各种精神病学、行为和认知表型都与大脑“功能连接”有关。最常用的是功能磁共振成像(fMRI)，在这里，我们研究了使用相位耦合的脑电图(EEG)测量功能连通性的连通性-表型关联。我们分析了来自公共健康大脑网络生物库的数据。该数据库汇编了许多儿童和青少年样本，目前包括1657人。在各种各样的评估工具中，我们专注于十种表型和额外的人口统计方法，这些方法捕获了这个样本中的大部分方差。在fMRI和EEG中，年龄和性别的效应值最大。我们重复了先前的发现，智商(IQ)和注意缺陷多动障碍(ADHD)与功能磁共振功能连接模式的相关性。我们还发现与社会经济地位、焦虑和儿童行为检查得分有关。对于脑电图，我们发现与智商有显著的连接-表型关系。功能磁共振成像和源空间脑电图之间的功能连接的实际空间模式有很大的不同。然而，在脑电图中，我们观察到跨频段一致的功能连接集群。此外，我们还分析了功能连接的再现性。我们比较了不同任务获得的连通性，包括静息状态、视频和视觉闪烁任务。对于脑电图和功能磁共振成像来说，任务之间的差异小于受试者之间观察到的差异。我们还发现，随着脑电图频率的增加和采样时间的增加，可靠性也在增加。我们的结论是，虽然功能连接模式在fMRI和EEG的相位耦合之间是不同的，但它们在任务的鲁棒性方面是相似的，并且在连接的特质模式预测个体表型方面是相似的。本文发表在NeuroImage杂志。

1. 介绍

神经科学中的术语“功能连接”(FC)是指一个大脑区域的神经活动如何与另一个大脑区域的活动相关联的各种测量方法。尽管概念简单，但FC已经成为功能磁共振描述大规模大脑“网络”的主流方法，在实验室和方法中表现出高度的可重复性。重要的是，研究发现，有足够的数据就可以在休息期间可靠地、可重复地识别FC中的功能网络，这些变化似乎与神经精神发育变量和障碍有关。具体而言，FC模式与智商和多动症、流体智力、注意力以及生活方式、人口统计学和心理测量变量有关。认识到功能性磁共振成像中FC研究的成功，一个明显的问题是FC方法是否有同样的潜力成为其他模态的主流工具，如脑电图。

对于fMRI，FC通常测量不同大脑区域之间时间过程的皮尔逊相关性。最近，fMRI中更复杂的FC估计方法也已经开发出来。这些方法尝试捕获不同的时间尺度，减少共同的方差来源，捕获延迟相关性，或捕获因果关系。然而，这方面的绝大多数工作都是基于皮尔逊的相关性，我们将在当前的分析中使用它。

对于EEG和MEG，现在已经有几种FC测量方法，重点关注不同频段振荡活动的振幅或相位。振幅的相关性，被称为振幅耦合，得到的FC模式可以类似于fMRI中的静息态FC。振幅耦合的一个常见问题是体积传导导致虚假的瞬时相关性。在MEG中，努力去除这些伪影可以得到振幅耦合模式，这也类似于fMRI中的FC。同时，人们可以发现振幅耦合模式与年龄的关联，或表型变量，如自闭症和精神分裂症。电压波动与某些时间延迟的相关性(称为相位耦合)降低了体积传导的影响。它们已被用于描述神经元相互作用，但是最近的工作表明虚假相互作用仍然是一个问题。相位耦合也与一些表型有关，如年龄，性别和多动症。振幅和相位耦合测量捕捉了FC的不同方面。具体而言，相位和振幅耦合测量在短距离连通性方面最相似，而在长距离连通性方面则不同，表明了不同的潜在神经元机制。在这里，我们关注的是一种对体积传导不敏感的相位耦合测量，即孤立有效相干(iCOH)，它已被广泛验证。

人们对FC的兴趣也越来越大，不仅在休息期间，而且在任务执行期间，特别是在观看视频等自然刺激时。因此，我们在这里结合了静息状态和观看视频的数据。对于fMRI，FC模式在任务之间高度相关，并且在同一受试者中比在执行相同任务的不同受试者之间更相似。这表明FC是个人的属性，而不是任务的属性。结合其与表型信息的相关性，FC可以用作评估个体的诊断指标。在这里，我们探讨了脑电图相位耦合的稳健性、个体性和与表型的相关性问题，并将其与儿童和青少年的大型队列中的fMRI进行比较。

我们发现，EEG的相位耦合到不同的FC网络中，这些网络在频段、半球和任务中是一致的，但在不同的受试者中是不同的，这使得它们能够预测个体人口统计和表型变量。虽然这一发现与fMRI中的FC相似，但实际网络与fMRI网络确实不同，这为未来FC研究提供了一个潜在的新方向。

