CFC 跨频率耦合（上）：原理与陷阱

一、跨频耦合是什么：节奏与音量

想象一支交响乐团：低音提琴打着缓慢而稳定的节拍（低频相位）， 小提琴的旋律忽强忽弱（高频幅值）。如果小提琴的音量强弱总是跟着低音的节拍起伏， 我们就说这两层声音之间存在跨频率耦合。 脑电里最经典的版本：θ 波（4–8Hz）的相位像节拍器，γ 波（30Hz 以上）的幅值 跟着节拍器起伏——低频"指挥"高频。

为什么这个现象重要？因为它把时间尺度的嵌套变成了可测量的东西： 慢振荡（大范围、长时程的调节）为快振荡（局部的精细计算）提供时间窗口。 这是"大脑如何组织多层次计算"这一问题的电生理线索。

二、CFC 家族：PAC、PPC、AAC

本模块聚焦 PAC——文献里出现最多、工具链最成熟的一类。

三、为什么值得算：生理意义

• θ-γ 与记忆：海马场电位研究里，γ 幅值随 θ 相位起伏是最著名的发现之一，人类颅内 EEG 也有对应观察。工作记忆的"嵌套假说"进一步提出：一个 θ 周期里塞进几个 γ 周期，就同时能保持几个记忆项目——PAC 强度与记忆容量相关的证据正来自这条思路；
• α-γ 与注意：皮层 α 相位调制 γ 幅值，被视为大尺度网络给局部皮层"开门 / 关门"的门控机制；
• 睡眠：慢波相位与纺锤波幅值的耦合，是睡眠记忆巩固研究里的常客。

四、计算直觉：相位箱 × 幅值分布 → 调制深度

PAC 的计算可以浓缩成五步，全程不需要超出模块 4 的知识：

1. 滤出低频带，取瞬时相位 φ(t) ∈ (−π, π]；
2. 滤出高频带，取瞬时幅值 A(t)（包络）；
3. 把相位圆切成 n 个箱（常用 18 箱，每箱 20°）；
4. 对每个箱求平均高频幅值，得到"幅值-相位分布"；
5. 分布平坦 = 无耦合；在某相位附近隆起一座"小山" = 有耦合。山有多高 = 调制深度。

闭上眼睛想象一张图：横轴是低频相位，从 −180° 一路拉直到 +180°； 纵轴是高频平均幅值。无耦合时这条线是平的；有耦合时它像一座单峰小山， 山峰所在的相位就是"高频最活跃的低频时刻"。

% ---- PAC 的核心直觉：相位分箱 + 调制深度 ----
% 假设已经得到：ph = 低频瞬时相位；am = 高频瞬时幅值（包络）
nBins = 18;                                        % 把相位圆切成 18 箱（每箱 20 度）
bIdx = discretize(ph, linspace(-pi, pi, nBins+1)); % 每个时刻落在哪个相位箱
ampBin = accumarray(bIdx, am, [nBins 1], @mean);   % 每箱的平均高频幅值

% 直觉可视化：以相位为横轴画柱状图——
% 一排平头柱 = 幅值与相位无关；单峰"小山" = 存在耦合
figure; bar(-170:20:170, ampBin);
xlabel('低频相位 (deg)'); ylabel('高频平均幅值'); title('幅值-相位分布');

% 调制深度最常用的度量：MI = 该分布与均匀分布的 KL 散度
p  = ampBin / sum(ampBin);
MI = sum(p .* log(max(p, eps) * nBins));           % 0 = 完全平坦，越大越"山"

五、常用指标一览

六、陷阱清单（本课重点）

CFC 的名声问题在于：很多东西都能造出"看起来像耦合"的结果。动手前把这份清单过一遍：

1. 边缘效应：滤波和希尔伯特变换在数据两端不可靠，边缘几秒的相位与包络都是"坏数据"；分段数据尤其严重——每段 epoch 有两个边缘；
2. 谐波伪耦合：低频信号若不是干净的正弦（尖峰、不对称的 α 波），它自带谐波——高频带里的"幅值"其实只是低频的谐波，天然与低频相位锁死；
3. 1/f 频谱与瞬态事件：尖峰、K 复合波这类瞬态会把能量同时泼进多个频段，也会制造假耦合；
4. 窗口长度：分析窗至少覆盖低频的若干个完整周期（6Hz 就是至少 1–2 秒），否则每个相位箱样本太少；
5. 多重比较：相位频率 × 幅值频率 × 通道 × 时间点的组合动辄上万次检验，不校正必然遍地"显著"。

% ---- 伪耦合演示：幅值恒定但非正弦的信号，PAC 也会"报警" ----
fs = 1000;  t = (0:1/fs:60)';
% 造一列每秒 10 个窄尖峰的脉冲串：频谱含丰富谐波，但幅值没有任何真实调制
train = zeros(size(t));
for p = 0:0.1:60
    train = train + exp(-((t - p).^2) / (2*0.005^2));   % 5ms 宽的高斯尖峰
end
[b1, a1] = butter(2, [8 12]  / (fs/2));   % 低频带：alpha 相位
[b2, a2] = butter(2, [30 50] / (fs/2));   % 高频带：gamma 幅值
ph = angle(hilbert(filtfilt(b1, a1, train)));
am = abs(hilbert(filtfilt(b2, a2, train)));
bIdx = discretize(ph, linspace(-pi, pi, 19));
ampBin = accumarray(bIdx, am, [18 1], @mean);
pf = ampBin / sum(ampBin);
MI = sum(pf .* log(max(pf, eps) * 18));
fprintf('MI = %.4f —— 显著大于 0，但这不是耦合，是谐波假象\n', MI);
% 结论：报告 PAC 前，先目检低频波形是否接近正弦，并检查谐波功率

七、该不该用 CFC：一张判断清单

1. 有明确的先验假设吗（哪个低频、哪个高频、哪个脑区、为什么）？
2. 检查过低频波形的正弦性了吗（看波形 + 查谐波功率）？
3. 数据够长、窗够长吗（低频至少几个完整周期）？
4. 管线在仿真数据上验证过吗（下一课专讲）？
5. 统计与多重比较方案定了吗？

五问全过，再进入下一课的完整实现；任何一问含糊，先回头补功课——CFC 论文的审稿意见几乎全部来自这五条。