腦電連通性：最佳化研究設計和評估的基本指南和檢查清單

摘要

對於EEG資料有多種分析方法來評估大腦連通性。然而，連通性方法的實施存在很大的異質性。連通性測量、資料收集或者資料預處理的概念化的異質性可能與測量穩健程度的易變性有關。雖然使用不同EEG連通性測量的研究之間很難進行比較，但標準化的處理和報告可能有助於解決這個問題。

本文討論了重參考、epoch的長度和數量、容積傳導的控制、偽跡去除、多重比較的統計控制等因素如何影響連通性測量的EEG連通性評估。

基於先前的研究，

本文提出了相關建議和新的檢查清單用於EEG連通性研究的質量評估

。該檢查清單和建議旨在提請注意那些可能影響連通性評估的因素以及未來研究中需要改進的因素。EEG連通性程式和報告的標準化可能使得EEG連通性研究更具可綜合性［

如，用於元分析研究

］和可比性，儘管連通性評估的方法上存在差異。

人類的大腦是一個功能上互相連通的網路，其連通性或同步性活動被認為是行為、認知和情緒狀態的基礎。EEG是一種低成本的工具，可以以高時間解析度來測量大腦的電活動。EEG活動會產生振盪，電壓值會從負到正，再從正到負。可以從時域、頻域或時頻域來解釋這些振盪。通常，EEG訊號分為5個頻帶：delta、theta、alpha、beta和gamma，對每個頻帶都可以評估其功率譜和峰值功率。

EEG連通性包括兩個或多個EEG電極點上的訊號之間的統計上顯著的同步性。有多種方法可以進行EEG連通性分析。1）有效連線：這種方法試圖確定從一個電極到另一個電極資訊傳遞的因果關係。即，如果一個腦區在時間上先於另一個腦區啟用。2）功能連線：這是雙向連線，不能確定因果關係。即，兩個腦區共享同一個活動，表明這兩個腦區是相連的。功能連線運用的更頻繁，可能是因為公認這是一種統計上更加穩健的測量方法。

而且，連通性可以評估靜息狀態下的（沒有參與任何任務導向的認知活動），也可以評估執行特定認知任務狀態下的（任務相關的連通性）。透過EEG評估任務相關的連通性存在一些額外的獨特的挑戰（見下文）。

目前有很多不同的EEG連通性分析方法。Wang等人確定了42種計算EEG連通性的方法，並且還有更多的方法還在開放當中。方法的多變性使得難以可靠地比較使用不同方法的研究之間的差異。由於計算EEG連通性之前的EEG資料採集和處理步驟缺乏標準化，使得上述的比較變得更加複雜。越來越多的研究表明，EEG資料分析中不適當的步驟會導致連通性指標的偏差和假陽性率的增高。而且，目前並不存在一種最佳方法可以用來評估EEG連通性。

基於現有文獻，為最佳化EEG連通性的測量有必要採用以下分析步驟/引數：1）有效去除偽跡；2）控制容積傳導；3）重參考；4）epoch的引數（包括epoch的長度和數量）；5）使用網路分析方法。除了這五個步驟之外，還必須考慮相應的統計方法以及統計方法的前提假設。

目前發表的研究中，對上述分析引數的控制和報告並沒有形成一致。因此，本指南和檢查清單的目的是在進行EEG連通性相關研究之前提供方法上的指導，以及評估連通性研究質量和解釋連通性研究結果時的要點。

這篇綜述中主要關注靜息態EEG連通性的指標，因為這些被研究的最多，而任務相關的連通性存在一些限制，這些限制可能會影響到最優連通性評估。

認知任務期間的連通性可能會在認知過程中隨著時間動態調整，這反過來會影響連通性、分析引數的選擇（即，epoch的長度）和連通性評估。因此，任務相關的連通性評估仍然是次優的。這不是說不應該評估任務相關的連通性，而是說在研究和開發出更加最佳化的方法之前，應該謹慎評估任務相關的連通性。關於EEG連通性研究需要考慮的各種細節，請見圖1和補充材料D中的Checklist Scoring Guidelines。

圖1。

EEG連通性研究質量檢查清單。評分質量等級見表1。CAR（共同平均參考，common average reference）；QR（質量評級，quality rating）；rCAR（穩健的共同平均參考，robust CAR）；REST（參考電極標準化技術，reference electrode standardization technique）；stats（統計，statistics）。

