种子点分析vs全脑分析：共激活模式（CAP）到底怎么选？-北京尧图网络

共激活模式co-activation patternCAP是一类基于单个 fMRI 时间点进行分析的方法。传统静息态功能连接通常用整段时间序列的相关性描述脑区之间的平均耦合而 CAP 直接观察每一个 TR 对应的全脑 BOLD 空间模式再把具有相似空间分布的时间点聚成若干状态。这样可以进一步描述不同脑状态在扫描过程中如何反复出现、持续和切换。CAP 常见的实现方式可以分为种子点驱动和全脑数据驱动两类。种子点 CAP 先依据某个 ROI 的信号筛选感兴趣的时间点再对这些时间点的全脑图进行聚类全脑 CAP 则不依赖预先指定的种子点对通过质量控制的时间点直接进行聚类。两种方法都能研究脑状态动态但研究问题、进入聚类的时间点以及结果解释方式并不相同。下面沿用实际分析中最常遇到的问题梳理CAP 的常见流程以及种子点和全脑两种路线在预处理、时间点筛选、聚类和结果解读上的差异。具体参数仍需结合 TR、扫描时长、预处理策略和研究目的确定。CAP分析的常见流程步骤核心内容核心关注点1基础预处理完成头动校正、空间标准化等基础处理并统一各被试的预处理策略。2去噪与时间处理根据方案控制头动、WM/CSF 等混杂信号Global Signal 是否回归需预先确定。静息态 CAP 还需进行相应的滤波分析。3形成单帧全脑图将每个 TR 的全脑 BOLD 空间分布视为一个高维向量。4选择进入聚类的时间点种子点 CAP 根据 seed 信号筛选 frames全脑 CAP 通常保留所有通过 QC 的 frames。5聚类得到 CAP将空间模式相似的 frames 聚到同一类并取平均得到相应 CAP 空间图。6计算动态指标常见指标包括时间占比、平均持续时间、进入/出现次数也可进一步计算状态转移。7统计与可视化多组比较时应确保各组使用可对应的 CAP 模板再比较个体级动态指标。图1.全脑CAPs分析流程图。实践中常见问题与处理思路问题一把CAP当成滑动窗口dFC使用常见现象在实际分析时容易把 CAP 和滑动窗口动态功能连接dynamic functional connectivitydFC混在一起直接把两种分析的步骤和结果对应起来。两者观察动态信息的尺度不同。滑动窗口dFC 先截取一段时间窗再计算窗口内的功能连接矩阵CAP 以单个 TR 为基本单位直接根据瞬时全脑空间模式对时间点进行分类。因此CAP 空间图回答的是“这一瞬间哪些区域共同激活或共同去激活”滑动窗口 dFC 更关注“一段时间内网络之间的连接关系如何变化”。处理建议研究目标如果是捕捉瞬时共激活状态可以采用 CAP如果核心问题是连接强度随时间的变化可以采用滑动窗口dFC。方法和结果中应分别描述 CAP 空间模式和dFC 连接矩阵避免把二者解释成同一种动态状态。图2.CAP 分析属于属于动态功能连接性研究方法体系的一部分。问题二协变量回归不全或随意加入全脑信号常见现象头动、白质和脑脊液信号是静息态 fMRI 中常见的混杂因素来源很多CAP 研究会在进入聚类前进行相应控制。CAP 对单帧异常较敏感所以除了回归运动参数还应重点检查 Framewise DisplacementFD必要时对高运动 frames 做 scrubbing分析。Global Signal RegressionGSR的处理需要单独考虑。GSR可以减少部分全局生理和运动相关波动也会改变信号相关结构以及正负共激活模式。现有方法学研究没有给出适用于所有项目的唯一方案。处理建议预先确定协变量回归策略并在所有被试中保持一致通常白质、脑脊液、头动参数这三个是固定需要回归的协变量对于GSR的处理若文献或先验假设强调去除全局波动则在回归步骤加入 Global Signal若关注全脑同步本身则保留原始信号不做回归。对于GSR 可能明显影响解释的项目可以增加有无 GSR 的敏感性分析。问题三把0.01–0.08 Hz带通当成所有CAP分析的固定步骤常见现象静息态 CAP 研究常对时间序列进行低频范围处理例如使用0.01–0.08 Hz 或相近频段。但这一滤波方式并不适合任务态数据不能一概而论。处理建议静息态研究应按照参考文献和研究问题预先设定频段并保证所有被试使用一致的时间处理方案。如果进行任务态 CAP可不做滤波分析或结合任务设计和GLM 处理方式确定滤波频段。问题四健康组与疾病组分别聚类导致CAP数目不一致常见现象两组分别运行聚类后一组得到 6 个 CAP另一组得到 7 个即使 CAP 数量相同各聚类中心也可能没有清晰的一一对应关系。如果研究目的是直接比较组间CAP 动态最关键的是让不同组处在同一套 CAP 状态空间中。常见做法是把各组被试的 frames 合并后进行cohort-level clustering再计算每名被试在这些CAP 中的时间指标。也可以先在独立样本、训练集或参考组建立固定 CAP 模板再把其他被试的 frames 分配到这些模板。处理建议两组或多组被试合并进行分析避免每组各自独立生成一套互不对应的 CAP 后再直接比较。与此同时CAP数量 K 也不宜只凭经验固定可以结合 consensus clustering、PAC、silhouette 或多次随机初始化结果评估聚类稳定性。问题五把“只取前20%时间点”当成种子点CAP的固定规则常见现象种子点 CAP 的核心步骤确实是根据 seed 时间序列筛选 frames但“只保留激活最高的前 20%”并不是统一规则。原始 CAP 研究和后续 TbCAPs 实现中都可以根据信号阈值或保留百分比来选择时间点例如按 z-score 阈值筛选或者保留一定比例的高激活/低激活 frames。阈值越严格进入聚类的时间点越少模式会更集中于seed 的极端事件阈值较宽时会保留更多信息也可能增加状态的异质性。因此“丢掉多少时间点”本身不能直接判断方法优劣关键在于阈值是否符合研究问题并且是否具有稳定性。处理建议种子点 CAP 应清楚报告 seed 的定义、筛选的是激活还是去激活 frames、采用的阈值或百分位以及最终保留了多少时间点。如果主要结论明显依赖这一阈值可以增加替代阈值的敏感性分析。问题六把“全脑CAP使用全部时间点”理解成所有frame都必须进入聚类常见现象全脑或 seed-free CAP 的优势之一是不需要依赖某个seed 的激活阈值来选择时间点可以从整段扫描中寻找重复出现的全脑状态。这里的“全部时间点”应理解为全部通过质量控制的frames。高运动、明显伪影或按预设标准判定为污染的frames 仍然需要处理。全脑分析保留的信息更完整同时会把更多非目标变异带入高维聚类。聚类完成后需要逐个检查 CAP 空间图结合头动和其他QC 信息判断某个模式是否主要由脑边缘、脑室、全局强度变化或少量异常 frames 驱动。处理建议前期的预处理要严格把关尤其是回归协变量部分同时要要个控制头动的影响尤其是FD过大的frames要进行删除或插补。若某个 CAP 与高 FD 时间点明显重合应优先排查头动和预处理残余再进行神经生物学解释。问题七只报告CAP空间图忽视核心动态指标常见现象CAP 的空间图描述一个状态“长什么样”时间指标则描述这个状态“出现多久、出现多少次、如何切换”。仅展示 CAP 脑图会缺少对状态动态特征的定量描述。常用指标包括时间占比fractional occurrence / temporal fraction即某个 CAP 占有效 frames 的比例平均持续时间mean duration / dwell time即一次连续停留在该 CAP 中的平均长度进入或出现次数entries / occurrence count即进入该状态的独立事件数。部分分析还会进一步计算 CAP 之间的转移概率。处理建议多组研究可以把这些指标作为个体级变量进行组间比较或与行为、临床指标做相关分析。需要注意“出现次数”统计的是独立进入事件不能简单等同于属于某个 CAP 的 TR 总数。图3.CAP 分析空间示意图。问题八种子点CAP与文献结果对不上就慌常见现象自己选的种子点做出的 CAP 和文献对不上第一反应是怀疑自己数据做错了。种子点 CAP 对 seed 的位置、大小和定义方式较敏感。使用解剖ROI、功能 ROI 或不同半径的球形seed都可能改变筛选出的 frames进而改变最终CAP 空间模式。阈值、是否保留去激活 frames、预处理和 GSR 等设置也会影响结果。处理建议与既往研究比较时先核对 seed 的定义、坐标空间、ROI 大小、frame selection 规则和预处理策略。此外即使种子点定义完全一致也要考虑研究目的研究被试之间的差异。当要进行全脑层面的探索时可以考虑 seed-free CAP。总结如果研究已经有明确的解剖或网络假设例如关注PCC、杏仁核、海马或某个功能网络在高活动时对应的全脑瞬时模式种子点CAP 更容易围绕具体回路解释。此时需要把 seed 定义和 frame selection 规则写清楚并检查结果对阈值设置的稳定性。如果研究关注整段扫描中反复出现的全脑状态或者缺少明确的种子点先验全脑 seed-free CAP 可以直接对通过 QC 的 frames 进行数据驱动聚类减少seed 选择带来的先验限制。相应地它对运动控制、聚类稳定性和 CAP 空间模式 QC 的要求更高。在健康组与疾病组等多组比较中两种CAP 都可以使用。更重要的是建立可跨组比较的共同 CAP 模板并在同一状态空间下计算时间占比、平均持续时间、出现次数或转移概率再进行组间统计。