2. 方法

2.1 被试

通过HBN招募的参与者为5-21岁的儿童和青少年。我们分析了HBN生物库中可用的fMRI扫描和EEG记录。对于fMRI，我们使用了参与者在静息状态和观看自然刺激状态下的数据。该数据集由766名参与者的fMRI扫描组成。我们纳入了前六次发布的脑电图数据，共1657名受试者。根据可用性和数据质量，我们组合了几个范例：静息状态(持续时间300秒)，抑制/兴奋范式的两个部分(每个部分持续时间210秒)，以及四个自然刺激(第一个视频持续时间170秒，第二个视频持续时间230秒，第三个视频持续时间117秒，第四个视频持续时间163秒)(图1C)。

图1 数据的可用性

(A) 每个受试者都是HBN生物样本库中可用且数据质量合理(评级> 4)的任务。

(B) 每个数据质量级别可用的受试者数量，“所有脑电图”:评级>3，“不错的脑电图”:评级>4，“良好的脑电图”:评级5；视频1:“一个小屁孩的日记”，视频2:“有趣的分形”，视频3:“卑鄙的我”，视频4:“现在”；

2.2 表型数据

HBN数据集包括使用标准评估工具收集的几种精神病学、行为、认知和生活方式表型。所有分析均在MATLAB R2019b中进行。应用数据驱动方法选择这些表型的子集进行进一步分析。首先，从数据库中检索所有可用评估的总分，不包括子分数。仅捕捉物理特征的表型被排除(例如健康水平，生物电阻抗分析，怀孕)。在剩下的47个表型中，有10个是两步选出的。首先，排除了22个缺失数据超过50%的表型。其余表型数据采用z评分归一化。使用交替最小二乘(ALS)算法估计剩余数据中的缺失值。对包括缺失值估计在内的数据进行主成分分析(PCA)。对解释至少40%方差的成分的PCA系数进行平均，并选择平均系数最大的表型进行进一步分析。

2.3 脑电图预处理

为了处理HBN数据库中的大量数据，我们开发了一种自动预处理脑电图数据的算法。预处理算法包括基于统计阈值去除伪迹和通道的多个步骤:

1)零相位五阶巴特沃斯滤波器用于去除漂移(0.5 Hz高通)和线路噪声(60 Hz和谐波);

2)去除无信号或有大量平坦信号(> 5s)的通道;

3)对于标准差大于2倍于所有通道标准差的通道，将被拒绝;

4)通过使用EOG通道减去最小二乘回归模型估计的信号，从EEG数据中去除眨眼和眼球运动的影响;

5)通过计算高频信号(35Hz截止)的标准差与全频谱信号的标准差之比来去除高频功率通道。与步骤3类似)当高频与全频谱的标准差之比大于2倍通道间四分位范围时，一个通道被排除;

6)去除绝对电压高于每通道电压四分位范围4倍的样本;

7)为了去除高频样本，数据经过高通滤波(5阶零相位巴特沃斯滤波器，截止频率为35 Hz)，并分割成200 ms的片段。跨通道和时间点对分段进行z评分，z评分高于4的分段将被拒绝。有了整体更干净的数据，可以通过第2步删除更多的伪迹。

11)通过前面的步骤完全删除超过25%的数据的通道;

12)如果在同一时间点至少有三分之二的样本在其他通道中可用，则从其他通道内插去除的样本。其他样本被设置为零，边缘平滑。

13)不同受试者的心脏伪影发生在相似的通道。心脏伪影的峰值并不以精确的频率出现，其振幅通常与神经信号相似。我们使用子空间减法来去除伪影。

2.4 运动伪迹

通道中的FC受性别差异的影响最大。这种效果很可能是由于运动伪迹造成的。为了减少未被预处理算法去除的运动伪影的影响，将靠近颈部和面部的通道从分析中排除。

2.5 数据质量自动评级

数据质量由四个标准评定:1)预处理算法去除的坏通道数量。2)伪影的样本数量除以样本总数。3)绝对电压大于15 mV的样品比例。4)跨通道标准差大于14 mV的时间点。对于每一项的评级从1(最差)到5(最好)。表1给出了百分比阈值。每个被试的总评分是所有四个指标的评分的平均值。总共有1330名受试者至少有一个评分为4或5的数据(图1)。