偽跡去除

EEG採集的資料是組合資料，包括有用的大腦相關資訊和與大腦無關的偽跡（例如，眨眼、頭部肌肉活動和電頻干擾產生的電位）。當偽跡的影響同時被兩個電極記錄到，兩個電極可能產生虛假過高的連通性的評估。因此，在偽跡最少的EEG資料上評估EEG連通性至關重要。減少偽跡的方法在EEG研究中很常見：補充材料B提供了相應的技術和推薦的方法。

總的來說，建議研究人員提供一份關於偽跡去除和每種偽跡控制的詳細說明。推薦的方法：

在保持超過約60%訊號的同時儘可能多的去除偽跡噪音。應優先使用標準化的自動偽跡去除過程以增加研究之間清洗資料過程的可比性，而不是使用人工去除偽跡

，因為人工去偽跡容易導致研究人員之間以及研究之間的可變性。最後，

文獻表明應謹慎使用獨立成分分析（ICA）去偽跡，首選其他替代性的去偽跡方法（例如，wavelet-enhanced independent component analysis）

。有關具體細節和檢查清單評估，請參見圖1和檢查清單評分見補充材料D。

表1。 EEG連通性研究質量的評分和水平

容積傳導（VC）

容積傳導（Volume conduction， VC）指電流幾乎瞬時透過腦組織和頭部其他物質進行傳導的現象。因此，一個源的活動（由某個腦區產生的活動或者與大腦無關的EEG偽跡）可以被多個電極檢測到，而且沒有相位延遲。模擬研究表明，不存在真實連通性的非同步性的源會在頭皮層面影響同步性測量，從而產生虛假連線。確實，頭皮空間EEG連通性的假陽性率較高，而且模擬研究發現頭皮空間連通性模式可以在沒有任何實際源連通性的情況下得到複製。

研究人員通常透過估計源空間資料的連通性來控制VC的影響。源空間連通性評估排除了大腦中評估的源的外部的資料的影響，因此瞬時傳導對連通性評估的影響降到了最小。然而，源空間模型所依賴的假設在資料中無法直接進行測試，並且有可能丟失了恢復源的精確時間程序；因此，雖然源空間連通性或許可以解決VC的問題，但它並不明顯優於頭皮空間分析（補充材料B）。而且，研究表明源空間連通性分析並不能完全消除VC的影響。

一個備選方法是，基於特定引數的頭皮空間方法可以避免潛在的VC混淆；與源空間方法相比他們包含更少的假設。EEG資料的一些特徵可以指示頭皮空間資料中是否存在VC（補充材料B），控制頭皮空間VC有幾種方法：使用滯後測量來計算連通性；空間濾波。

滯後連通性包括排除零相位延遲互動的可能影響。零相位延遲互動是兩對電極同時發生的相位變化，這是VC的特徵。在神經訊號傳導時間已知（非零）的情況下，大腦中的直接連線產生零相位互動在生理上是不可信的。然而，間接連線也是可能的，間接連線中兩個腦區由於連線到這兩個腦區的第三個腦區的因果連線而表現出電流的瞬時變化。因此，

我們建議使用減少零相位對結果影響的連通性分析方法

。

另外，空間濾波可用於解釋VC的影響，例如，表面拉普拉斯基於頭皮空間記錄的資料估計頭皮的徑向電流。這種方法減少了VC對相干的評估和基於相位的連通性的評估的影響。相比之下，拉普拉斯從每個電極的遠距離源中移除了共有的資料，只保留了電極附近的表明活動，因此，如果重點關注遠距離腦區之間的同步，那麼頭皮空間資料的分析可能是合理的。

總之，文獻表明，

源空間連通性可以為分析提供多種益處，尤其是在主要研究問題是圍繞識別連通性的形狀和理解腦區連通性的情況下。然而，使用相位滯後或者表面拉普拉斯等方法控制VC來評估頭皮空間連通性也是可靠和有效的。

重參考

在EEG中，電壓是兩個電極之間的電位差。通常是分佈於頭皮上的所有電極和一個參考電極之間的電位差值。由於電壓測量依賴於參考電極，所以參考電極處檢測到的活動會影響其他電極處測量的訊號。因此，理想情況下參考電極應該為電中性。實際上，在記錄過程是不可能的；因此，記錄的訊號通常要進行離線重參考來減少訊號汙染。

