静息态fMRI时变功能连接研究中的问题和争议

     大脑是一个由许多相互作用的区域构成的复杂的、多尺度的动态系统。了解这些相互作用的时空组织形式对于深刻理解大脑的功能结构以及神经动力学与健康和疾病认知之间的关系至关重要。许多研究表明，通过仔细分析神经成像数据来研究大脑的动力学是可行的，这促使人们对估计功能连接在时间上的波动（通常称为“动态的”或时变的功能连接；time-varying functional connectivity，TVFC）的方法产生了浓厚的兴趣。与此同时，关于将TVFC分析应用于静息功能磁共振成像数据，以及静息TVFC的统计有效性、生理起源、认知和行为相关性，也出现了争论。这些和其他尚未解决的问题使得对静息TVFC研究结果的解释变得很复杂，并限制了从这一有希望的新研究领域获得的见解。本文汇集了对静息TVFC有不同观点的科学家，根据这些问题回顾该领域的文献。本文介绍了动态功能连接的核心概念，定义了关键术语，总结了争议和开放性问题，并就如何将静息TVFC分析严格有效地应用于认知和系统神经科学的多种问题提出了前瞻性观点。本文发表在Network Neuroscience杂志。

时变功能连通性：简介

     即使静静地坐在黑暗的房间里，大脑也很活跃，在源源不断产生思想和想法，并伴随着意识、觉醒和警觉度的变化。大脑不断构建和更新世界的内部模型，以预测和规划未来的适应性行为。实际上，清醒静息状态下的大脑认知丰富和复杂程度并不亚于任务参与的时候。即使在没有明确任务的情况下，神经元活动模式和区域间耦合也可能表现出统计规律和特定“指纹”，这一概念符合我们对“意识流（stream of consciousness）”的最基本观察。虽然量化与锁时的感知刺激和外部线索任务有关的大脑活动和功能连接性的变化相对简单，但是检测和描述“自发（spontaneously）”产生的变化——即从内源的和未知的原因、以及在看似随机的时间内理解大脑的动力学活动，这是更加困难的。尽管存在这些挑战，但对内在大脑动力学和自我导向的“静息态”认知的研究，为大脑功能和心理活动提供了一个重要的、生态学上有效的视角。因为，我们的大部分时间（高达50%）都花在了与手头任务无关的认知和行为上。

      静息功能磁共振成像（rfMRI）数据的功能连接性（FC）分析允许研究人员无创地估计大脑区域间神经相互作用的模式。FC是现代神经成像研究的一个组成部分，传统上是在整个扫描或实验条件下计算的（“静息态”功能连接，“static” FC），但近年来， FC如何随时间波动成为了一个研究热点（通常称为“动态”或时变功能连接性，“dynamic” FC 或 TVFC，见图1）。现在，新兴的文献使用了各种成像模式（例如fMRI、MEG）来研究在广泛的认知和行为状态下FC的时变波动，从明确提示的任务执行到清醒的静息态，再到麻醉睡眠状态。静息TVFC（时变功能连接）的个体间差异与广泛的认知和行为特征相关，新的证据表明，在某些情况下，TVFC可能比静态FC更敏感地反映这些差异。在越来越多的精神和神经疾病中也观察到了TVFC的改变，包括孤独症、ADHD、抑郁症、PTSD、精神分裂症、帕金森病和阿尔茨海默病。

图1：研究fMRI TVFC 文献逐年增长。

TVFC研究领域发展迅速，每年发表的功能磁共振成像TVFC论文数量不断增加（由PubMed索引）就证明了这一点。为了说明科学出版率的总体增长，已使用每年发表的所有论文的总数将条形的高度标准化。由于TVFC分析的描述方式不一致，这些数字代表了对功能磁共振成像TVFC文献规模的保守估计，尤其是早期。

      与任何新兴的研究项目一样，静息的TVFC研究也遇到了许多问题和挑战。研究静息状态下的大脑有许多优势，包括：对研究参与者的最低要求、因为缺乏外部强加任务而具有分析灵活性、没有潜在的执行混淆，并且可能提供比任务研究更丰富的大脑活动特征。然而，尽管静息TVFC研究得益于rfMRI的优势，但它也存在缺陷：缺乏明确的基准，缺乏对行为或认知状态的实验控制，以及无法客观监控行为任务表现。与rfMRI早期的争论类似（见方框1），关于BOLD TVFC在休息期间能够检测到神经信号或认知状态的瞬时变化的程度存在着大量的争论。许多重要的开放性问题导致了这种现象：与非神经生理因素（如头部运动、心血管和呼吸影响）相比，觉醒和认知状态的波动在多大程度上驱动了对静息BOLD TVFC的估计？根据“静止”零假设测量TVFC估计值最合适的方法是什么？

      检测神经成像数据中的变化点或波动依赖结构，原则上通过信号分析是可实现的，事实上，这是许多TVFC分析方法的目标。但理解这些变化的假定原因需要其他技术：认知和身体状态的在线测量、病理条件的识别，生成模型的反转，以及因果操作，如大脑刺激和药物。我们的目标是总结当前围绕这些和相关问题的文献，并为未来的工作提供建议，以帮助解决这些辩论。

TVFC的概念界定

      虽然在当下，研究人员在BOLD TVFC的各个方面确实存在根本分歧，但文献中不同观点的争论有时会被不一致或不精确的定义和操作弄得一团糟。例如，“元状态”一词被广泛用于描述（a）个体之间或个体内部重复出现的少量可复制连接模式（即功能连接状态，FC states），（b）具有特定时间特征的功能连接和活动状态子集，或（c）二阶状态空间中的特定位置。正如之前所建议的，我们认为解决这些争论的进展需要标准化我们的术语并确定共同的框架。虽然大脑动力学的直观概念似乎很简单，但目前对于与TVFC相关的许多关键概念的操作定义还没有达成共识。为正在研究的现象确定适当的术语尤其重要。虽然“动态功能连接”在文献中经常使用，但不同学科对“动态”一词的不同使用和定义可能会导致棘手的歧义。因此，我们在这里选择使用更广泛适用的短语“时变功能连接（time-varying functional connectivity）”，其中功能连接指的是统计相关性的各种概念中的任何一种，最常见（但不完全）的是时间序列之间的相关性。在表1所示的词汇表中定义了这个和其他关键术语，而方框2简要讨论了研究TVFC估计值与我们试图研究和理解的潜在神经现象的相关性的细微差别。

表格1：关键术语表

     这篇论文是一个协作、公开邀请的研究社区努力的结果，旨在回顾当前的静息态TVFC文献，并讨论关于这一令人兴奋的新研究领域的关键开放问题和突出争议。作为一个对TVFC有着不同观点的科学家群体，本文试图调和和综合不同研究者对有争议问题的观点，并根据社区中其他人持有的其他观点将其情境化。虽然我们为研究人员如何最好地利用TVFC研究项目提供了一些一般性建议，但我们避免提出具体的技术或方法建议，除非有实证文献支持。

