脑电分析避坑指南：Granger因果性与图论指标常见的5个误用场景

脑电分析避坑指南：Granger因果性与图论指标常见的5个误用场景

在脑网络分析领域，Granger因果性和图论指标已成为揭示大脑信息流动与网络拓扑结构的重要工具。然而，许多刚接触该领域的研究者常因对方法学细节理解不足而陷入分析陷阱。本文将剖析五个高频误用场景，结合Python代码示例，帮助读者避开论文方法学中的"暗礁"。

1. Granger因果性方向性误判的三种典型情况

Granger因果性（GC）的核心逻辑是"时间优先性"，但实际应用中常出现因果方向误判。以下是三种常见陷阱：

1.1 参考电极选择偏差

• 当使用单极参考（如耳垂参考）时，所有通道信号都包含参考电极活动
• 若参考电极本身受某脑区影响，会导致虚假的GC方向性
• 解决方案：改用双极导联或平均参考，或使用Laplacian变换消除参考影响

# 错误示例：使用单极参考计算GC
raw = mne.io.read_raw_eeglab('sample.set', preload=True)
raw.set_eeg_reference(['A1', 'A2'])  # 耳垂参考

# 正确做法：使用平均参考
raw.set_eeg_reference('average', projection=True)

1.2 信号延迟匹配不当

• GC对信号间的时间延迟极为敏感
• 不同脑区信号传导存在生理延迟（5-30ms）
• 若分析时段短于实际传导延迟，会导致因果方向反转

提示：建议先用互相关函数估计通道间延迟，再设置GC分析时段

1.3 频段选择与生理节律混淆

• 不同频段（α/β/γ）可能呈现相反的信息流向
• 全频段分析会