目前的幾種重參考技術都會對連通性評估造成不同程度的偏差。包括1）單電極參考：所有電極都以相同或者公共的電極進行重參考；2）乳突參考：左耳和右耳耳後採集到的訊號的平均值；3）共同平均參考（CAR）：計算所有記錄電極的平均啟用，再從每個電極上減去這個平均值；4）穩健的共同平均參考（rCAR）：使用魯棒性最大似然估計對CAR的改進；5）參考電極標準化技術（REST）：使用等效分散式源模型在數學上重建EEG資料，使資料以無限遠點為參考電極進行離線重參考，這個點被認為使理想的中性參考電極點。

單電極參考和乳突參考已被證明會產生最大的失真，CAR和REST則產生較少的EEG訊號失真。模擬EEG研究發現可以使用魯棒性最大似然估計改進CAR，即rCAR，該技術性能要優於其他技術。Qin等人還發現，評估相干時，REST要優於其他技術（除了rCAR）。然而，Lepage等人則發現rCAR要優於REST。

需要注意的是，CAR和REST並非完全沒有限制。主要的限制在於，當頭皮電極分佈不足時不能使用這兩種技術。這對REST尤為重要。因此，考慮進行連通性分析時，使用REST重參考技術電極數不能少於32個。這可能也適用於CAR和rCAR，因為這兩種技術都基於這樣的觀念：更多的電極代表對大腦更好地取樣，因此平均電位接近於零。

最後，表面拉普拉斯是一種無參考的技術，這種技術可以提高功能連線評估的準確性，特別是基於相位的指標。在連通性研究中，表面拉普拉斯在VC偽跡消除方面優於CAR。鑑於在評估頭皮空間連通性時假陽性增加，表面拉普拉斯可能會減輕這些混淆，並使頭皮空間的估計更加穩健，因為它考慮了VC的影響，並且基於比源定位技術更少的假設。

總體而言，REST，rCAR和表面拉普拉斯（尤其是對於頭皮空間連通性）似乎是最穩健的重參考技術。

Epoch長度和數量

EEG連通性評估會受到分析資料的長度（segments或者epochs）的顯著影響。如果分析的EEG epoch短於記錄電極相互作用的時長，由於頻譜估計不可靠可能會導致結果有偏差（特別是對於低頻慢波影響更大）。較短的epoch可能難以評估整個連通性互動，所以可能在實際有連通性的情況下評估卻認為不存在潛在的連通性。研究表明，更長的epoch可以更穩定的評估連通性。Fraschini等人發現，在各種連通性指標上至少需要4s的epoch才能達到穩定性；對於振幅包絡相關最好需要6s，對於相滯指數最好需要12s。

研究還表明，基於較少數量的epoch進行連通性評估會導致結果的假陽性。在兩個或多個條件進行比較的情況下，不同條件下的epoch數量不等時尤其如此。少於100個epoch的連通性估計會高估在相干、格蘭傑因果和鎖相值指標上的連通性，這表明較少的epoch會增加連通性評估的偏差。

即使對於較短的epoch，增加epoch的數量也可以減少偽連線。靜息態的研究已經證明了這一點，在靜息態研究中無偽跡的較長epoch是不太現實的，Haartsen等人的研究表明，對於較短的epoch，增加epoch數量提高了連通性評估的可靠性。然而，這些結果只侷限於alpha頻段，不同頻段的連通性和epoch長度的互動作用可能不同。

也存在這樣的可能性：對於較快的頻段較短的epoch更可靠，而對於較慢的頻段較長的epoch更可靠。這源自於這樣一種情況：對於較快的頻段，較短的時間窗就可以捕獲足夠的振盪週期以用於比較，而對於較低的頻段，較短的時間窗內捕獲的振盪週期會更少。

在評估任務相關的EEG連通性的研究中，由於不太可能使用較長的epoch，因此瞭解epoch的數量和長度的限制非常重要。根據任務的不同，每個刺激會以小於2s的時間間隔呈現給被試。如果更長的epoch能夠更好地用於評估連通性，並且該標準適用於任務相關的EEG連通性評估，這可能意味著連通性評估估計多個不同大腦加工的連通性，因為在認知加工過程中潛在的連通性可能在相對較短的時間尺度上發生變化。因此，如果特定的認知任務相關的加工僅在任務刺激後短時間內發生，則可能會忽略其對連通性的影響。在可能的情況下，建議設計的認知任務要能提取較長的epoch。如果不行，則加入更多的epoch來提高連通性評估的可靠性。根據現有研究，