      我们将讨论分为三个大问题：（1）rfMRI时间序列在统计学上是否与随时间变化的功能连接一致？（2） BOLD TVFC（神经或其他）的生物学基础是什么？（3） 静息BOLD TVFC的认知和行为相关性是什么（如果有的话）？我们首先调查了当前用于研究BOLD TVFC的分析和建模方法，然后着手解决上述三个问题中的每一个。首先，我们回顾了在功能磁共振成像中研究TVFC的方法学考虑和统计挑战。其次，我们回顾了有关BOLD-TVFC生理基础的文献。第三，我们深入讨论了BOLD TVFC的认知和行为相关性，包括支持和反对这一主张的证据。随后的章节重点介绍了可能有助于判断TVFC认知相关性问题的实验方法，并简要回顾了清洗rfMRI数据以减轻潜在混淆因素对TVFC分析的影响的策略。最后，我们建议TVFC研究界如何继续推进这一令人兴奋的领域，并帮助促进就有争议的问题达成共识。

分析方法

      一般的方法考虑沿时间分辨率的范围来研究功能磁共振成像数据中功能连接性。一方面，一些方法假设区域之间的依赖结构（功能连接性）在任意长的时间窗口上是恒定的（即“静态”FC）；另一些方法是可以估计每个单独时间点的具有时间分辨率的动态FC（例如瞬时和滑动窗口方法）。介于两者之间的是旨在发现离散的、时间上连续的功能连接状态的方法，这些状态以其区域间依赖结构为特征（例如滑动窗口+聚类）。在这些基于状态的模型中，依赖结构只有在状态之间移动时才会改变。

      用于研究TVFC的方法的另一个重要特性是考虑观测数据点的时间顺序。一些方法直接利用这种排序中的信息（例如，时频方法），而其他方法完全忽略时间上的排序，将数据点视为可交换的样本。许多常见的TVFC分析方法具有交替利用和忽略时间顺序的阶段。例如，可以从估计滑动窗口相关性开始（使用时间序列计算，时间点按观察到的顺序排列），将k均值聚类应用于得到的时间分辨FC矩阵（k均值计算时是忽略窗口的时间顺序的），然后评估每种状态的属性，如停留时间和转换概率（再次考虑时间点的时间顺序）。

       除了时间分辨率的差异和对时间点排序的考量之外，研究TVFC的方法可以认为是采用了研究大脑动力学的两种广义的概念方法。第一种方法包括尝试直接从观察到的BOLD数据估计FC变化（和/或识别FC状态）的方法（例如，滑动窗口，聚类）。第二种方法包括明确建模观察到的BOLD数据中潜在变化的神经过程的方法（例如，将大脑模拟为一个动态系统）。这些方法是相互补充的，我们预计未来在BOLD TVFC方面的工作将越来越多地结合使用这些方法。下面，我们提供了两种方法的示例，但强调这些方法并不是对所有现有TVFC方法的全面概括。相反，它们旨在提供可用方法的总体情况。图2说明了TVFC分析的常见工作流程，而表2提供了一些关于BOLD TVFC的关键论文，包括一些最近对TVFC方法的评论。

图2  fMRI数据中研究TVFC的常见分析和建模方法的示意图。

      绿色箭头表示基于滑动窗口相关性的典型工作流程，这是目前最常见的估计TVFC的数据驱动方法。蓝色箭头代表其他数据驱动方法。一些替代方法（例如，HMM）直接从BOLD时间序列估算功能连接性，而另一些方法（例如，相位同步，一种时频法）与滑窗法更为相似。不管如何估计FC时间序列或功能连接状态，都可以计算描述其动态性质的广泛指标。例如，可以计算两个

       区域之间FC强度的波动和同时测量的行为变量之间的关联，而网络指标可用于描述全脑FC模式的属性以及它们如何随时间变化。TVFC估计值是否构成真正的“动态”取决于特定特征和对其测试的零模型。橙色箭头表示一个计算建模的工作流程，该工作流程适合构建观察到的BOLD时间序列的动态生物物理模型，以估计模型参数并模拟潜在的快速时间尺度上的神经活动。

 表2  研究静息态BOLD TVFC的重要文献

例1：评估TVFC的数据驱动方法

     研究时变功能连接的第一类方法直接关注观察到的BOLD信号，而不明确模拟潜在的神经活动。这些技术通常将观察到的fMRI数据作为多元时间序列处理，并寻求它们之间的时变依赖结构。该类方法中最广泛使用的方法是用滑窗计算成对相关性，从而产生时变的相关性矩阵（每个窗一个）。这个方法有很多可变的地方，包括使用的窗口类型（方形或指数衰变），窗口的灵活性（固定或可调节），以及窗口的长度。其他（无窗口）方法在不假设相邻时间点的位置的情况下计算FC，或利用时频方法使用相位同步计算瞬时FC。无论使用哪种特定方法，常见的下一步骤是评估所得具有时间分辨率的FC估计值的潜在时变特性，并探索与其他动态现象（例如，行为表现或认知状态）可能存在的关联性。还可以通过使用描述性统计（如方差）或试图识别功能连接“状态”的方法来分析TVFC估计值。识别状态的方法包括滑窗+聚类、隐马尔可夫模型（HMMs）、变化点建模和无窗动态连接。识别出状态后，可以计算各种参数，如平均停留时间、转换概率和描述观察到的FC模式和大脑动力学的图论指标（例如，网络模块化）。然后，可以探索这些指标与个体间或个体内差异测量的关联。基于状态的方法在很多方面可能有所不同，如假设状态之间是平稳过渡的还是瞬时重新配置的，侧重于特定的信号域（例如，频率，时间或空间），以及状态定义是“硬”还是“软”（即，每个时间点是否呈现出唯一的状态，还是由多个状态混合组成）。时变网络理论（temporal network theory）是图论的一个分支领域，也可用于量化功能网络属性如何随时间变化。在任何情况下，将这些统计数据（即TVFC估计值或状态相关参数）与包含无效或备择假设（例如，FC是“静态的”且不会随时间变化）的参考数据进行比较评估是至关重要的。我们在下面关于研究BOLDTVFC的统计学挑战一节中会讲回这个零模型问题。

例2：模拟神经元动力学基础

      与试图直接分析观察到的bold信号的方法相反，第二种方法旨在模拟产生BOLD TVFC的神经波动和相互作用基础。这种方法认为，观察到的BOLD时间序列是通过基本的非线性脑动力学产生的，这些非线性大脑动力学随后被噪声损坏。在这种观点下，大规模神经系统中的活动本质上是动态的，并且表现出复杂的现象，例如部分同步，多稳态吸引子现象和有重要意义的混沌边缘行为。这些动力学产生具有高度非线性结构的生理时间序列，可以通过生物物理推导的微分方程进行建模。通过将这些方程与观察过程的模型相结合（例如，神经血管耦合），可以模拟这些基本动力学如何在BOLD信号中表现出来（即，在添加测量噪声之后）。神经元互联池的多尺度模型种类繁多，包括神经集群和神经场模型。这些模型已被证明可以产生合理的神经生物学行为，如广义同步、亚稳态和多稳态。探索性计算工作涉及调整模型结构和调整参数，以便通过模拟获得与经验观测有着相似依赖结构和动力学特征的合成BOLD数据。基于模型的方法需要对生成观测BOLD数据的过程做出强有力的假设。在这些假设下，可以根据观察到的BOLD数据估计这些模型的参数，从而估计潜在的神经动力学（包括时变方面）。这个过程称为模型反演。可以使用多种方法（如信息标准）评估模型，这些方法会考虑模型与观测数据的拟合程度，同时惩罚模型的复杂性。细致的模型构建有助于测试关于动力学基础的特定假设，以及验证直接模拟BOLD信号的研究结果。

