牛津&奥胡斯大学发布脑动态统计新框架

基本信息

Title:A comprehensive framework for statistical testing of brain dynamics

发表时间：2026.1.19

Journal:Nat Protoc

影响因子：16.0

获取原文：

1. 添加小助手:PSY-Brain-Frontier即可获取PDF版本
2. 点击页面底部“”即可跳转论文原网页

研究背景

如果将大脑比作一支庞大的交响乐团，传统的神经影像分析往往只关注整场演出的“平均音量”，却忽略了音符之间细腻的承接与转换。然而，人类的思维与行为恰恰隐藏在大脑状态转瞬即逝的动态变换之中。

尽管研究者们早已意识到脑动态（Brain Dynamics）的重要性，但如何科学、严谨地将这些复杂的时序信号与个体的认知表现或生理指标联系起来，一直是领域内的难题。现有的分析工具要么缺乏对时效性的捕捉，要么对研究者的编程功底要求极高。为了填补这一缺口，Aarhus University 和 牛津大学研究团队在Nature Protocols上发布了一套分析框架。

研究总结

该研究推出了一款高斯-线性隐马尔可夫模型（Gaussian-Linear Hidden Markov Model, GLHMM）的开源工具包。它不仅是一套复杂的算法，更是一套从数据预处理、模型拟合到结果可视化的全流程方案。

核心发现与技术突破：

1. 四类核心检验： 框架定义了跨被试、跨试次、跨阶段以及跨状态访问的四类统计检验，覆盖了从静息态到任务态的各类实验设计。
2. 统计严谨性： 引入了基于Permutation-test 和结构化蒙特卡洛重采样的方法，有效避免了传统参数统计在处理非平稳脑数据时的假阳性风险。
3. 极低的使用门槛： 除了强大的Python库，该工具还配备了直观的 GUI 界面，易于上手。

这一框架的意义在于，它为认知神经科学提供了一把精确的分析框架，能够帮助我们理清大脑状态转换如何影响学习、记忆乃至情绪波动，为理解神经系统疾病的动态机制奠定了标准化的统计基础。

核心图片

Fig. 1 | Illustration of the four statistical tests. 这张图直观展示了框架支持的四种科学假设场景：如何比较不同个体的特质差异、不同实验条件下的脑响应区别、同一受试者长期的动态变化，以及脑状态如何与心率、瞳孔大小等同步采集的生理指标进行关联。

Fig. 2 | Schematic of the analysis pipeline. 该图将复杂的分析过程拆解为三个步骤：第一部分是数据准备与模型训练；第二部分详细展示了多元统计、单变量统计及典型相关分析（CCA）的数学架构；第三部分则是最终结果的可视化呈现。

Fig. 3 | Result from Procedure 1.

Fig. 4 | Result from Procedure 2.

Fig. 5 | Result from Procedure 3.

Fig. 6 | Results from Procedure 4.

Fig 3-6表阐述了GLHMM如何灵活处理不同模态（如fMRI和MEG）的数据。它们展示了如何定义隐状态的数量，以及如何通过不同的回归配置捕捉大脑网络在空间分布和时间特征上的细微波动。

Fig. 7 | Spectral and spatial characterization of brain states. Fig7展示了工具包生成的图。它演示了在经过BH等多重比较校正后，如何通过P值直观判断哪些脑状态转换与行为指标具有显著的相关性。