我們初步建議對於長度≤2s的epoch，其數量不少於50試次

。

總之，

評估靜息態和任務相關的連通性的研究需要給出epoch長度和數量的具體的理由

。這意味著要考慮潛在的大腦加工過程；興趣的頻段；使用的連通性評估；對於任務相關的研究還需要考慮使用的特定的認知任務的引數。一般而言，在更穩健的研究出現之前，對於基於相位的連通性指標4-6s的epoch是最佳選擇。

雖然目前的研究沒有提供方法來規避任務相關的連通性評估中提出的具體問題，但仍可以給出一些建議。

如果使用較短的epoch，建議分析的epoch數量不少於50段。要基於以前的研究給出確定epoch長度的明確的理由

，理想情況下有理由去參考被評估的特定條件、障礙或者認知任務的潛在的大腦加工過程（即，關注任務中預期會調節連通性的時間段）。

網路理論與地形圖

進行EEG連通性分析的一個重要選項是使用網路理論進行地形圖繪製。

網路理論是圖論的一種應用形式，圖論是用於構建/建模連線的框架，以評估腦區、節點或者EEG電極之間的連通性模式

。非網路方法僅僅檢查特定電極對的連通性數值，但不評估每個電極對如何連線到更大的網路中。相反，網路度量使用多變數分析（相比於非網路EEG連通性評估中使用雙變數分析）來識別較大電極集合中的連線。

然而，網路度量中的多變數分析非常複雜，而且EEG研究通常使用多種技術獲取雙變數連線並將其應用到網路度量中。在這些分析方法中，需要設定閾限值來確定是否存在連通性。基於該閾限值，將估計值進行二值化或分成兩組：0表示電極對之間不存在連通性，1表示電極對之間存在連通性。一般而言，要避免採用包含武斷的或主觀的閾限設定，因為這可能會導致資料分析的問題；也就是說，研究之間的武斷的閾限可能不同，最終產生不同的結果，即使它們使用的相同的指標。如果某個研究的某些連線不滿足該研究設定的閾限，則它不會被納入網路中，而如果另一個研究中設定了更高的或者更低的閾限，那麼它的結果則分別會顯示更多或更少的顯著連結，這將影響兩項研究之間比較的結果和可靠性。

此外，由於閾限值根據資料的分佈而變化，因此閾限設定要基於資料本身但也獨立於條件之間的對比，這點非常重要。

我們強烈建議不要用數值定義閾限，而是基於密度（密度指資料中存在的連線的數量與可能存在的總的連線數量相比較）定義，因為圖的密度嚴重影響結果，最小生成樹和效率成本最佳化等技術能夠解決網路密度的問題。

此外，

使用對連線進行加權的資料驅動的分析是另一個可接受的備選方案

；其中，權重是基於連線各自的強度。因此，連線越強在網路中的權重越大，越弱的連線權重越小，但所有連線都納入最終的分析中。

如果不能設定非武斷的閾限，建議評估多個閾限並全部報告。

理想情況下，所有測試的閾限都應預註冊，以避免可能出現的故意尋求陽性結果。

最後，對網路設定閾限以及二值化，目的是為了給後續分析準備好資料。網路分析加深了對連線地形圖的理解並且可以最大限度地減少一些統計上的限制，例如控制多重比較的問題（因為統計評估是在網路層面上進行的，而不是針對每個單獨的連線）。然而，考慮到連線強度是一個連續變數，而網路分析只考慮電極/腦區之間的二元關係，因此網路分析可能無法準確表徵具體的網路特性。所以，與大多數的處理和分析選擇一樣，

在決定是否在連通性分析中使用網路理論之前，必須考慮研究目標、研究假設以及具體的研究問題

。

總之，如果要在研究中使用網路指標，需要在資料分析之前提出明確的計劃和理由。網路閾限不能武斷設定，而應該使用客觀的模型驅動的閾限。或者，如果研究人員不想忽略較低強度的連線，可以使用加權網路來理解整個網路。