种子点分析vs全脑分析：共激活模式（CAP）到底怎么选？

相关推荐

硬件测试 - 时钟与复位测试——系统的“心跳”与“重启键”

winuia-auto 为uiautomation 的替代者，使用xpath进行定位

Oh My PPT风格体系详解：90+内置风格Skill怎么选，还能创建自己的专属风格包

更多资讯

Python Agent 踩坑实录：第一次写 Agent，我忘了加一行代码，循环跑了 200 次

工业级电源路径保护：TPS259483AYWPR与STM32F405ZG协同设计

微内核工具系统设计与AI辅助故障排查实践

17、触摸事件分发流程：MotionEvent的封装，从InputDispatcher到ViewRootImpl

90DaysOfDevOps Ansible 实战：Tags、Variables、Inventory 与 MySQL 数据库服务器自动化配置

Agent Safehouse：AI编程助手的安全沙箱，3条命令防住提示注入

今日更新

Agent Skills 完全指南：原理、写法、安装与实战避坑

Agent Skills 实战：从 Genkit 定义到 GKE 部署与排查

Agent Skills 实战：从设计到调试的完整指南

本周精选

CMOS设计三大物理效应：体效应、沟道长度调制与亚阈值导电

微信小程序在线阅读毕设全解析：Java后端+MySQL+避坑实战

Android音频问题五层分析法：从App到Codec的系统化诊断

本月热门

我发现了一个新思路：用 Remotion + Claude Code 像写代码一样自动化生成短视频

Windows下 Codex 中 Chrome 和 Computer Use 插件不可用问题排查及解决参考方式：TaoToken 统一 Key 配置与验证

2026 大模型集体涨价：用 Python 做企业 Token 成本测算与选型避坑（附配置）

读完文章，想聊聊您的网站？