研究TVFC的多种多样的方法

      目前没有一个公认“最佳”的研究时变功能连接的方法。应根据可用数据和所调查的特定问题来选择分析策略。不同的方法为数据提供了不同的（互补的）观点，若想充分理解产生TVFC的因素及其与认知和行为的关系，可能需要通过应用多种方法来获取信息。一些方法（如例1）对基础生物学做出了最小（或否）的明确假设，而另一些方法（如例2）试图直接对生物物理参数建模。更好的生物学特异性通常有着更大的模型复杂度和更明确的模型假设。也就是说，直接对观察到的BOLD信号进行建模的方法也可以是在统计学方面非常清楚的（例如，HMMs），并带有其自己的假设（例如，数据最好由有限数量的状态表示），这些假设通常和生物物理模型做出的假设同样强。

费解的动态功能连接概念

      “动态功能连接（dynamic functional connectivity）”一词被用来指代研究大脑功能时变方面的各种方法。这些方法对大脑动力学的洞察各不相同，区分每种方法可以（和不可以）得出哪些推论很重要。下面，我们简要概述如何使用四大类TVFC方法来扩展我们对大脑功能的理解。

     （1）随时间变化的功能连接的估计（Time-resolved estimates of functional connectivity）：具有时间分辨率的功能连接方法的经验性估计使研究者能够探索区域间耦合的强度如何随时间变化。这些估计构成了TVFC实证研究的基础。在最基础的形式（即时间分辨相关性）中，可以深入了解所谓静态（“时间上平均[time-averaged]”）FC的变化轨迹。时间分辨估计值还允许对FC与持续认知活动之间的关系进行精准评估，以及概括性指标（例如FC的可变性）如何与健康和疾病的表型特征相关联。

      （2）状态和转换模型（Models of states and transitions）：许多TVFC的实证研究也试图估计瞬时“大脑状态”及其转换。在这种研究范式中，每种状态都描述了全脑活动或功能连接的不同模式。不同的模型对估计的状态进行了不同的约束，例如它们是单独出现（每个时间点一个状态）还是组合出现（每个时间点的状态混合）。这些状态的动态特征（例如，在每个状态中花费的时间，状态之间转换的概率）可以提供功能关系如何随时间重组的详细描述。正式的模型选择和比较（例如，使用信息论标准）允许评估哪些模型最能描述观察到的数据，从而允许评估互斥的关于数据生成过程的假设。

      （3）与替代（零）数据的比较（Comparison to surrogate (null) data）：通过将观测数据与缺乏特定统计特征的替代数据进行比较，还可以深入了解系统的动力学特性。例如，可以生成具有与实际数据相同的低阶特征（例如，均值、方差、时空相关结构）但缺乏实际数据中假定存在的高阶特征（例如，转换动力学）的替代“零”时间序列。这种方法的优势在于，它借鉴了有关时间序列分析的丰富现有文献，并能够测试有关观察到的时间序列的动力学特性的特定假设。必须注意确保所进行的测试足够狭窄，并据此进行解释。例如，应声明是否存在特定统计学特征，而不是一般的“动态”FC，因为“动态”现象可以在各种条件下存在。

      （4）非线性大脑动力学建模（Modeling of nonlinear brain dynamics）：与上述三种从经验性BOLD数据出发的方法不同，相反，也可以通过构建一个详细的生物物理模型来开展TVFC的研究，这样的模型被认为是产生TVFC的基础过程。通过适当的模型拟合和调整，可以将观测数据转化为生成模型，然后研究该模型的复杂（快速时间尺度）动力学特性，这些特性通常会被测量过程所掩盖。在建立了观测数据背后的动力学过程模型后，研究人员可以对复杂的神经动力学及其与BOLD TVFC的关系进行详细的机理研究。

        高度严谨的“数据驱动”模型（例如，自回归模型）可以很好地解释数据，而无需借助生物学假设，但在没有额外参数化的情况下无法提供有关潜在神经元动力学的信息。随着我们对大脑生理学和动力学的进一步了解，可以添加额外的生物学信息以限制可能的模型解的空间，并提高这些方法准确描述带BOLD数据中神经过程的能力。相比之下，动态（非线性）系统理论提供了足够丰富的参数，可以明确探索神经元网络（建模为耦合振荡器或放电神经元群）如何产生观察到的BOLD信号。同时应用两种方法可能会丰富TVFC的科学研究，因为它们具有互补的优势，并且从一个角度得出的结果可以为另一个角度的应用提供信息。例如，观测BOLD信号的数据驱动模型可以产生新的生物学假设，如果得到证实，那么这些假设可以整合到基于经验的动力学模型中。最近两项关于解剖特征如何塑造静态FC的研究提供了一个很好的例子，说明了经验工作如何为建模工作提供信息，反之亦然。P. Wang等人通过反转与经验观察到的静息fMRI数据拟合的大规模动态回路模型，推断出皮质区域之间重复出现的解剖连接的梯度结构。Demirtas等人的补充工作用MRI绘制了由皮质髓鞘束索引的解剖梯度结构，并发现将梯度信息纳入神经动力学的生物物理模型显著改善了与人类rfMRI数据的拟合效果。综上所述，这些研究表明，连接性的等级在形成内在神经动力学方面起着基础性作用。我们期望，未来将经验性观察到的TVFC特征整合进动力学模型的工作将为大脑组织和功能提供同样重要的见解。

研究BOLD TVFC的统计学挑战

     在深入探讨静息态BOLD TVFC的生物学基础和认知相关性之前，我们必须首先问一下这种现象是否有统计学证据：从静息态BOLD fMRI估计的功能连接实际上是否随时间而变化？在本节中，我们将讨论针对零模型测试TVFC估计值的重要性，回顾采样变异性在TVFC估计中的作用，并描述一些评估验证TVFC方法的措施。

针对零模型进行测试的重要性

      任何用于估算TVFC的方法都将不可避免地涉及估计随时间变化的功能连接的某种特征（例如状态转换）。因此，研究人员必须仔细评估观察到的TVFC估计是否与缺乏特定感兴趣属性（例如，状态转换，波动FC）的过程产生的时间序列所获得的估计值有着显著的不同。然后可以将实际观察到的时间序列与合适的替代“零”分布进行比较，该分布通常通过模拟或非参数重采样获得。目前已经开发了多种方法来生成替代数据，包括代表基于特定系统的无效模型的方法，模拟了大脑中不同类别的动力学的生物物理模型和旨在测试评估TVFC的特定方法的属性的技术。

      当通过与零模型的比较来评估TVFC时，重要的是要小心考虑用于生成零数据的过程的特征，以及用于评估观察到的TVFC估计值是否偏离该零值的测试方法。例如，尽管一些研究将统计学平稳性作为一个重要特征，但随后的研究表明，平稳模型空间的许多过程表现出TVFC的特征（例如，具有转换协方差结构的HMM）。因此，统计平稳性不一定等同于静态功能连通性。相反，非平稳性的证据并不总是意味着数据中存在“有意义的”变化和/或趋势。同样，重要的是要记住，与给定零值没有显著差异的TVFC估计值不一定等于“无意义的波动”。相反，这种波动可能与更有限的平稳随机模型空间相一致，这些模型可能仍然具有科学上有趣的特性。