統計學考量（要求）

連通性統計一個主要考慮因素是多重比較問題。鑑於可用於比較的電極對的數量隨著可用於分析的電極數量的增加而增加，對於超過64個電極的電極帽，可用於比較的電極對數量會超過1000。如果對每對電極對進行實驗組別間的統計比較並且不控制多重比較，那麼這種數量的比較一定會導致假陽性。儘管有這樣的風險，一些研究完全忽略了控制多重比較，另外一些研究則沒能完全考慮多重比較。

控制多重比較的常用方法包括Bonferroni校正和錯誤發現率（FDR）。然而，這兩種方法中校正的p值會大大降低統計效力，導致過於嚴格的p值閾限，這可能會隱藏了真實的效應。在幾乎所有的功能連線分析中，這些測試無法充分說明實際的比較資料，並且Bonferroni校正的獨立統計測試假設過於嚴苛。EEG資料是相關的和多維的，所以不同電極對的功能連線值不是獨立的。

解決連通性分析中大規模單變數比較檢驗（mass-univariate comparison testing）的問題，推薦使用非引數置換檢驗

。非引數置換檢驗不依賴於對檢驗統計量的理論分佈的假設（正如引數檢驗那樣），而是依賴於從現有的資料中建立的分佈。這對於非正態分佈的資料（EEG指標所具有的特徵）也是有效的。置換檢驗不是對多重比較的控制，但它可以容易地整合對多重比較的校正，給出對相關的多維資料較為敏感的p值閾限，並且它是根據結果中的資訊來校正p值而不是根據測試的數量。

非引數置換檢驗最常用的方法是使用連線的聚類的大小來確定閾限。該方法詳細的介紹本文不作介紹。只需要注意，當非引數置換檢驗結合圖論方法來確定閾限時，它們有助於避免建模的問題以及資料因偏態而產生的問題。非引數程式的一個例子是，基於網路的統計（network-based statistic， NBS），該方法基於這樣一個假設：感興趣的連線來自於成分，開發出該方法是專門用於提供比獨立校正的p值更大的統計功效。當在包含圖論或者連通性指標的每個連線上進行

大規模單變數檢驗（mass-univariate testing）

時，NBS控制了多重比較謬誤（Familywise error rate）。

雖然NBS和基於聚類的校正很常用且是可行的，但是用於定義連線集的閾限往往不是資料驅動的，因此基於實現定義的主觀的選擇會導致不同的結果。我們推薦資料驅動的聚類閾限的方法；另外一些建議是這些方法可由資料的空間頻率來定義。就連通性分析的有效性和適用性而言，作者建議在以下情況中使用非引數置換檢驗：資料非正態分佈、使用基於圖論的分析、資料驅動或探索性的分析而非假設驅動，以及評估的是多個網路的連線而非全網路的連線。

當使用非引數置換檢驗時，建議研究人員報告在非引數置換檢驗時，資料的什麼屬性被置換了，置換適合研究問題的關注點，迭代的次數，p值的構建（或為獲取聚類，零假設使用的p值閾限），以及多重比較矯正的細節。

最後，

如果透過將分析限制在平均全腦連通性或數量較少的特定連線對上來控制多重比較，Bonferroni和FDR校正是比較合適。然而，如果關鍵的統計模型是大規模單變數檢驗（mass-univariate testing）時，非引數置換檢驗和聚類統計可能是最好的

。

樣本量大小考慮

作為最後的考慮，Larson和Carbine證明，在100項高影響，隨機選擇的EEG研究中，沒有一篇報告了樣本量選擇的統計效力計算。預先計算達到統計效力的樣本量非常重要，這能保證研究有足夠的能力來檢查所感興趣的效應。這對研究的元分析檢查也很重要。然而，許多研究開始時沒有預先計算所需的樣本量。

鑑於樣本量效應、選擇和分析中存在的差異，無法給出明確的標準或者建議。

然而，作者鼓勵研究人員需要更多地關注於報告和實施預先樣本量計算，以及在出版時呈現這些資訊和相關的統計，因為該步驟將大大提高未來EEG連通性研究的科學嚴謹性。出於這個原因，我們在檢查清單中添加了一個雙變數條目供研究人員參考。有關此問題的進一步具體討論，請參閱補充材料C中源於樣本量的內容。