表A1 用于分配数据质量评级的百分比阈值。

2.6 源重建

对每个受试者进行源重建。导场由Brainstorm和OpenMEEG使用3壳BEM模型和EGI Hydrocel 129通道帽。我们导入了与Schaefer等人定义的Yeo 7网络相匹配的200个分割区域。使用Matlab的reducepatch方法将平均标准头部的表面重新采样到2003个体素。BEM模型由头皮层(1082个体素)、头骨层(1922个体素)和大脑层(1922个体素)组成。OpenMEEG头部模型采用自适应积分计算。在源重建前，将脑电数据和头部模型都转换为一个共同的平均参考。EEG数据通过eLORETA逆投影以5%正则化投影到源空间。然后对源空间中的信号进行z评分。对于Schaefer图谱中的每个感兴趣的区域，选择源空间信号的最强的3个PCA分量。每个PCA分量的iCOH分别在源空间中计算。最终的FC矩阵由每个感兴趣区域的三个PCA成分的平均连通性组成。

2.7 功能磁共振成像预处理

fMRI数据使用可配置分析流程(C-PAC)进行预处理。预处理包括:1)使用AFNI提取大脑，2)使用FAST分割组织，3)使用ANTs得到MNI152模板。函数预处理包括:1)运动校正，2)运动峰值回归，3)aCompCor、脑脊液和Friston-24运动参数的回归，4)线性和二次去趋势化，5)带通滤波(0.01-0.1 Hz)，6)从功能空间到原始解剖空间的基于边界的共配准，随后配准到MNI152模板空间，7)从MNI152卷空间投影到Freesurfer表面空间，并将采样到10k分辨率的表面(每个半球10,242个体素)。

2.8 功能连通性

FC的常用测量方法是相干性，测量两个信号之间的相位同步性。相干性是一个复值量，反映了两个时间序列之间的平均相位差，以及在重复测量中这种差异的稳定性。为了防止由于源混合而产生的伪连通性，可以使用孤立有效相干(iCOH)。iCOH通过排除零相位延迟的相干性，对功能连通性中的体积传导伪影具有鲁棒性。

FC矩阵是在MATLAB中使用FieldTrip工具箱实现。对所有数据质量良好的任务的所有EEG源空间数据进行试验，取分段的平均值。iCOH是交叉谱密度的虚数部分的绝对值。通过创建2s的分段，可以计算0.5 Hz及以上频率的iCOH矩阵。计算了126个频率0.5 Hz -62.5 Hz的iCOH矩阵，间隔为0.5 Hz。为了获得每个频带的iCOH矩阵，在一个频带内对每对分组的iCOH值进行平均。delta波段定义在0.5到4Hz之间，theta波段定义在4到7.5 Hz之间，alpha波段定义在7.5到15Hz之间，beta波段定义在15到30Hz之间。

2.9 脑电FC聚类

图2A所示的脑电图FC的聚类使用Yeo et al描述的方法计算。使用皮质表面网格上所有体素的连通性矩阵的平均值计算了所有具有良好数据质量的受试者。然后在Schaefer地图集的200个分隔中平均连通性，将特征维度降低约10倍。这将在200个特征维度中创建2003个体素。然后，将这些体素分别分组为每个半球的7个簇。在图2A中，簇被重新排序并上色，以便位于每个半球和带的相似结构的簇上色相同。图2B中的混淆矩阵是通过分别计算相同或不同簇中的体素数量来计算的。

图2 不同频段fMRI和EEG FC的聚类。

A)上一行显示的是Pearson相关性测量的平均皮层fMRI连通性矩阵，以及iCOH测量的EEG源空间FC矩阵。在这里，FC是根据静息状态、自然观察和视觉刺激任务的综合数据计算的，并对所有受试者进行平均。图A1中报告了连接的意义。空间模式的最左边一列显示了Yeo等人在基于Schafer地图集中的200个分割的fMRI数据中识别的集群。使用不同波段的脑电图数据，使用Yeo等人进行的相同分析对连通性进行聚类。集群的相应空间位置显示在连通性矩阵下面。

B)个体混淆矩阵比较不同频带和模态之间的聚类。对角线上的值描述了分配给相同集群的体素的数量。非对角线上的值描述了在每种模式下分配给不同集群的体素数量。

C)用混淆矩阵的精度来衡量FC在不同EEG频段和模态下的聚类相似性。类1-7位于左半球，类8-14位于右半球。

2.10 比较EEG和fMRI连接矩阵

使用四种方法评估EEG和fMRI连通性矩阵的相似性：Pearson相关性，图像类内相关系数(I2C2)，多尺度图相关(MGC)算法和测地距离。

2.11 多元的距离矩阵回归(MDMR)

为了将全脑FC与表型进行比较，首先计算了全脑FC的受试者-受试者距离矩阵。为此，Shaefer地图集区域之间的iCOH连通性矩阵通过叠加其列来排列为向量。记录短于20秒以下的受试者被排除在外。然后将向量化的连通性矩阵连接到m × n矩阵中，其中m是受试者的数量，n是Schaefer分割中区域数量的平方。

