作者：长沙茗创科技（脑科学数据分析团队）
共激活模式（co-activation pattern，CAP）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 connectivity，dFC）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 Displacement（FD），必要时对高运动 frames 做 scrubbing分析。
Global Signal Regression（GSR）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。
转载自 CSDN-专业IT技术社区
原文链接：https://blog.csdn.net/u011661076/article/details/167219009