       这仍然是一个悬而未决的问题，哪些时间序列特征和零模型最适合评估TVFC的各个方面，因此本文避免提出任何具体建议。也就是说，统计平稳性的情况提供了一个很好的例子，说明了人们可以评估零模型和时间序列特征的属性，测试实际数据中候选特征的存在，并解释这些分析的结果。Laumann等人建议通过评估rfMRI时间序列的多元峰度来测试TVFC的存在，使用多元峰度作为统计指标来评估时间序列的平稳性，并将平稳性用作时间序列在FC中表现出“动态”波动的程度的指标。Laumann等人观察到的多元峰度值不足以拒绝稳定过程的零值，作者将这一发现解释为反对rfMRI中存在TVFC的证据。然而，如上所述，Liegeois等人的后续分析发现，多个常用的“动态”模型（例如，HMM，自回归模型）在统计上是平稳的，即使对于具有转换协方差结构（HMM）的模型，这种平稳性也存在。另外R. L. Miller等人的研究发现，导致多元峰度升高的时间序列性质（Laumann等人将其解释为非平稳性的证据）有时更符合平稳过程而不是非平稳过程。综上所述，这些结果表明：（a）平稳过程与TVFC的存在一致，（b）多元峰度可能是一个较差的统计平稳性估计指标。更广泛地说，Laumann，Liegois和Miller的论文提供了一个很好的例子，说明研究界开始共同努力就哪些时间序列属性和零模型最适合测试TVFC的各个方面达成共识（但目前看并没有共识）。

抽样变异性的作用

      统计推断需要考虑抽样变异性。BOLD FC通常被估计为两个时间序列之间的二元相关性，时间序列相关性的一个特殊特性是即使在两者没有实际关联的情况下也可以获得高相关系数。这种现象（由自相关引起的）在很大程度上可以概括为抽样变异性性问题，指的是统计数据在数据实现过程中的变化程度。抽样变异性越低，后续推断越精确（例如，置信区间和假设检验）。

      例如，考虑滑窗方法的采样变异性。因为滑窗法（和其他TVFC方法）可以估计一系列相关性，可以将这些值视为跨时间相关性的“重复样本”。从这个角度来看，评估TVFC估计值时需要考虑的关键问题是，每个样本是从相同的分布（静态FC）还是从不同的分布（TVFC）中提取的。如果选择较小的窗口大小，相关系数将基于较少的数据点；这会导致较大的抽样变异性。因此，即使FC实际上是静态的，短窗口长度可能会产生显示出令人信服的跨时间相关性“动态”变化的信号。随着窗口长度的增加，这个问题变得不那么明显，但更长的窗口是以降低对相关性瞬时变化的敏感性为代价的。此外，如果使用重叠窗口，估计的TVFC值中会产生自相关（由于BOLD信号做了平滑而存在），这会使FC中的变化看起来是人为平滑导致的。尽管如此，最近的研究表明，最小化这些问题的最佳窗口长度可能小于∼60秒，可以根据感兴趣的问题选择具体的窗口大小。

评估TVFC方法的灵敏度和可靠性

       在使用任何新方法之前，重要的一点是先系统评估其准确度和其性能的可靠性。算法精度的一个关键指标是灵敏度，对于TVFC方法来说，灵敏度是从噪声数据中准确恢复TVFC的能力。由于TVFC过程中的神经元波动的相互作用的“基本事实”通常是不可知的（甚至可能是未定义的），敏感性评估通常使用包含已知TVFC信号的模拟数据（即，时变依赖结构的特定模式）。各种模拟工具可帮助研究人员评估TVFC方法在一系列不同数据生成条件下的表现。敏感性分析结果表明，不同的TVFC方法不仅具有不同的敏感性，而且敏感性受窗口长度和数据量的影响（即静息态数据的扫描持续时间）。

      同样重要的是要证明 BOLD TVFC 的估计值足够可靠，可以作为持续认知和/或个体差异的鲁棒标记物。最近的研究表明，即使考虑来自多个扫描站点和异质人群的数据，静息态TVFC 的全脑模式在很大程度上是可在个体之间重复的。补充研究表明，静息态TVFC 动力学的个体差异表现出良好的重测信度。这些研究满足了继续研究静息态 TVFC 的重要先决条件，未来的工作应继续探索哪些因素会影响这些测量的可靠性。还需要进行额外的工作来评估 TVFC 的哪些特性在个体内部随时间推移是稳定的（即“特质”特征， trait characteristics），以及哪些特性受特定实验环境或认知状态的调节（state characteristics）。

BOLD TVFC的生物学基础

BOLD TVFC的跨模态比较和直接测量的神经活动

    fMRI的独特之处在于它能够以相对较高的空间分辨率在整个大脑中同时无创地测量和定位活动。这使得它成为许多对理解大规模大脑动力学（特别是人类）感兴趣的研究人员的首选模式。然而，BOLD信号是潜在神经活动的带噪声的间接测量值，缓慢的血液动力学反应对根据fMRI数据估计的TVFC的时间分辨率施加了根本性的限制。众所周知，血液动力学反应函数的形状因大脑区域而异，新兴研究表明，神经血管耦合也可能在行为和身体状态之间变化。虽然这些和其他因素可能会使fMRI发现的神经生理学解释复杂化，但我们认为它们并不能完全否定使用BOLD fMRI进行时变神经相互作用的研究。相反，它们强烈地激发了通过与其他模式进行比较来验证和扩展fMRI结果的需求。

      如果我们希望使用BOLD TVFC来研究区域间神经相互作用的时间波动性，首先需要为区域BOLD活动和功能连接建立坚实的神经基础。颅内记录一直表明区域BOLD信号与电生理高频宽带功率（∼50−150 Hz，有时也称为“高伽马”）之间存在正相关关系，以及当在同一个体内比较两种模态时，从高频段功率中估计的FC模式可靠地表现出与内在BOLD FC网络相似的拓扑结构。研究还观察到BOLD FC模式与较低频率范围（例如，δ，θ，α和β）的功率的内在相关性之间的对应关系，这可以使用侵入性电生理学和MEG来检测。在这些较低频率下观察到的 BOLD FC 和电生理 FC 之间的对应关系可能特定于特定的功能性脑网络。

      最近，已经采用多模态记录方法来直接研究BOLD TVFC的神经生理学基础。这些研究表明，与静息态FC一样，BOLD TVFC可能反映多个频段的电生理FC的波动。同时进行大鼠fMRI和颅内记录发现，左右躯体感觉区域之间的BOLD TVFC追踪了根据频段限制的电生理功率计算的FC的变化，并且这些关联存在于几个常见频段（θ，β和γ）。人类中这些关系的初步支持证据来自对同时记录的EEG-fMRI数据的TVFC分析，这些数据已经发现BOLD TVFC与多个频段的功率改变相关（δ，θ，α，β，低γ，δ、β）。但是，由于脑电图的空间分辨率较差，这些研究无法直接与大脑区域之间耦合活动的空间特异性变化的电生理学基础联系起来。然而，使用MEG的研究（比EEG的空间定位更准确）已经观察到时变的区域间相关性，其空间拓扑结构与BOLD FC网络相似。这些效应与BOLD TVFC的时间对应关系仍然不确定，因为MEG不能与fMRI同时记录。

      另外一些研究表明，局部场电位的低频波动与BOLD波动（<1 Hz）是类似的，也大大有助于功能连接和TVFC的测量。值得注意的是，神经活动的这些超慢波动与BOLD波动的准周期时空模式有关，这些模式涉及整个大脑活动的协调传播。在这方面，研究已经成功地将BOLD TVFC建模为由协调的高振幅的瞬时共激活驱动的。这些共激活模式在个体中是可靠的，并且可能优先发生在超慢全局信号的不同阶段。除了观察从光学成像的血流动力学信号计算出的窗口TVFC与同时记录的钙瞬变之间的密切对应关系外，最近在啮齿动物方面的工作还发现，瞬时神经共激活的变化与TVFC的波动有关，并且钙和血液动力学TVFC都与假设平稳协方差结构的模拟数据不一致。