我们在空间中重复这一分析，也就是说，我们现在分析的不是全脑FC，而是来自单个分割区域的连通性。因此，m × n矩阵现在指的是m个被试和n个分割区域。最后，通过选择包含对应于每个网络的分块的子矩阵，计算与Yeo等定义的网络相关的距离矩阵。

3. 结果

我们分析了 Healthy Brain Network(HBN)收集的儿童和青少年(5-21岁)的数据。在总共1657名参与者中，有1330名参与者获得了干净的EEG数据，766名参与者获得了fMRI数据(图1B)。fMRI和EEG记录在休息和被动观看叙事视频时采集。在视觉呈现闪烁光栅以测量稳态视觉诱发电位时，可获得额外的EEG数据。

3.1 脑电图的FC聚类为不同的脑网络，在频段上一致，但与功能磁共振成像的FC不同。

EEG源空间中的iCOH连通性矩阵可以由具有相似连通性模式的体素集群组织(图2A，上)。在这里，我们使用了所有受试者的平均连通性矩阵，并按照与之前的fMRI工作相同的程序对其进行聚类。使用HBN fMRI数据获得的FC聚类与Yeo等人的结果非常相似(图1A)。当同样的聚类方法应用于脑电图的FC时，我们获得了跨频段一致的聚类结果，但它们与fMRI FC中的聚类有很大不同(图2B)。我们注意到脑电图中簇的空间排列在空间上是扩展的，不一定是连续的(图2A，下)。它们在半球之间也相当一致(图2A，底部)，这就排除了空间类似性造成这种一致性聚类的可能性。请注意，集群内部的连通性低于集群之间的连通性(图2A，上)。

3.2 功能磁共振成像的FC与脑电图的FC不同

考虑到不同的聚类，脑电图和功能磁共振成像的FC确实不同。为了量化这一点，我们测量了个别受试者EEG和fMRI FC的相似性。对于每个受试者，我们计算EEG和fMRI FC矩阵之间的Pearson相关系数，然后对受试者的这些相关性进行平均。结果发现平均相关性很低，在任何频带上都不显著。我们使用其他三种相似度测量方法，图像类内相关系数(I2C2)，图的多尺度相关(MGC)算法和测地距离确认了这些发现。考虑到这些结果和图2所示的不同的连通性簇，我们得出结论，被试间脑电图和功能磁共振成像中的FC模式在所有测量的频段都是不同的。

3.3 被试内功能性磁共振成像和脑电图的FC在任务中都是相似的

我们想要确定在不同的任务(静息状态、视频观看、闪烁光栅)中FC模式的相似程度。为此，我们测量了不同任务之间FC的相似度。我们将其与不同受试者之间FC的相似性进行对比(图3A)。显然，FC在不同任务相同被试之间的再现明显好于不同受试者之间。这适用于功能磁共振成像，也适用于所有测试频段的脑电图。

图3 参与不同任务的同一受试者的FC比参与同一任务的不同受试者的FC更相似。

A)小提琴图描述了各被试间FC (iCOH)矩阵之间的Pearson相关性分布。皮尔逊(Pearson)的“相同被试/不同任务”(Same Subject/Different Task) 衡量的是每个被试分别计算的不同任务(静息状态、视频观看、闪光评分)之间的相似性。皮尔逊(Pearson)的“不同被试/相同任务”(Different Subject/Same Task) 衡量的是完成相同任务的不同被试之间的相似性。 B) ICC衡量任务间相对于被试间可变性的可靠性。FC的ICC (iCOH)在Schaefer图谱中每对大脑区域之间的分布。我们比较了三个任务(视频、静息状态和抑制/兴奋范式)之间的连通性矩阵。显示了ICC在每个频段的连通性分布。对应的矩阵如图A2所示。

C)静息状态下FC在脑区间的ICC分布随着记录时间的延长而增加。ICC是在不同记录的连通性矩阵之间计算的。

D)在视频任务(《神偷奶爸》的10分钟)中，FC的ICC随着记录时间的增加而增加。ICC是在同一电影任务的记录之间计算的。

任务间FC的一致性可以用单一指标量化，即类间相关性(ICC)。ICC值为1表示任务之间的FC完全一致，而ICC值为0表示被试之间的FC完全一致。对于EEG，我们测量了任务间FC的可靠性，并对不同频段分别进行了测量。可靠性从低频段到高频段递增(图3B)。对于fMRI，我们测量了各个时间段的可靠性，以确定较长的数据段是否会导致更稳定的FC矩阵。我们分别对静息状态(2C)和视频观看(2D)进行此操作。正如预期的那样，我们看到较长的数据段增加了FC矩阵的可靠性。因此，在所有进一步的分析中，我们使用来自休息和任务条件的组合数据来计算FC，因为它们在受试者中似乎是稳定的，并且使用更长的数据段提供更可靠的估计。

