降，则相关系数较高；若变化方向相反，则相关系数为负。
这一方法广泛应用于静息态功能连接分析，尤其适合处理经过标准化后的连续时间序列。但它主要反映线性关系，对非线性依赖的敏感度有限。
3.1.2 互相关
互相关用于考察两个时间序列在不同时间延迟下的相似程度。它不仅能够反映是否存在同步，还可提示一个信号是否相对另一个信号出现时间偏移。
在脑电图和脑磁图研究中，互相关常用于分析节律活动的时序关系。若配合延迟峰值的解释，还能为不同脑区间的先后响应提供线索。
3.1.3 频域一致性分析
频域一致性分析关注两个信号在特定频率成分上的同步程度，常用于脑电和脑磁数据。与时域相关不同，这类方法更适合研究振荡活动、节律耦合和频段特异性连接。
常见指标包括相干性等。它们能够揭示某些脑区在特定频带上是否具有稳定的同步特征，因此在研究注意、睡眠和节律调控时尤为常见。
3.2 基于信息论的方法
信息论方法不局限于线性关系，能够从更广义的角度刻画信号之间共享的信息量。它们在处理复杂、非线性脑信号时具有一定优势。
3.2.1 互信息
互信息用于衡量两个变量之间共享信息的多少。若两个脑区的活动模式越能互相预测，其互信息就越高。与相关系数相比，它对非线性依赖更敏感。
该方法常用于探索更复杂的功能耦合模式，尤其适合存在非线性响应或多峰分布的信号。不过，其估计结果对样本量和参数设定较为敏感。
3.2.2 条件互信息
条件互信息是在控制第三个变量后，衡量两个变量之间仍然共享多少信息。它常用于降低共同驱动因素带来的干扰，从而更接近真实的直接依赖关系。
在脑网络研究中，条件互信息可用于识别更细致的交互结构，帮助区分直接联系与间接相关。这类方法通常计算复杂度较高，对数据质量要求也更严格。
3.3 基于时间序列建模的方法
时间序列建模方法将脑信号视为动态过程，通过模型参数来描述不同区域之间的相互作用方式。这类方法更强调时序结构和预测关系。
3.3.1 自回归模型
自回归模型假定当前信号可以由其过去若干时刻的值以及其他序列的历史值共同预测。通过比较不同序列的预测贡献，可以评估它们之间的耦合程度。
这类方法常用于分析脑电、脑磁和局部场电位数据，适合研究短时间尺度上的交互模式。若引入方向性假设，还可进一步用于推测先后影响关系。
3.3.2 状态空间模型
状态空间模型将系统活动分为可观测信号与潜在状态两部分，适合描述隐藏的动态过程。它能够处理噪声、时变特征和潜在结构变化。
在功能连接研究中，状态空间模型常用于捕捉随时间变化的网络状态，尤其适合动态连接和复杂任务数据。其优势在于更贴近真实神经系统的连续变化特征。
3.4 基于图论的连接表征
图论方法将脑区视为节点，将其间的连接视为边，从而把功能连接转化为网络结构问题。这种表达方式便于分析复杂系统中的组织规律。
3.4.1 节点与边的构建
节点通常对应脑区、体素、传感器或功能单元，边则表示节点之间的连接强度。节点如何划分、边如何定义，会直接影响网络结果。
在实际分析中，节点划分往往依据解剖模板、功能分区或数据驱动聚类，而边的权重可由相关系数、互信息或其他指标赋值。
3.4.2 加权网络与阈值化处理
加权网络保留连接强度信息，能够更完整地描述脑网络的连续特征。阈值化处理则是根据某一标准筛选出较强连接，构建更简洁的网络结构。
阈值化有助于突出主要联系，但也可能丢失部分信息。是否使用阈值、阈值如何设定，通常需要结合研究目的与稳健性分析综合决定。
4 数据来源与实验手段
4.1 功能磁共振成像
功能磁共振成像通过血氧水平依赖信号间接反映脑活动，适合进行全脑范围的空间分析。其空间分辨率较高，因此常用于静息态和任务态功能连接研究。
该方法的时间分辨率相对较低，更适合观察较慢的网络变化。由于信号主要反映血流动力学反应，因此解释时需注意其与真实神经活动之间的间接关系。
4.2 脑电图
