動態因果模型在腦網絡研究中的應用進展

梁賽蘭 王多琎

1(上海理工大學康復工程與技術研究所，上海 200093)

2(上海康復器械工程技術研究中心，上海 200093)

引言

大腦負責調節控制身體的各種功能。目前對大腦的研究已經不局限于腦區的功能分割(functional segmentation)，即尋找、定位某一片大腦區域的功能，而更熱衷于研究某些大腦區域之間的功能整合(functional integration)，即不同腦區通過神經元之間的作用所發生的相互聯系，協調配合完成某種功能。Friston 等[1]在20 世紀90年代初首先提出功能連接(functional connectivity，FC)和有效連接(effective connectivity，EC)的概念，基于功能整合的腦功能網絡的研究主要聚焦在兩個方面。功能連接指空間上有一定距離的神經元集群之間具有時間相關性，而有效連接指一個神經元系統直接或間接施加于另一神經元系統的影響[2]。有效連接的分析通常依賴特定的模型，主要有結構方程模型(structural equation model，SEM)、 格蘭杰因果(granger causality，GC)、動態因果模型(dynamic causal model，DCM)等。但由于結構方程模型不能很好的模擬神經元之間的連接情況，所以目前以后兩種方式分析有效連接比較多。格蘭杰因果建模觀測響應之間的依賴關系，而動態因果模型建模生成觀測值的隱藏狀態之間的耦合[3]。

文中圍繞動態因果模型展開討論，動態因果模型的核心思想是將大腦視為一個確定性的受輸入和輸出影響的非線性動態系統。DCM 建模的目的是通過擾動和測量系統響應來估計參數[4]。在DCM 描述的腦網絡系統中，通過外部任務輸入引起某腦區的興奮，從而擾動該腦區所在的腦網絡系統，使該腦網絡系統中的其他腦區做出瞬時反應[5]。為探究大腦中動態變化的網絡連接，在DCM中將大腦建模成為具有“輸入—狀態—輸出”的系統性非線性神經網絡模型。DCM 利用一組非線性方程組進行描述，包含神經動力學模型和血液動力學模型兩個部分。在實際建模時用雙線性微分方程組來表示，然后引入貝葉斯方法用來評估出最優模型，檢測各個生理參數[6]。

大腦的研究通常需要借助各種檢測技術，非侵入方式由于不會對大腦造成傷害，目前已經成為主流，如功能性磁共振成像(functional magnetic resonanceimaging，fMRI )，腦電(electroencephalogram，EEG)，近紅外腦功能成像技術(functional near-infrared spectroscopy，fNIRS)等。研究人員利用這些技術采集在不同條件下腦部的生理信號，對大腦進行相應的研究。本文從DCM 在這3 種檢測技術中的研究內容展開，綜述利用DCM進行的腦網絡研究。

1 動態因果模型與腦網絡研究

以動態因果模型(DCM)、有效連接(effective connectivity)、腦網絡(brain network)、功能磁共振成像(fMRI)、腦電(EEG)、近紅外腦功能成像(fNIRS)為關鍵詞，檢索“DCM and (‘effective connectivity’or ‘brain network’)and (fMRI or EEG or fNIRS)”，在Web of Science 和中國知網中搜索了2011—2020年的研究結果，經過篩選一共收集了91 篇文獻，包括fMRI 中66 篇文獻，EEG 中21 篇文獻，fNIRS 中4篇文獻。

1.1 fMRI 中DCM 的應用

fMRI 的成像原理是依據血液動力學反應與腦神經活動之間存在著密切的關聯，當腦區被激活時會引發局部血液動力學發生變化[7]。DCM 最早用于fMRI 數據的腦效應網絡分析，隨著fMRI 技術的廣泛應用，利用DCM 結合fMRI 數據分析的腦網絡研究內容十分豐富，將研究內容分為腦卒中、認知神經科學領域和與精神疾病有關。

1.1.1 腦卒中患者康復腦網絡研究

據統計，我國每年腦卒中發病多達約150 萬人，每年腦卒中的發病率為每十萬人群217 人[8]，腦卒中疾病發生后致殘率極高，這嚴重影響病人的生活質量。研究腦卒中患者的神經機制對病人的康復治療具有意義。