3.4 功能性磁共振成像和脑电图显示FC与表型和人口学信息相关

3.5 在可用的表型数据中，我们选择了10个评估工具的子集，这些评估工具适用于大多数受试者，并且对群体中的共享方差贡献最大(图4A)。具体来说，这10个项目在主成分分析中具有最强的分量权重。我们还将年龄和性别作为两个重要的人口统计学变量。为了建立连接模式和表型之间的联系，我们使用了多元的距离矩阵回归(MDMR)。从本质上讲，MDMR测量的是具有相似连接模式的个体是否在给定的表型评估工具上也有相似的分数。连通性的相似性是通过Pearson的相关性跨FC矩阵的边缘来衡量的。皮尔逊的相关性不受手段差异的影响，并衡量连接模式的相似性。因此，FC的整体强度不作为预测因素。除年龄和性别两个人口统计学变量外，对10种表型评估工具中的每一种分别进行分析。

图4 fMRI FC与人口学和表型测量相关。

分别对每个人口学/表型信息进行MDMR分析。 A)使用fMRI数据的MDMR分析结果，显示所有测试的表型。数字表示具有足够质量的功能磁共振成像和特定的人口学/表型信息的个体数量。 B)连接-表型关系分别计算从每个任务的数据。在任何任务中，未显示的表型与连通性没有显著相关。

3.6 fMRI FC -表型关联

MDMR分析显示，对于许多测试的测量，fMRI FC之间存在显著关联(图4A)。这包括年龄、性别、WISC智商得分、多种疾病的CBCL得分、Barratt SES得分和SWAN ADHD得分。在FC和SCARED焦虑评分之间发现了一个额外的弱相关。为了避免与年龄和性别混淆，我们从MDMR之前的其他表型和人口变量中回归出年龄和性别分类效应的可能线性效应(见图4A)。值得注意的是，即使在静息状态FC和视频任务上分别进行MDMR时，也发现了相似表型的连通性表型关系(图4B)，尽管其效应值略弱。这进一步验证了我们结合来自多个任务的数据以降低噪声并提高分析能力的选择。

3.7 脑电图源空间FC -表型关联

在源空间中计算的脑电图的FC显示，在所有测试频段中，与年龄和性别都有很强的相关性(图5A)。与相同的10个表型变量的关联仅显示在delta和beta波段与智商有显著关联。除了性别和年龄的影响外，我们还计算了头部尺寸，因为它与年龄和性别相关(图4A)。在宽带FC中可以看到最高的连通性-表型关系，其次是更高的频段，beta和alpha(图5A)。这可以解释为FC在宽带信号和β波段具有更高的可靠性(图3A)，与先前的文献一致。

图5 不同频段的脑电图FC与性别、年龄和智商有关。

A)源定位后计算FC (iCOH)。这里对12个测量值进行了FDR校正，但没有跨波段进行校正。图4A所示的9种表型与EEG FC在任何频段均无显著相关性。B)当每个任务分别计算FC时，EEG(源空间，beta波段)的FC与表型相关。C)当FC在源空间中计算时，FC与表型的关联比在传感器空间中计算时更强。以一个频带为例，说明性别和年龄效应。IQ的影响显示了在源或传感器空间中显示显著影响的所有波段。性别和年龄的影响存在于所有其他频段。

脑电图与功能磁共振成像连通性的关联是一致的。我们对不同年龄组也进行了分析(图6)。虽然具体的统计数据有些不同，但两个年龄组(5-9岁和10-21岁)的结果基本相同。与功能磁共振成像一样，这里的分析是通过结合静息状态和任务的脑电图记录来完成的。当我们按任务(休息、视频、闪烁)分割数据时，结果没有太大差异(图5B)，再次与FC跨任务的稳定性一致(图3)。当我们使用替代方法进行FC-表型分析时，我们发现类似的结果(见图7)。

图6 具有显著性效应的功能连接。

A)脑电源空间和功能磁共振成像中连接-性别关系的空间分布。每个大脑区域都计算出被试之间的连接矩阵。连接是每个区域的连通性向量之间的Pearson相关性。脑电图和功能磁共振连接-性别关联的伪f统计量由MDMR计算。B) Yeo静息态网络中性别与连通性模式之间关系的伪f统计量。每个格描述了性别关系的强度以及网络内部(对角线)或网络之间(非对角线)的连通性。

图7 年龄效应显著的功能连接。

A)基于每个Schaefer脑区作为种子的空间解析EEG源空间和fMRI FC -年龄关联。B)静息态网络的连通性与年龄的关系。

3.8 脑电图传感器空间FC -表型关联

直接在传感器空间脑电图数据上计算的功能连通性显示了与源空间FC相似的表型的关系(图5C)。然而，在源空间中，效应量更大。此外，已有研究表明，FC在传感器空间中的空间模式取决于参考通道的选择。因此，我们在此重点分析源空间中连通性-表型关系的空间模式。