脑电图记录头皮表面的电活动变化，具有较高的时间分辨率，能够捕捉毫秒级神经动力学。它在研究频域一致性、事件相关连接和节律耦合方面优势明显。
不过，脑电图的空间定位相对困难，且容易受到头皮、肌电和眼动等干扰，因此常需要较严格的预处理和源定位方法配合使用。
4.3 脑磁图
脑磁图测量神经活动产生的磁场变化，时间分辨率同样很高，且在某些条件下比脑电图更便于进行源空间分析。它常用于研究快速的功能耦合与时序关系。
脑磁图设备成本较高，对实验环境要求严格，但在分析皮层网络动力学方面具有较强优势。
4.4 近红外光谱成像
近红外光谱成像利用光信号变化间接反映局部血氧变化，具有相对较好的便携性和较低的实验约束。它适合用于婴幼儿、床旁以及较自然环境中的功能连接研究。
该方法通常关注皮层浅表区域，空间覆盖范围有限，但在生态化研究场景中具有较强实用价值。
4.5 动物实验与电生理记录
动物实验能够结合单细胞放电、局部场电位、光纤记录或多通道电极阵列，直接观察神经元群体活动。相较于人体研究，这类方法在机制验证方面更具优势。
电生理记录可以提供更精细的时间信息，并便于与刺激、药理和行为操作结合。因此，它常用于检验功能连接背后的生理基础与因果机制。
5 分析流程
5.1 数据预处理
预处理是功能连接分析的重要环节，目的是尽可能减少噪声、伪影和非神经来源的干扰，使后续计算更可靠。
5.1.1 伪影去除
伪影包括头动、眼动、心跳、呼吸、仪器漂移以及肌电污染等。不同成像技术面临的伪影类型不同，处理方法也各有差异。
常见手段包括信号过滤、回归校正、独立成分分析和坏段剔除等。若伪影未被有效处理，功能连接结果可能出现虚高或假相关。
5.1.2 时间序列提取
在完成基础预处理后，需要从感兴趣区域、体素或传感器中提取时间序列，作为连接计算的输入。提取方式会影响信号的代表性和后续解释。
若采用区域平均，可降低噪声并提高稳定性；若采用更细粒度提取，则可保留更多局部差异，但计算复杂度也会增加。
5.2 连接计算
连接计算是将预处理后的信号转化为连接指标的核心步骤，不同方法会对应不同的网络表示。
5.2.1 ROI级分析
ROI级分析以感兴趣区域为单位，计算区域之间的连接关系。它适合全脑网络研究，便于比较不同功能系统之间的耦合。
这种方式通常较为稳健，也便于与解剖和功能分区相结合，因此在群体研究和临床分析中使用广泛。
5.2.2 体素级分析
体素级分析直接以单个体素为单位构建连接，能够提供更高空间分辨率的信息。它适合寻找局部精细差异，但计算量较大。
由于体素级结果维度高、噪声敏感，因此通常需要更严格的统计控制和后续降维处理。
5.3 统计检验
连接矩阵中包含大量边，必须通过统计检验判断哪些连接具有意义。统计步骤通常用于区分真实效应与偶然波动。
5.3.1 显著性分析
显著性分析通常通过置换检验、参数检验或非参数检验评估连接是否显著不同于零或是否在条件之间存在差异。它是功能连接研究中常见的推断步骤。
不同实验设计对应不同检验框架，研究者需要根据数据分布、样本量和假设选择合适方法。
5.3.2 多重比较校正
由于脑连接分析往往涉及大量边，若不进行校正，容易出现较高的假阳性率。多重比较校正用于控制整体错误发现概率。
常见方法包括基于家族错误率或错误发现率的控制策略。校正方式越严格，结果越保守，但也可能降低检出率。
5.4 结果可视化
功能连接结果通常需要通过矩阵、网络图或脑表面图呈现，以便直观理解连接模式。
5.4.1 连接矩阵
连接矩阵以行和列表示节点，矩阵中的数值表示节点间连接强度。它能清晰展示全局结构、对称性和模块分布。
这种形式适合做群体比较，也便于与聚类、排序和网络指标结合分析。
5.4.2 脑网络图
脑网络图将节点和边映射到脑空间中，能够直观看到连接分布和主要通路。它对展示关键节点、模块结构和长程连接尤为有用。