EEG連通性研究質量檢查表

總體而言，先前研究對最優EEG連通性分析的建議如下。

應詳細介紹偽跡去除的方法並考慮所有型別的偽跡。控制VC效應（例如，透過基於相位的指標，相位滯後，或者源定位技術）是獲取精確的連通性評估重要的一步

；在文章中詳細報告控制VC的細節至關重要。而且，

rCAR和REST是正確連通性識別最好的兩種重參考的方法。

與此同時，表面拉普拉斯可能是一種有前景的替代方法，該方法不需要重參考。

對於靜息態資料，epoch超過6s能夠提供最佳的連通性評估。另外，epoch數量超過100段（並且在所有條件下epoch數量相等）能夠減少連通性評估的偏差

。最後，

控制多重比較是必要的，使用客觀的、基於模型的網路指標或者多個連通性評估可以提高連通性評估的可靠性和有效性。

在確定和說明了有關EEG連通性結果的解釋和報告的問題和考慮因素後，我們試圖開發一個新的檢查清單，以便對EEG連通性研究進行質量評估和比較。該檢查清單旨在指導未來的研究，確保EEG連通性研究高質量的研究設計。不幸的是，由於現有較多的分析技術，並且缺乏直接的比較證明一種技術優於另一種，因此現有的證據無法為所有步驟提供具體的建議。因此，該檢查清單提供了關於哪些方法應該被認為足以產生高質量的EEG連通性研究的建議。在可能的情況下，我們提供了具體的建議，而在證據基礎不能明確一個最佳解決方案時，我們提供了一系列的備選方案。因此，我們提出了圖1中研究質量檢查清單，用於評估和解釋EEG連通性研究；檢查清單上的每個條目都有註釋，為評估內容提供了明確的指導。

這份檢查清單可用於多種目的，包括1）提供研究人員在設計和報告他們的研究時應該考慮的關鍵資訊，2）指出同行評審和期刊編輯應該評估和/或要求的資訊，3）建議EEG連通性研究的讀者應該嚴格評估的點。

該檢查清單不是為了限制研究人員。相反，這是為了在評估EEG連通性的研究和未來研究潛在的改進領域時，提請注意可能存在的假陽性。該檢查清單專門為了評估EEG連通性的研究和研究人員定製的，而非一般的EEG研究。

檢查清單完整詳細的評分指導在補充材料D： Checklist Scoring Guidelines中。檢查清單可以根據表1中給的標準進行評分，其中研究被分為三類：高質量、中等質量或低質量。

需重點注意的是，應該使用定量評分，這樣檢查清單就更容易在定性框架（表1）中評分。在這個意義上，0表示“不推薦使用”，0。5表示“可以使用”，1表示“最佳使用方案”。定性指標不做這樣的假設，例如，REST重參考比乳突重參考好兩倍。這也並不意味著與沒有多重比較控制的情況相比，使用乳突重參考同樣容易出現假陽性。在特定情況下，不進行多重比較控制幾乎一定會導致假陽性，而使用乳突參考可能導致假陽性風險小幅度增加。然而，為了提升研究人員的認識並促進最佳標準化實踐，不鼓勵使用標為0（即不推薦使用）的方法，因為這些方法增加了結果假陽性的可能性。

隨著EEG連通性領域的不斷髮展以及更多的研究發表，可能需要考慮其他的標準將其加入到檢查清單中。還可以考慮報告各電極對比較的p值，或者報告各對電極之間連線的平均數和標準差或者效應量（這些數值或檢查清單引數可以在補充材料中報告）。這種方法將利於元分析方法的開發，例如fMRI領域的“啟用似然性估計”（activation likelihood estimation，ALE）的元分析技術。

該檢查清單及其建議旨在使EEG連通性研究的結果更具有可綜合性。使用該檢查清單還可以更好地量化EEG連通性研究的質量，以便進行元分析，這在元分析領域中是不可能的。由於評估EEG連通性研究質量的能力得到了提升，該檢查清單可以對連通性相關的加工過程得出更可靠的結論。例如，我們或許可以更自信的回答下列問題：“腦區之間和/或頻段之間的連線因不同的神經或心理健康障礙而受損的可能性有多大？”，或者“與特定認知功能相關的連通性增強的證據有多穩健，以及這與連通性變化有什麼關係？”這些連通性相關的問題很有價值，值得嚴格評估。我們希望識別、解釋和評估這些EEG連通性研究成分將有助於該領域回答這些重要問題。

參考文獻：EEG-connectivity： A fundamental guide and checklist for optimal study design and evaluation。 Biological Psychiatry： Cognitive Neuroscience and Neuroimaging。