運動想象方式是輔助腦卒中患者進行康復治療的手段之一[9]。Bajaj 等[10]利用fMRI 記錄了10名腦卒中患者在運動執行和運動想象任務階段的Bold 信號，DCM 分別對兩種狀態的運動網絡的有效連接進行分析，顯示在運動執行任務中PMC 到M1、SMA 到M1 的連接在整體連接網絡中占據主導地位，但運動想象的分析中PMC 和M1 之間的連接更強。研究結果從腦網絡的角度客觀證明了運動想象方式可以作為輔助腦卒中患者進行康復治療的一種有效方式。Bajaj 等[11]還利用fMRI 和DCM 評估了腦卒中患者(有偏癱后遺癥)未受影響側和受影響側大腦半球中運動網絡的有效連接，發現與受影響側腦半球相比，未受影響側腦半球的連接模式更準確地反映了行為狀況。鏡像反饋治療[12]和經顱磁刺激治療[13]中有效腦網絡的研究也證明了這些治療方式的有效性。腦卒中通常會導致偏癱發生，這對左右半球的運動網絡產生影響，因此研究大腦左右半球運動網絡的平衡活動對腦卒中患者運動功能的恢復至關重要。腦卒中患者康復治療后大腦的有效連接也是研究人員關注的問題。Schulz 等[14]利用DCM 研究腦卒中后康復良好患者同側半球額頂網絡，顯示其為腦卒中后運動網絡可塑性變化的重要回路。Nasrallah 等[15]首次利用fMRI 和DCM 分析有效連接，從客觀的角度來評估柔性機器人康復設備對腦卒中患者的康復訓練效果，證明其有一定的康復訓練效果。研究人員利用DCM 進行有效連接分析來評估各種康復治療手段[16]和康復輔助機器人的效果是一種十分有前景的方式。

總之，目前關于腦卒中患者康復腦網絡的研究中，為了促進患者運動能力的恢復，深入了解患者的康復神經機制，研究人員主要對患者的運動相關腦區進行研究，實驗任務設計中引導患者進行單側或雙側的運動任務，主要的研究內容在表1中顯示，對腦卒中患者有效連接的研究有助于了解其康復神經機制，提高其康復訓練效果。

1.1.2 認知神經科學腦網絡研究

大腦與人體各種復雜的活動息息相關，fMRI 自20 世紀90年代出現以來廣泛應用于認知神經科學領域的研究。因DCM 具有對大腦的動態功能變化進行更真實的模擬的優點，研究人員逐漸在認知神經科學領域將DCM 用于fMRI 數據來分析相關任務條件下感興趣腦區之間的有效連接。

研究表明，默認模式網絡(default mode network，DMN)會在人處于休息狀態時顯示出更高的神經活動和能量消耗[17]，目前研究人員通常使用靜息狀態下的功能磁共振掃描(rs-fMRI)來進行默認模式網絡研究。靜息狀態功能磁共振成像數據的DCM 建模是新近發展起來并被廣泛采用的推斷內在腦網絡有效連接的方法[18]。國內外不少研究人員都利用DCM 和fMRI 對DMN 進行了相關研究[19-21]，有研究發現個體在默認模式的網絡研究中表現出半球間的不對稱性。

感覺任務相關的實驗研究主要集中在視覺任務[22-32]，關于視覺皮層的有效連接的研究有利于理解全腦的感覺網絡，了解視覺感覺對其他腦區產生的影響作用。Scharnowski 等[27]關注視覺皮層相關有效連接，評估了與視覺皮層活動的神經反饋訓練(基于實時fMRI 的神經反饋)相關的大腦有效連接的變化，結果顯示視覺皮層的激活增強，但視覺皮層與SPL 之間的連接減弱。觸覺[33]、聽覺[34]等其他感覺相關的網絡研究也是研究人員關注的內容，目前的研究中不僅僅局限于單一感覺相關網絡的研究，更加注重多感覺任務條件下多個腦區之間的相互影響。