      总体而言，似乎（甚至可能）多个潜在可分离的神经生理过程同时促进了时变BOLD活动和功能连接，并且有充分的理由相信，与BOLD静态FC和TVFC相关的电生理频段的异质性不仅仅是人为的或由于实验变异性导致的。不同的电生理活动频带可能反映了不同的神经生理过程，最近对人类颅内记录的研究 - 包括在常见网络的著名节点内（例如，默认，背侧注意网络） - 已经揭示了网络内静息态TVFC在不同频率范围（例如，高频段与α频段）中通常暂时彼此偏离。事实上，有人认为BOLD功能连接可能存在“反问题”，因为在不同的时刻可能存在不同的潜在贡献者。虽然这无疑使BOLD FC研究的神经生理学解释复杂化，但最近的工作已经开始分解神经信号传导的不同方面如何成为BOLD活动和功能连接的不同方面的基础。这些研究的结果表明，虽然超慢振荡和较高频率的局部场电位的特定频段功率的波动都与BOLD信号的波动有关，但它们可能反映不同的潜在神经生理现象，并且BOLD活动的准周期性模式可能与窗口TVFC具有不同的神经相关性。

神经调节对BOLD TVFC的影响

      神经调节剂对神经活动和连接（功能连接和突触强度）的影响是大脑功能的一个关键但经常被忽视的方面。这些分子的局部和全脑释放可导致神经回路动力学的急剧变化，越来越多的证据表明，神经调节系统在触发和塑造不同行为状态的功能性脑网络的重新配置方面起着关键作用。与这些发现一致，实验操控神经调节性神经递质如多巴胺，去甲肾上腺素，乙酰胆碱和血清素等都与BOLD FC的时变改变有关。这些研究通常涉及安慰剂对照设计，其中在扫描之前，受试者要么摄入药理物质（例如，神经递质激动剂，拮抗剂或再摄取抑制剂），要么给予消耗特定必需氨基酸（例如，酪氨酸和苯丙氨酸）的饮食，使得依赖这些化学物质进行合成的神经递质的储备变得耗尽。鉴于这些操作针对内源性神经调节系统，有理由怀疑神经调节信号传导中的内在和任务相关波动可能是TVFC的核心机制。除了对神经活动具有多变强力的作用外，神经调节剂还可以影响神经血管耦合。因此，必须注意确保在fMRI药物操控研究中观察到的效果确实与神经活动的变化有关，而不仅仅是由于血流动力学改变。

觉醒和睡眠状态在驱动TVFC波动中的作用

     觉醒状态是分析大规模神经元活动时需要考虑的大脑功能的一个重要维度，尤其是在寻求将持续的神经波动与认知和行为联系起来时。人们已经知道 rfMRI 功能连接模式会在受试者入睡时发生变化，即使在很短的时间内（只有几秒，即“微睡眠”)。在睡眠期间观察到的静息态BOLD FC 网络表现出时间自相关减少，并且 TVFC 的估计对嗜睡、觉醒和警觉的波动很敏感。同样，同步 EEG-fMRI 研究表明，已知在睡眠期间发生的 EEG 模式对应于 BOLD TVFC 波动的不同方面，一些研究表明，觉醒程度的波动可能解释了 TVFC 的很大一部分差异。在比较具有不同嗜睡程度的群体或个人时（例如，帕金森病），这可能会带来一个特殊的问题，并促使需要在静态FC 和 TVFC研究中纳入睡眠评估和觉醒测量。

      然而，尽管觉醒水平与 BOLD TVFC 之间的关联引起了人们的担忧，但重要的是要注意睡眠和觉醒水平（以及其他全脑神经元过程）通常以特殊的方式与认知相关。觉醒水平的变化不是纯粹二元的（睡眠与唤醒），而是沿着一个连续谱存在。觉醒程度的细微变化（例如，提高意识/注意力的时期与高度分散注意力的时期）对认知处理提供了重要的限制（例如，在连续任务期间准确响应所需的警惕性；或刺激检测任务)，而睡眠剥夺和嗜睡会对行为表现产生重大负面影响。鉴于认知和觉醒之间的密切关系，以及觉醒波动在很大程度上是由脑干神经调节系统的活动驱动的事实，如果 TVFC 与认知有关，那么它也应该至少与觉醒程度相关。从这个角度来看，应该质疑TVFC的认知和觉醒效应是否可以以一种不“把婴儿和洗澡水一起倒掉”的方式充分解开。此外，将觉醒的神经和生理相关性与其后果（例如，头部运动、心率和呼吸的变化）区分开来并不简单，因此在将它们视为人为因素时应谨慎对待。

      除了清醒状态之外，睡眠期间发生的信息处理和稳态过程在记忆巩固中起着至关重要的作用，并且与广泛的认知过程有关，包括创造力和情绪调节。因此，虽然在睡眠期间观察到的TVFC可能很少或根本没有直接的认知或行为相关性，但它很可能很好地反映了可能影响随后清醒期间的想法和行动的重要信息处理过程。这种观点与TVFC可能反映各种有意识和无意识的认知过程以及内在的非认知过程的观点一致。确定BOLD TVFC的哪些方面（如果有的话）对这些“离线”认知过程敏感，以及它们是否可以与纯粹的生理稳态过程区分开来，将是我们领域的关键挑战。

静息状态下BOLD TVFC的认知和行为相关性

       BOLD TVFC的一个关键吸引力是它可以用来研究认知和行为的神经基础的潜力，这些神经基础本质上是动态的。人们越来越一致认为，fMRI对伴随外部提示任务之间切换的功能连接变化很敏感，并且人们对将这项工作扩展到“静息”状态下的认知研究有相当大的兴趣。虽然静息态范式的无约束性带来了重要的挑战，但它也提供了令人兴奋的机会。在这里，我们回顾了支持和反对TVFC认知相关性的证据，重点是静息态FC和认知之间的关系。

证据表明，TVFC与持续认知和行为有关

       BOLD TVFC追踪认知任务表现。目前有鲁棒的证据表明，静态 BOLD FC 模式可以在一系列认知和行为状态下灵活地重新配置。研究最充分的例子是任务执行期间大脑FC 的动态调节。在一个经典的任务实验中，向受试者呈现一项或多项有外部提示的认知任务，并在任务执行期间对FC 进行估计。这些研究得到了越来越多关于任务相关的TVFC 的文献的补充，这表明 BOLD TVFC 方法对广泛的行为任务内和 FC 的短时间尺度变化的波动敏感。TVFC 可用于预测被试是在执行多项任务中的哪一项，以及任务执行过程中 TVFC 的差异与主观情绪体验和任务绩效的客观测量相关。 TVFC 方法还被用于识别与不同任务时期、特定条件的试验前准备过程以及随后的行为表现相关的功能网络的重组。总之，这些研究提供了令人信服的证据，证明用 BOLD FC 测量的大脑功能性宏观结构对认知和行为状态的动态敏感。