3.9 FC -表型关联的空间模式

到目前为止，我们已经将表型与FC的整体模式联系起来。为了确定具体涉及哪些大脑区域，我们分别对每个大脑区域重复MDMR分析(基于Schaefer图谱)。结果显示了整个大脑网络的哪些节点随表型而变化(图6A)。此外，我们对各种静息态网络进行了MDMR分析。这一分析揭示了网络内部或网络之间的连通性是否驱动了与表型的关系(图6B)。我们还对性别、年龄和智商进行了两项分析，这些变量与fMRI和EEG的全脑FC有关。我们还可以通过将连接强度与表型直接关联来确定变化的方向。然而，fMRI与年龄的相关性较弱，因此经过多次比较校正后，很少有节点与年龄显著相关。

性别效应:枕叶和顶叶皮层节点的脑电图连通性主要随性别而不同(图6A)。这不是枕部视觉网络的局部属性，而是视觉网络与额顶、默认模式和注意网络之间的关联，这些网络在性别之间是不同的(图6B)。在β波段，大多数大脑区域的连通性中位数在女孩中比男孩大。这种效应与其他频带形成了强烈的对比，在其他频带中，男孩的连通性中位数更大。有趣的是，男孩和女孩之间的连通性的绝对中位数差异在视觉皮层中最大，而视觉皮层内的连通性模式则不同(图6B)。功能磁共振成像连接也因性别而异，但受影响最大的网络节点似乎与脑电图连接有很大不同。fMRI连通性的最强影响在顶叶、额叶以及扣带回，并且比脑电图更集中(图6A)。与脑电图连接相比，腹侧注意和默认模式网络中fMRI连接的差异与性别的相关性最强(图6B)。

年龄效应:脑电连通性随年龄在皮层区域的所有波段发生变化(图7A)。额叶的连通性与年龄有关。年龄与视觉和默认模式之间的连通性、额顶和腹侧注意网络之间的连通性在δ带和θ带的影响有关(图7B)。在alpha和beta波段，年龄差异对应于额顶叶和默认模式网络之间连通性的差异(图7B)。在beta波段，与腹侧注意网络与其他网络的连通性也有很强的关系(图7B)。将年龄与各个区域之间的连通性联系起来，在不同的波段之间存在着巨大的差异。在大多数区域，δ、θ和β波段连通性随着年龄的增长而下降，α波段连通性随着年龄的增长而增加。在顶叶皮层、楔前叶和后扣带回，fMRI连通性与年龄的相关性最强(图7A)。与脑电图相比，这种关系更强，更集中。静息状态网络与年龄之间最明显的关系是腹侧注意网络，腹侧注意与背侧注意、额顶和默认模式网络之间的关系(图7B)。年龄与视觉、边缘、额顶和默认模式网络的连通性也有很强的关系。此外，年龄与视觉和背侧注意网络之间的关系很强。在年龄与腹侧注意网络连接的相关性方面，fMRI和EEG结果相似。

IQ -和SES -连通性关系的影响要弱得多，因此难以定位(图8)。鉴于定位脑电图源的一般局限性，应谨慎考虑这些结果。fMRI连通性与智商的关系在颞叶和顶叶最强，主要由默认模式网络内的连通性主导(图8)。

图8 脑电功能连接具有显著的显型效应。

(A)EEG源空间和fMRI FC -表型(IQ和SES)关联，基于每个Schaefer脑区作为种子。

(B)静息态网络的连通性与IQ和SES的关系。

4. 讨论

我们已经证明了脑电图聚类的相位耦合方法一致地跨越半球和频段。值得注意的是，这些簇与fMRI中的簇不同。此外，相位耦合FC模式可以被视为神经指纹，可以区分彼此之间的被试，并且在任务中是一致的。最后，虽然脑电图和功能磁共振成像之间的FC模式是不同的，但两者都是年龄、性别和智商等表型的预测。

4.1 脑电FC聚类

脑电图FC簇在空间上扩展，并不总是连续的。这很重要，因为FC集群可能会被“幽灵连接”所混淆。空间扩展和分布的聚类表明，“ghost作用”不是驱动聚类的主要效应。相反，聚类更可能代表EEG FC的功能单元。

已知相位耦合FC代表短距离连接，与振幅耦合相比，半球间连接更少。因此，脑电FC与功能磁共振的聚类差异可能与FC的测量方法有关。考虑到相位耦合和相关的潜在差异，以及EEG和fMRI之间的生理差异，聚类的差异可能并不令人惊讶。这可能保证在未来的研究中使用专门的EEG FC地图集。