但当网络过于密集时，图形可能较难阅读，因此往往需要筛选重要连接或采用分层可视化方式。
6 主要应用
6.1 认知神经科学
功能连接被广泛用于研究认知活动如何在多个脑区之间协同展开。它有助于理解高级心理过程背后的网络组织方式。
6.1.1 注意与记忆研究
在注意和记忆研究中，功能连接常用于考察前额叶、顶叶、海马及感觉区域之间的协同变化。不同任务条件下，连接强度和网络配置可能出现明显差异。
例如，在注意维持或记忆编码过程中，相关区域之间的耦合增强，常被视为信息整合和资源分配的表现。
6.1.2 语言与执行功能研究
语言加工和执行控制通常涉及多个脑区的快速协作。功能连接可以用于分析语言理解、语义整合、抑制控制、任务切换等过程中的网络重组。
这类研究帮助揭示语言与控制系统之间的互动关系，也有助于理解不同任务难度下的连接变化。
6.2 临床神经科学
临床研究中，功能连接常用于描述疾病相关的网络异常、评估损伤后脑功能重组以及辅助疗效观察。
6.2.1 神经精神疾病研究
在一些神经精神疾病研究中，功能连接常用于探索脑网络协调是否出现异常，例如某些区域之间的耦合增强或减弱。研究重点通常放在网络失衡、模块重组和关键节点变化上。
这类分析可为机制研究提供线索，但通常不能单独作为诊断依据，需要与临床表现和其他生物学指标结合。
6.2.2 脑损伤与康复评估
在脑损伤及康复研究中，功能连接可用于观察损伤后脑网络是否发生重组，以及训练或干预是否促进了连接恢复。它常被用作功能恢复过程中的辅助评估指标。
通过比较康复前后连接模式，研究者可以更好地理解大脑可塑性及其补偿机制。
6.3 发育与老化研究
功能连接能够反映大脑在不同生命阶段的网络成熟与衰退过程。儿童与青少年阶段，连接模式通常逐步从局部化走向更高整合；老化过程中，一些网络则可能出现连接效率下降或重组。
这一方向有助于理解脑功能随年龄变化的规律，并为发育异常或老化相关认知变化提供解释框架。
6.4 个体差异与生物标志物探索
功能连接研究还被用于探索个体间差异，如认知风格、行为表现、学习能力和情绪特征等。部分研究试图将特定连接模式作为潜在生物标志物。
不过，个体差异受多种因素影响，单一连接指标往往不足以稳定区分复杂表型，因此通常需要结合多维特征建模。
7 典型特征与指标
7.1 局部连接与全局连接
局部连接强调相邻或功能相近区域之间的耦合，反映局部处理和专门化分工；全局连接则关注远距离区域之间的协调，体现跨系统整合能力。
两者共同构成网络分析的基础，且在不同任务或状态下可能呈现不同平衡关系。
7.2 功能模块与社区结构
当若干节点之间的连接明显高于与外部节点的联系时，便可能形成功能模块或社区。模块结构说明脑网络并非均匀连接，而是存在具有特定功能分工的子系统。
模块化组织有助于提高处理效率，也增强系统在局部损伤下的稳定性。
7.3 中心性与枢纽节点
中心性用于描述某个节点在网络中的重要程度。高中心性节点常被视为枢纽，可能承担信息整合、跨模块转接或协调控制等作用。
在功能连接网络中，枢纽节点往往对应多个功能系统交汇处，对整体网络状态具有较大影响。
7.4 小世界属性
小世界网络兼具较高聚类与较短路径长度，既利于局部高效处理，又便于远距离信息传播。许多脑网络研究发现，功能连接网络在一定条件下呈现小世界特征。
这一属性被认为有助于平衡效率与成本，使大脑在复杂信息处理与资源限制之间取得折中。
7.5 整体网络效率
整体网络效率衡量信息在全网络中的传递便利程度，通常与最短路径和连通性有关。效率较高意味着系统更容易实现快速整合。
该指标常用于比较不同任务、不同年龄阶段或不同临床组之间的网络状态差异。
8 影响因素
8.1 任务范式与静息状态差异
任务状态下，功能连接往往受到明确刺激和行为要求影响，连接模式更具任务特异性；静息状态下，则更强调自发活动与内在网络组织。
二者的连接结果不能简单等同，因为它们反映的是不同情境中的脑功能配置。