       对刺激时间的先验知识以及将观察到的TVFC与客观测量的行为波动联系起来的能力使基于任务的研究成为BOLD TVFC认知相关性高度可解释的验证性研究。然而，这种方法并非没有遭到批判。与这些任务相关的TVFC模式可能会被认知神经科学研究中使用的大多数行为范式的某种人为的动态的，连续的和重复的性质所改变。这个问题可以通过使用具有更高生态有效性的任务（例如，自然观看或聆听;见下文）来缓解。此外，FC估计值中与任务相关的变化可能由协调活动中相对小的变化驱动，例如由刺激诱导的共激活引起的变化。有几种方法试图解决这一问题，包括与刺激相关的效应的回归（也称为“背景连接性”）和心理生理相互作用模型（PPI）。然而，如果任务模型根本没有被错误指定（例如，使用了不正确的血液动力学反应函数，未能对任务的所有相关方面进行建模），那相关性仍然可能由常见的刺激诱发活动驱动，而不是由区域间神经相互作用本身驱动。

      与刺激相关的认知动力学和“伪静息”范式。具有最小显式任务要求但也具有时变刺激属性的范式对于在没有明确提示的任务切换的情况下获取TVFC的直接认知相关性可能特别有用。越来越多使用“自然刺激”（例如，自由观看或收听电影或录音）的实验提供了证据，证明BOLD信号的时变特性追踪了刺激相关认知状态的波动。这种类型的实验允许研究人员研究个体之间的相关活动，以识别其波动性暂时锁定在连续复杂刺激特征上的大脑区域（个体间相关性）。由于相干的个体间波动性（可能超出研究引起的疲劳引起的波动）不太可能在其他不受约束的聆听/观看期间发生，因此将参与者之间的一致性大脑变化归因于刺激引起的认知、感觉或情绪状态的波动是合理的。这种有波动但是一致的活动模式也与刺激诱导的个体间生理波动共同变化（例如，心率变异性）有关。

      自然刺激和个体间相关性的范式可以扩展到单个大脑区域之外，以估计区域间FC的模式，这些模式展示了个体之间的同步波动（个体间功能连接）。当参与者观看电影或听故事时，越来越多的研究观察到了TVFC的同步波动，并且这些波动可以可靠地与故事的叙事元素相关联。这些数据进一步证明，TVFC方法可以揭示认知状态的细微波动，并表明在无任务条件下正在进行的认知过程的变化可以调节FC的时间结构。

      在静息状态下，BOLD TVFC和“自发”认知之间的关系还不清楚。没有任务指导或实验控制的感觉刺激并不意味着没有持续的认知。识别认知和情绪状态持续波动的生理和神经标记仍然是认知神经科学的核心目标之一，将 BOLD TVFC 分析应用于这些问题有可能提供新的机制见解。

       虽然认知状态在短时间内会波动是公认的，但目前尚不清楚这些波动在多大程度上可能反映在BOLD TVFC中。正如前几节所强调的，已经出现了一个广泛的共识，即在不同的外部提示的认知任务之间，BOLD活动和FC存在鲁棒、可重复的差异。然而，与基于任务的研究相比，精神状态的“自发”波动对大脑活动和FC的影响可能相对较小，并且有人担心在BOLD TVFC中这种变化的可观察到的程度（请参阅下文功能连接网络的稳定性部分，以进一步讨论这一问题）。试图研究“自发”认知的内容、质量和动态——这些认知发生在不可预测和不受控制的时间尺度上——也带来了重大的实验挑战。“在线（on-line）”测量方法，例如思想探索和经历抽样，可以提供相对频繁的精神状态自我报告，但冒着可能影响所研究的认知过程的需求特征（例如，通过引入元认知监控的任务需求）而引起“观察者效应”的风险。回顾性报告（例如，扫描后问卷）避免了这种潜在的陷阱，但代价是时间分辨率显著降低。

       尽管存在这些挑战，但关于 TVFC 与持续认知之间关系的许多基本问题需要应用这些方法，并且存在证明其可行性和实用性的新兴文献。多项研究表明，静息态BOLD TVFC 与多种“自发”认知过程相关，包括自我报告的与刺激无关的想法（即走神) 以及觉醒、警觉和知觉表现的波动。尽管这些研究并不都包括“纯静息”条件，但他们研究的认知过程类型都可能在典型的清醒休息期间波动。这些过程在多大程度上相互分离仍然是一个悬而未决的问题，但这些方法可以通过同时记录生理信号（例如，眼动追踪、心脏和呼吸监测）来补充，以评估观察到的 TVFC 变化主要由认知的内容/质量与伴随的生理过程驱动的程度。

对TVFC的认知相关性持怀疑态度的原因

        虽然关于静息态BOLD TVFC的认知相关性的文献迅速增长，但我们仍有怀疑的理由。下面，我们回顾了三条证据线，这些证据提出了一些重要问题，即哪些认知和生理因素推动了静息态TVFC的观察，以及功能性大脑网络在多大程度上重新配置以应对认知和行为的变化。

       麻醉期间的TVFC。反对BOLD TVFC认知相关性的一些最有力的证据来自由于全身麻醉而无意识期间的研究，一般认为这期间认知状态或唤醒水平没有变化，但也发现了TVFC的存在。事实上，许多有助于证实BOLD TVFC神经基础的研究都利用了麻醉动物的同步电生理学和fMRI记录。这些结果表明，至少一部分BOLD TVFC反映了非认知的内在或稳态过程。也就是说，研究还发现，在清醒和麻醉期间观察到的TVFC特征存在明显差异。例如，当猴子清醒时观察到的瞬时功能连接状态似乎比镇静时观察到的更多，包括更多的反相关性和偏离结构连接的FC配置。同样，接受进行性麻醉水平的大鼠的大脑活动，随着麻醉加深，访问较少的不同状态并且而表现出较少的状态间转换。虽然这些研究表明，在清醒状态下TVFC的某些方面与麻醉状态不同，但它们测量的其他TVFC特性却非常相似。镇静动物仍然表现出状态间转换，并且在麻醉时在每个状态下花费的持续时间与清醒状态相当。未来的一个关键挑战将是确定哪些TVFC属性（如果有的话）对认知状态的波动特别敏感，而非是在无意识期间也存在的内在大脑动力学。

       被头动混淆。扫描期间的头动可能是影响 BOLD 功能连接性估计的最重要的混杂因素之一，许多论文已经证明即使是非常少量的头部运动也会导致对静态 FC 的估计有偏差。最近的一些工作表明，头动可能会导致对 TVFC 的类似估计偏差，并且当前减少这些影响的工具可能不够有效。相反，其他研究表明，头动可能对 TVFC 测量及其可靠性只有很小的影响。迫切需要在该领域开展更多额外的研究，以对BOLD TVFC 的不同方面受头动影响的程度有更深入的了解，并确定有效的数据清洗策略。

       功能连接性网络的稳定性。在过去的二十年里，对 rfMRI FC 的大部分兴趣是由于其高可靠性。静态的静息态FC 可以提供对个体功能网络结构的稳健估计，该结构在多次扫描和成像序列中保持稳定，即使相隔数月或数年。研究还表明，在任务态和静息态期间观察到的静态 FC 网络高度相似，相关性高达 r = 0.9，并且静态 FC 的模式在不同任务中相对稳定，相似性估计范围从 r = 0.5 到 r = 0.9。总而言之，这些研究表明，尽管它们在行为上具有重要意义并且可以可靠地观察到，但跨认知状态的静态 BOLD FC 模式的重新配置可能相对微妙，并且基本稳定的底层功能网络架构的微小变化就可能足以产生各种各样的认知和行为状态。鉴于这一证据表明，即使在行为不同的状态（例如，任务与静息）之间，静态 FC 网络结构的变化也很小，一些研究人员对静息认知的内源性波动是否会对 BOLD FC产生任何可观察到的影响表示怀疑。这些担忧强调了开发和利用统计上稳健的 TVFC 方法和有效的数据清洗策略的重要性。在缺乏这些的情况下，试图证明静息态 TVFC 的认知相关性的研究人员将很难让怀疑者相信静息态TVFC 的存在是由于持续的认知过程而不是诸如头部运动或采样变异性之类的混淆因素导致的。