4.2 脑电与功能磁共振FC的异同

几种EEG和fMRI测量之间的FC差异已被广泛研究。在这里，我们发现脑电图FC的结构不同于功能磁共振成像(图2)。然而，fMRI和EEG的FC在几个方面表现相似。在这两种模式中，相对于在不同受试者中观察到的变异性，FC在不同任务同一被试中都得到了很好的保存(图3)。此前，fMRI已证实了这一点，并且在所有测试频段的源定位脑电图也被发现是正确的。对于这两种模式，FC可以预测相似的表型和人口统计学变量(图4和图5)。具体来说，年龄、性别和智商都与脑电图或功能磁共振成像测量的全脑FC有关。此外，我们还发现fMRI FC与注意力缺陷障碍、焦虑、社会经济地位以及行为和情绪问题的综合测量之间存在关系。这些连接-表型关系在很大程度上独立于任务。因此，与fMRI一样，我们建议将不同任务的脑电图数据连接起来，以实现更可靠的FC测量，并与表型建立更强的关系。当我们观察连通性-表型关联的细节时，我们确实看到了两种模式之间的一些差异。脑电图连通性与性别的关系比年龄的关系更密切(图4A)， fMRI则相反(图4A)。此外，连通性-表型关系的空间模式在两种模式中是不同的(图6-8)。

我们的结果表明脑电图和功能磁共振成像之间的FC不同，但两种模式的FC都与表型相关。这表明EEG和fMRI的FC包含与以往文献一致的互补信息。功能磁共振成像和EEG FC在单独的研究中与表型相关。因此，这两种测量方法都可能代表与行为相关的神经元活动的不同方面。

4.3 可能导致脑电图和功能磁共振成像差异的因素

可以解释这些差异的因素是两种信号的生理起源和用于计算“连通性”的方法。这两个因素在不同的模式之间差异很大。EEG和fMRI都被认为与突触后电位有关。具体而言，已有研究表明fMRI BOLD信号与伽马和高频功率的局部场势有关。而在头皮脑电图中，gamma波段在很大程度上受到肌肉活动的污染。这对于儿童和青少年的数据尤其成问题，因为他们的运动伪影更为频繁。因此，我们将分析限制在较低的频段，这与fMRI没有很强的相关性。

为基于脑电图的FC估计增加不确定性的另一个因素是，这种连通性分析已被证明依赖于脑电图源重建方法，或在传感器空间工作时参考电极的选择。即使在源空间中工作，仍然依赖于源重建方法、头部模型和电极密度。未来的工作可能会通过使用基于个体解剖MRI的个体化头部模型来改进源重建。

与相位耦合相比，EEG的振幅耦合与fMRI FC的对应关系更好。相位耦合测量比振幅耦合测量噪声更大。虽然我们的数据集足够大，可以发现iOCH与表型的关系，但FC的受试者内部相关性低于振幅耦合和fMRI(图3)的报道。因此，相位耦合FC中的高水平噪声可能是脑电图和fMRI连接差异的一个因素。

有趣的是，之前的工作已经发现EEG和fMRI FC之间存在一些重叠。另一方面，EEG FC在预测解剖连通性方面是fMRI FC的补充。这表明部分脑电图FC与功能磁共振FC不同。一项分析相位耦合ICA网络的研究也证实了这一观察结果。相位耦合FC捕获不同于fMRI的网络是合理的，而振幅耦合FC捕获类似的网络。振幅和相位耦合测量都受到相位的影响，因此很难比较使用每种测量的先前结果。最近一项研究调查了MEG中相位和振幅耦合测量的直接关系，进一步讨论了这一问题。尽管存在差异，但在相位耦合和振幅耦合测量之间发现了网络结构的一些相似之处。

4.4 与先前关于FC与fMRI表型相关文献的关系

一些研究调查了由各种表型驱动的fMRI FC差异的空间模式。通过视觉检查，在这些出版物中发现的连通性-表型关系的空间模式在我们已经确定的一些中重叠，但总体上是不同的。一个值得注意的例外是Smith等人的结果，该结果表明默认模式网络与“阳性”表型的组合存在很强的关系，类似于我们在图8中报告的fMRI连通性-IQ关系模式。虽然Smith等人的“积极”表型在很大程度上是由流体智力驱动的，但它们包括语言、工作记忆和注意力的其他测量。这使比较结果与我们的结果相混淆。

4.5 FC在功能磁共振和脑电图中的可靠性

对于静息状态和视频数据，fMRI FC的可靠性从2.5分钟到5分钟的记录时间(图3C和D)增加。其他的研究已经报道了视觉网络的高可靠性。但是，在静息状态和视频任务之间，视觉网络的可靠性在我们的数据中没有太大差异。O 'Connor等人已经观察到静息状态和视频条件之间的这种差异。这可能源于受试者睁大或闭上眼睛的差异。

