系统梳理EEG中常用的功能连接指标—系列1

功能连接（Functional connectivity, FC）可以说是EEG研究中的一个非常重要的方法。对于正常的大脑高级认知功能来说，往往并不仅仅是单独的某个脑区在起作用，而是更加依赖于不同脑区之间的相互协同工作，因此研究不同脑区的功能连接对我们理解大脑的大脑高级认知功能机制来说非常重要。那么究竟什么是功能连接，如何定量测量不同脑区之间的功能连接呢？所谓的功能连接其实就是用某种方法来测量两种信号之间的依赖或相关程度。在EEG领域中，研究者提出了非常丰富的算法来测定两种信号之间的相关程度，即所谓的功能连接指标。不同的功能连接指标具有各自的特点，因此研究者需要根据各自数据或者欲解决的问题来选择合适的功能连接指标。笔者在这里会陆续分几篇文章对EEG中常用的功能连接指标的计算方法、优缺点进行系统梳理（本文是系列1），希望对大家有帮助。

1.皮尔森相关系数（Pearson correlation coefficient）
皮尔森相关系数r应该是最简单的功能连接指标，对于信号x、y，两者的皮尔森相关系数r计算公式如下：

r的取值范围[-1 1],因此皮尔森相关系数可以测量出两个信号是正相关还是负相关，并且绝对值越大，相关性越强。但是，皮尔森相关系数只能测量两个信号的线性相关性。

2.波谱相干（Spectral coherence）
相干，有时也被称为magnitude-squared coherence，其测量的是两个信号在频域内的相关程度，计算公式如下：

其中Pxy表示信号x、y的互谱密度（cross-spectral density），Pxx和Pyy分别表示x、y的自谱密度，即功率谱密度。Cohxy的取值范围[0 1]，值越大说明两个信号在频率f处的相关程度越大。但是，与皮尔森相关系数类似，相干也只能测量两个信号的线性相关性。

3.互信息（Mutual information, MI）
互信息MI是一种基于信息论的功能连接方法，它测定的是一种信号中包含的关于另一个信号量的信息量，MI的计算方法如下：

其中Pxy表示信号x、y的联合概率分布，Px、Py分别表示信号x、y的概率分布。上述公式计算出来的MI的取值范围为大于等于0的实数，因此，有时我们需要对MI进行归一化，使得其取值范围在[0 1]之间，归一化的MI计算公式如下：

其中H（X）和H（Y）分别表示信号x、y的熵。
与皮尔森相关系数和相干分析不同，MI最大的优点是可以同时检测两个信号的线性和非线性相关性，但是MI计算准确度容易受到信号中噪声以及信号长度的影响。

4.相锁值（Phase Locking Value, PLV）
相锁值PLV是基于相位的功能连接方法，其实际测量的是两个通道信号的相位差，计算方法如下：

其中n表示时间点，φxt、φyt分别表示信号x、y在时间点t处的相角。
PLV的取值范围为[0 1]，值越大表示两个信号之间的相位同步程度越强。但是PLV对体积传导效应（volume conduction effect）比较敏感。

5.未完待续，请见下次分享

本文来自**河南悦影医药科技有限公司（简称“悦影科技”）**旗下以脑科学和神经科学为主题的公益性自媒体平台——“脑之说”微信公众号，欢迎各位朋友搜索关注“脑之说”公众号。本文为悦影科技原创技术文章，转载请联系赵老师（微信号：kervin_zhao；邮箱：[email protected]）。