BOLD TVFC认知相关性研究的未来方向

      鉴于对静息态BOLD TVFC 的认知相关性缺乏共识，很明显需要更多的工作来裁决这一争议。虽然有许多不同的方法可以解决这个问题，但这里我们关注两种我们认为特别感兴趣和实用的方法。

       连续性任务范式。许多关于任务诱发的功能连接变化的研究明确地测试了两种或多种认知状态之间的 FC 差异，这些差异要么是由实验范式强加的，要么是从对行为表现的事后分析中推断出来的。通常，这些状态在多个扫描中被拆分。然而，越来越多的研究使用连续任务范式，其中任务需求在单次扫描过程中发生变化。来自此类实验的数据可以提供一个强大的机会来测试估计 BOLD TVFC 的方法的敏感性。给定一个跨越多种认知或行为状态（由实验者强加或从行为分析中推断）的fMRI时间序列，验证问题就变成了我们的统计方法是否能够直接从fMRI数据中识别出BOLD FC中的波动——即这些波动是否追踪实验施加的（或行为定义的）条件。如果可以通过一致的TVFC波动可靠地识别出与认知和行为的已知变化，那种这种方法将最适合研究静息态BOLD TVFC。

      通过脑刺激对TVFC进行因果操作。脑刺激技术发展迅速，近年来出现了经颅电刺激等方法的发展——tACS 和 tDCS，以及有节奏的TMS，这可能允许对区域间神经同步进行实验性调节。虽然关于这些方法的有效性和可靠性仍然存在一些争议，但它们可能为对 TVFC 感兴趣的研究人员提供了一个令人兴奋的机会。很快就有可能在人类受试者安静地坐着休息或从事实验任务时动态地调节FC模式。可靠地追踪实验调节的 FC 的认知状态或行为表现的变化将为 TVFC的认知和行为相关性提供因果证据。使用同步脑刺激和 fMRI 的补充研究可以帮助进一步揭示 BOLD TVFC 的准确神经基础，例如，通过跨频短变化的刺激和测量哪些频率刺激对 BOLD TVFC 的影响最大。在这方面，最近在神经外科患者中使用直接颅内脑刺激（单脉冲刺激以测量目标区域的皮质 - 皮质诱发电位）的工作已经开始探索 BOLD FC 网络的组织与刺激诱发反应之间的关系，我们预计这些和类似的方法将在未来几年得到更多的使用。

用于TVFC分析的数据清洗

      在分析fMRI数据之前，预处理在消除混杂因素（例如，头动，心脏和呼吸信号）方面起着至关重要的作用，在处理静息态期间获得的数据时更是如此。虽然大多数标准的rfMRI预处理步骤适用于TVFC分析，但某些步骤需要特别注意。最近观察到，尽管在TVFC估计之前就进行了无关变量校正（nuisance correction），但一旦计算了TVFC，与无关回归变量的相关性就会重新出现。对于滑窗分析，给定长度ω的窗口，建议删除低于1 / ω的频率成分，尽管最近的研究表明，当使用TVFC估计预测表型特征时，较短的窗口可能会提供更高的准确性。最后，有证据表明，时间序列自相关可能会影响TVFC估计，并且通过对数据进行预白化（prewhitening）来消除自相关的影响可能会降低采样变异性。总之，这些发现表明，可能需要TVFC特定的无关变量清洗流程来最佳地消除运动和其他干扰信号的影响，并且在解释BOLD TVFC分析结果和比较不同研究的结果时应考虑去噪策略的影响。

       除了预处理之外，在比较组间 TVFC 测量值时，重要的是进行控制分析，以确保观察到的 TVFC 差异不是由系统伪影驱动的（例如，头动的组间差异）。这可以通过直接比较组间的潜在混杂因素，或通过测试潜在混杂因素和 TVFC 之间的相关性来完成。也可以在预处理后测试残余的混杂因素，并进行组间比较。

尽量减少头动的影响

      最近的一些研究试图对不同流程的有效性进行基准测试，以减轻头动对 BOLD FC 估计的影响。一致的结果表明，包括独立成分分析去噪和全局信号回归 (GSR) 的流程可能是最有效的。然而，据我们所知，迄今为止只有一项研究尝试对专门用于 TVFC 分析的运动去噪流程进行系统比较。与静态 FC 的情况一样，TVFC 估计的头动影响通过包含 GSR 的流程可以最有效地最小化，但应该注意的是，总的来说，GSR 的使用有些争议。重要的是要重复和扩展这项新工作，以就 TVFC 分析的最佳数据清理策略达成共识。

      体积审查（Volume censoring，“scrubbing”）是另一种常用的最小化头动对FC的影响的方法。通过去除具有高水平运动的体积，头动影响的问题基本上被回避了。这种审查在静态FC的研究中可能非常有效，最近的研究表明，在TVFC的背景下，它可能同样强大。然而，由于这种方法会破坏时间点之间的时间关系，因此它可能会以不良方式与隐含或明确考虑这些因素的后续TVFC分析相互作用。例如，在滑窗分析之前进行头动审查（censor）可能导致窗口包含不相等数量的时间点，并且由于审查而导致的时间点之间间隔不均匀的时间序列与大多数基于时频的方法不兼容。

考虑觉醒程度的影响

       正如上面深入讨论的那样，几项研究表明，警惕性和觉醒的变化会影响大脑功能的测量。虽然检测觉醒变化的能力可以被认为是TVFC 的优势，但它也可以被认为是潜在的混淆因素。因此，希望独立于觉醒对 TVFC 的认知相关性进行推断（或比较组间 TVFC）的研究必须测量和解释这些波动的存在和影响。尽管可能难以跟踪觉醒的细微波动，但测量瞳孔直径或眼睑闭合可以提供这些波动的独立生理指标。有学者还提出了直接从 fMRI 数据估计觉醒水平的方法。觉醒波动是否是神经变异的一个有趣来源最终取决于具体的研究问题。目前对于在TVFC 分析中解释觉醒波动影响的最佳方法没有达成共识。在静态 FC 研究中成功使用的一种相对简单的方法是舍弃参与者睡着或觉醒水平非常低的时间点。然而，如上所述，审查策略对于 TVFC 的研究通常是不可取的，因为它们会破坏数据之间的间距和顺序，并排除掉了某些类型的 TVFC 分析。相反，觉醒波动的影响可以通过回归连续测量的觉醒指标（例如上一段中提到的那些）来统计处理。虽然仔细的实验设计（例如，实时警戒监测）和统计模型的使用可以用来减少睡眠和觉醒的影响，但这样做通常是不重要的，因为需要一个非常明确的混杂源贡献模型来解释它们。需要更多的工作来进一步描述觉醒对BOLD TVFC的影响，并确定有效的策略来解释这些影响。