由于缺乏适当的数据来衡量EEG FC记录时间的可靠性(图1C)，我们研究了不同频段任务之间可靠性的差异。我们发现FC的可靠性随着频率的增加而增加(图3B)。我们得出的结论是，脑电图连通性表型关系在高频段，特别是β波段最可靠。

4.6 注意事项和替代方法

ICOH对体积传导的伪影具有鲁棒性。这种测量方法仍然存在一些问题:排除了接近零相位时滞的真实相互作用，连通性的强度取决于相位，并且仍然存在虚假相关性。未来的研究必须开发相耦合测量的类似方法。

我们使用Pearson相关性来量化连接模式的相似性。其他度量，如欧几里得距离，也可以捕捉均值的差异。事实上，男性和女性受试者在每个通道对中的绝对中值差异在视觉皮层内最为明显。相反，我们发现视觉和注意力、额顶和默认模式网络之间的连接与MDMR的连接性关系最强(图6)。绝对中位数差异是由每个网络连接强度的绝对差异驱动的，而MDMR比较的是网络内部和网络之间连接模式的相似性。替代分析方法，如联合和个体变异解释(JIVE)或多尺度图相关为我们提供了类似的MDMR结果。

为了实际目的，我们选择了功能性皮质分割。Schaefer地图集在体积和表面空间上都是可用的。不同的皮层分割可以改变不同被试的相似性，从而改变连接-表型关系。然而，使用解剖切片，我们发现非常相似的连通性-表型关系。相反，有人建议使用EEG或MEG上定义的分组来提高信噪比。事实上，我们已经表明，脑电图和功能磁共振成像连接的聚类是不同的(图2)。关于脑电图功能连接的聚类，需要注意的是，空间上连续的连接块可能会通过“幽灵相互作用”得到增强。这些在真实相互作用附近的虚假相关性可能是由局部场传播或真正的短程连通性造成的。

我们的受试者群体包括健康受试者和表现出精神病理的受试者。据了解，本研究中所调查的几种表型是相互相关的。例如，社会经济地位对智商有很强的影响。同样，研究表明，自闭症患者在智商测试中解决任务时，比健康受试者更依赖视觉区域的连通性。在我们的样本中，只有12%的受试者被诊断患有自闭症。因此，在我们的数据中，与智商的相互作用不太可能。然而，不同精神表型之间的相互作用应该是未来研究的主题。

我们已经确定了一些可能的解剖学混淆，这些混淆与年龄和性别不同，如头部大小或心脏伪影。预计这种影响将广泛分布(与图6和图7的结果相反)，并且在不同的频带中应该具有相同的标志。年龄和性别效应也会影响FC的受试者内部和受试者之间相关性的分析(图3)。具体而言，受试者之间较低的相关性可能是由于年龄和性别的解剖学差异造成的。然而，这在功能磁共振成像数据中已被明确控制，我们不期望年龄和性别差异解释不同受试者之间连通性的所有差异。因此，虽然我们不排除这种混淆，但我们认为纯粹的神经因素可能在年龄和性别影响中发挥作用。未来的研究将需要清楚地分离年龄、性别、头大小和心脏假体对脑电图FC的解剖学和神经学影响。

4.7 未来方向

考虑到EEG和fMRI的不同生理起源以及连通性测量的差异，我们没有发现连通性矩阵之间的任何相似性也就不足为奇了。然而，研究表明，这两种测量方法捕获了连接的互补信息。有鉴于此，同时使用EEG和fMRI记录为研究FC的性质和行为相关性提供了新的可能性。研究不同形态下FC模式的差异，有助于加深对FC生理起源的认识。此外，通过结合EEG和fMRI数据，可以改善FC的受试者识别和连通性-表型关系。与fMRI相比，EEG FC允许在更快的时间尺度上分析FC，并对定向FC进行更详细的分析。这在最近通过因果关系框架扩展FC分析的工作中很有用。

5. 总结

我们系统地研究了脑电图相位耦合测量的FC，并将其与表型和人口统计学变量以及fMRI中的FC进行了比较。通过使用一个大型数据库，我们能够证明EEG FC网络在鲁棒性方面与fMRI网络相似。具体来说，EEG FC网络在较高的频段(如β波段)最为稳健。正如fMRI文献所报道的那样，在同一被试中测量的任务之间的功能网络比在同一任务中不同受试者之间的功能网络更相似。全脑脑电图FC与各种表型之间的关系与fMRI观察到的相似。因此，脑电图具有与功能磁共振成像相媲美的预测行为的潜力。我们已经证明，当用脑电图的相位耦合测量时，皮质的功能组织看起来不同于fMRI。我们希望这项工作能够为基于脑电图的FC提供一个新的研究方向，即区别于fMRI所建立的功能网络。