8.2 采样率与信号质量
采样率决定了可观察的时间细节，信号质量则影响连接估计的稳定性。若采样不足或噪声过大，相关结构可能被掩盖或扭曲。
因此，在研究设计中，采样参数和设备性能往往直接影响结论可信度。
8.3 噪声与混杂因素
头动、生理波动、环境干扰和设备误差都会影响连接结果。某些看似显著的耦合模式，实际上可能源于共同噪声而非真实神经协同。
这也是功能连接研究需要谨慎处理预处理和控制变量的原因之一。
8.4 分析参数选择
包括时间窗长度、滤波范围、阈值标准、节点划分方式和统计模型在内的多项参数，都会改变连接结果。不同参数组合可能得到不同的网络结构。
因此，分析流程通常需要说明清楚，并通过敏感性分析检验结论稳健性。
8.5 被试状态与个体变异
被试的觉醒水平、疲劳程度、注意状态、用药情况以及个体生理差异，都会对功能连接产生影响。即使在相同任务下，不同个体的网络模式也可能明显不同。
这一特点使功能连接既具有个体化潜力，也增加了跨被试比较的复杂性。
9 局限性与争议
9.1 因果解释受限
功能连接主要反映统计相关，并不能直接证明因果关系。高连接不一定意味着一个区域驱动另一个区域，也不一定代表真实的信息流动。
因此，在解读结果时，通常需要避免将相关性直接等同于因果作用。
9.2 体积传导与空间泄漏
在脑电和脑磁研究中，相邻传感器或源空间信号可能因体积传导、场扩散或源定位误差而出现表面上的同步，从而抬高连接估计。
这类问题会导致虚假耦合，因而常需要特殊校正或采用更稳健的连接指标。
9.3 阈值选择的主观性
网络构建中常需决定是否保留某些边以及保留多少边，而阈值设置往往缺乏统一标准。不同阈值会改变网络密度和图论指标，使结果对参数较敏感。
这也是为何许多研究会报告多个阈值下的结果，或采用不依赖单一阈值的方法。
9.4 可重复性与稳健性问题
由于数据噪声、样本差异和分析流程复杂，功能连接结果在不同研究中有时难以完全复现。特别是在样本量偏小、参数选择较多的情况下，结果稳定性更受挑战。
提高可重复性通常依赖标准化流程、公开数据、独立验证和严格的统计控制。
10 相关概念
10.1 功能网络
功能网络是由功能连接关系构成的网络结构，用于描述脑区之间在特定状态下的协同组织模式。它是功能连接在图论层面的自然扩展。
10.2 神经连接组
神经连接组指大脑全部连接关系的系统性图谱，既包括结构连接，也可能涵盖功能连接和有效连接。它强调从整体层面理解脑的组织方式。
10.3 动态功能连接
动态功能连接关注连接模式随时间变化的过程，常用于描述短时尺度上的网络重构、状态切换与瞬时耦合波动。
10.4 静息态网络
静息态网络是在无明确外部任务时自发呈现的稳定功能连接模式，常被用于研究大脑的基础组织结构及其个体差异。
11 研究进展
11.1 多模态融合分析
多模态融合分析将功能磁共振、脑电、脑磁、结构成像等信息结合起来，以弥补单一方法在时间或空间分辨率上的不足。它有助于更全面地理解连接机制。
这种策略能够从多个层面交叉验证网络特征，提高解释的完整性。
11.2 机器学习与模式识别
机器学习方法正在被用于从功能连接中提取分类特征、预测行为表现或识别网络异常。常见任务包括疾病分型、状态识别和个体预测。
这类方法的优势在于能处理高维数据，但也依赖样本规模、特征选择与外部验证。
11.3 个体化脑网络建模
个体化建模试图从群体平均转向个体差异，建立每个人更具代表性的功能连接图谱。它有望提高预测精度，并更贴近真实脑功能状态。
这一方向特别适合用于精准神经科学和个体化干预研究。
11.4 大规模人群研究
随着公开数据库和多中心协作的发展，功能连接研究逐渐进入大样本阶段。大规模人群数据有助于提高统计效能，并揭示更稳定的群体规律。
同时，这也推动了标准化预处理、跨站点校正和高通量网络分析方法的发展。