       最后，我们强调，当试图消除觉醒对 BOLD TVFC 的影响时，存在一个固有的权衡：这些处理步骤很可能会消除有趣的信号以及假定的噪声源，因为认知过程通常与觉醒和其他生理状态内在性相关。对于该领域的未来工作而言，适当地消除对认知表现有害或有利于认知表现的与觉醒相关的特征，以完善我们对大脑认知结构的理解，这一点很重要。

我们能得出什么结论，以及我们应该如何看待TVFC？

       鉴于我们回顾的证据，我们可以就本文开头提出的三个问题得出什幺结论？首先，我们相信，当应用适当清洗过的数据时，各种分析和建模方法能够可靠地从 BOLD rfMRI 时间序列中估计 TVFC。至于在静息态期间观察到的时间分辨功能连接的估计是否真的随时间变化，我们强调“动态”现象的空间很大，这个问题的答案关键取决于为特定假设选择适当的时间序列特征和零模型来进行测试。其次，关于静态 BOLD FC 和 TVFC 生理基础的可靠文献表明，这些现象在很大程度上是由神经活动的区域间同步导致的，并且同步模式可以通过觉醒水平来调节。第三，人们普遍认为外部任务需求可以调节 BOLD FC 的模式，并且越来越多的证据表明，静息态期间的 TVFC 波动不仅在个体内部和个体之间是可靠的，而且与持续的认知和行为有关。

      除了启发这篇评论的问题之外，值得退一步考虑 TVFC 现象与传统静态 FC 的关系。我们应该如何看待 TVFC 方法识别的 FC 的瞬时模式？似乎我们应该期望看到 TVFC 结果与静态 FC 模式之间的相似性和差异性。由于静态 FC 状态通常代表行为相关的功能网络配置的证据，我们可能会期望相似之处，并且可以合理地预期可能会在更快的时间尺度上捕捉到这些相同的配置。我们当然也可能期望看到差异，因为既然FC会随时间变化 ，静态 FC 的模式本质上就是窗功能连接强度的某种汇总指标。与任何汇总指标一样，这些汇总的静态 FC 估计可能无法捕捉到潜藏于 TVFC 的某些特征。

        这是很重要的一点，因为它可能有助于解决 FC 稳定性的悖论（上面讨论过）：鉴于静态 FC 的模式在广泛的行为状态中是如此相似，为什么我们应该期望看到当明显的行为在静息态保持不变时，FC在一段时间内出现波动？解决这个悖论的关键可能涉及认识到汇总指标的给定值可以通过基础数据的多种不同排列来实现。在 FC 的背景下，这意味着静态 FC 的相同模式可能汇总自底层 TVFC 的不同时空模式。此外，由于 TVFC 波动以特定顺序随时间展开，TVFC 模式的相同分布（例如，模式A 中的 4 个 TR，模式 B 中的 4 个 TR）可能具有非常不同的时间分布（ABABABAB、AAAABBBB、AABBAABB等）。 大脑动力学会随着时间以特定的顺序展开，因此重要的是要不能仅仅简单地以高时间分辨率识别 FC 模式——为了进一步了解大脑动力学、认知和行为，我们还必须考虑 TVFC 波动的时间特征（例如，转换概率、停留时间、切换率）。仅知道发生什么 FC 模式是不够的，还得知道何时发生。这一想法在最近关于静息态期间 TVFC 的时间特征（状态转换）的研究中占有突出地位，以及这些特征在清醒和睡眠之间有何不同。从这个角度来看，可能根本不存在悖论：静息态 TVFC 的波动不一定与稳定的静态 FC 不一致。

推进TVFC研究领域：一些向前发展的建议

       我们希望这篇文章不仅可以作为对该领域现状的回顾，也可以作为未来工作的蓝图。对 BOLD fMRI 和其他类型的神经影像数据的TVFC 分析有可能帮助回答认知和系统神经科学中一些最引人注目的开放性问题。对静息时记录的内在大脑活动的 TVFC 分析正迅速成为研究人员寻求识别宏观大脑动力学的基本原理、它们的空间和时间组织以及它们与潜在解剖结构的关系的关键工具。对静息态 TVFC 的研究也开始揭示精神和神经疾病患者的内在大脑动力学紊乱，使用在线测量和自然范式的实验有望揭示功能连接模式与认知、行为和生理状态准确联系。与此同时，一些重要的问题仍未解决。静息态TVFC 的差异多大程度上可以通过各种促成因素（例如，神经信号、身体生理、认知状态、明显的头动）来解释？BOLD TVFC 对认知变化究竟有多敏感？我们能否识别心理内容的“自发”变化（例如，想象一个地方与一张脸），或者我们是否只能研究认知状态的更普遍的变化（例如，以目标为导向的未来计划与无方向的思想游荡）？成功回答这些问题需要来自具有广泛背景和观点的研究人员的贡献和合作。考虑到这一点，我们提供以下具体建议，旨在促进对时变功能连通性研究的共识方法。

       首先，进行TVFC分析的研究人员在描述他们的方法和构建结果时要仔细考虑他们对术语的选择。研究人员之间定义的不一致有可能不必要地破坏已经非常复杂的科学领域。虽然我们提出了“时变功能连接”一词作为适当宽泛的标签，但我们认识到，关于应用这一术语和其他术语的争论可能会继续下去。除了TVFC的具体案例之外，关于使用“功能连接”来指代试图从时间序列数据推断神经相互作用的方法也一直存在争议。随着该领域的发展，术语无疑将继续扩展。这强调了正确使用术语和定义以及根据上下文考虑术语的使用的重要性。

      其次，虽然TVFC方法提供了解决许多有趣问题的机会，但必须仔细应用它们。在预处理和选择适当的分析方法和零模型时必须小心。在考虑到BOLD TVFC方法的有效性和可靠性的潜在相互矛盾的证据时，应适当地将调查结果放在背景当中讨论。实验主义者，理论家和定量方法学家必须继续共同努力，以确定和交流最佳的实践方法，以帮助确保BOLD TVFC文献的可靠性和有效性。我们鼓励那些刚接触TVFC分析的人花时间学习和理解这些方法的特殊性和缺陷，并与该领域的专家进行讨论，以确保他们的发现是稳健的。

       第三，我们建议从本文开头提出的三个关键问题的角度考虑 BOLD TVFC 的未来工作。虽然我们提出的问题本质上是连续的（例如，如果我们得出结论，静息 BOLD 数据首先不存在 TVFC，那么考虑 TVFC 的生物学基础几乎没有价值），但科学很少以有序的方式进行。因此，至关重要的是，探索“后面的”问题的研究应该清楚地表明它们依赖于哪些未经检验或有争议的假设（例如，静止的 BOLD 数据显示出的 TVFC是潜在的神经动力学的结果）。

       随着该领域的不断发展，静息态脑动力学的研究将受益于现有 TVFC 方法的改进以及互补技术的使用和开发。例如，能够从 rfMRI 数据中恢复血流动力学响应函数的方法有望进一步阐明静息时的神经活动与观察到的BOLD 信号之间的关系。反过来，这些知识可以帮助开发有助于估计随时间变化的有向的或“有效的”功能连接性的模型。随着我们的工具和分析的不断发展，评估数据质量和数量（例如 MRI 序列参数、扫描持续时间、参与者数量）对个人和群体平均 TVFC 估计的影响也至关重要。

       总体而言，本文认为，对静息 BOLD TVFC 进行统计严谨的、经过充分验证的研究有可能极大地扩展我们对大脑动力学及其与健康和疾病认知之间关系的理解，而针对现存争议的开展的协作、开放的研究工作是是我们领域最有效、最有生产力的途径。