運動相關有效腦網絡的研究中揭示了手和腳運動中對M1 不同的作用，手運動時運動側M1 被PMC 和對側M1 強抑制，而腳運動時M1 沒有半球間抑制，且運動側對另一側M1 有促進作用[35]。同時也有研究證明了年齡對運動網絡有影響，這可能說明了老年人運動能力下降的神經機制[36-37]。工作記憶相關的有效連接也是研究中的一個重要內容[38-39]。與老年人相關的工作記憶的研究中顯示老年人DLPFC 到IPL 的連接關系，相對于青年人減弱[40]，這可能揭示老年人的工作記憶能力衰退的現象。

語言[41-48]、情緒[49-54]、決策[55-60]相關的有效連接腦網絡的研究的主要內容如表1所示。語言相關的實驗任務中關注語音語義的理解以及與手勢的結合。情緒、決策等復雜的實驗任務中也會涉及到一些感覺的參與。總之，在fMRI 中使用DCM 方法對認知神經科學腦網絡的研究涉及的內容十分廣泛，按照實驗任務的類型大致分為靜息態、感覺、運動、記憶、語言、情緒、決策這些類別。由于這些研究的認知任務類型不同，研究中所涉及的感興趣腦區(regions of interested，ROIs)也有所區別，憑借fMRI 較高的空間分辨率，研究人員可選擇的ROIs更多。在認知神經科學的網絡研究中許多內容與人的社會生活相關，這些研究對更好理解人的社會性認知活動十分重要。

表1 DCM 在fMRI 中的應用Tab.1 Summary of DCM application in fMRI

表1 續

表1 續

1.1.3 精神疾病腦網絡研究

近年來國內外不少研究人員都利用fMRI 對精神分裂癥和抑郁癥等精神疾病展開研究，通過DCM分析相關腦區的有效連接構成的腦網絡，研究其發病機理，意圖從腦的層面比較病人與正常人之間的差異，促進病人的治療。

首次利用隨機動態因果模型對精神分裂癥患者的默認模式網絡的研究中，研究人員將精神分裂癥患者與健康對照組進行比較，結果發現精神分裂癥患者的默認模式網絡中與AF 相關節點之間的有效連接減弱，表明精神分裂癥患者相比健康對照組，前額傳入的神經突觸信息減少[61]。認知缺陷是精神分裂癥患者的一個核心特征，Wagner 等[62]采用彌散張量成像和功能磁共振成像相結合的方式，

對精神分裂癥患者和健康對照組進行認知任務相關的實驗，利用DCM 進行有效連接分析發現，精神分裂癥患者右半球Thal 和dACC、dlPFC 之間存在異常的有效連接。同時，也有研究發現精神病癥狀高風險和發展為精神病的受試者的Thal 非線性調節的Thal 皮層連接強度降低[63]。工作記憶障礙也是精神分裂癥患者中存在的一種現象，Nielsen等[64]為研究這種現象背后的神經機制，利用fMRI結合DCM 研究了一組首發精神分裂癥患者在言語n-back 任務中，與健康對照組相比工作記憶依賴的有效連接調節是否發生了變化，發現精神分裂癥患者與健康對照組相比從IPL 到IFG 的前向連接減弱。國內相關的研究中徐靜等[65]也對精神分裂癥患者和健康對照組進行了一項n-back 實驗，DCM 分析MPFC、PCC、DCG 之間的有效連接，結果發現精神分裂癥患者與健康對照組之間存在相反的有效連接，這可能與精神分裂癥患者的工作記憶下降有關。Cui 等[66]對首發精神分裂癥患者的研究中發現患者與正常人相比，其ACC 存在異常的連接關系。Zhang 等[67]對是否存在幻聽癥狀的精神分裂癥患者展開了研究，發現存在幻聽癥狀的精神分裂癥患者LIFG 到LMTG、LIPL 到LMTG 的連接減弱。相關研究的主要內容如表1中精神分裂癥部分所示[68-70]。

抑郁癥與精神分裂癥一樣對人們生活產生危害，近幾年抑郁癥的發病率越來越高，備受社會關注。Desseilles 等[71]對重性抑郁癥患者的視覺注意網絡進行研究發現，高低注意力水平都會對視覺注意網絡中的IPS 產生調制作用。國內研究人員Li等[72]對重性抑郁癥患者在抗抑郁治療8 周前后靜息狀態進行功能磁共振掃描，研究默認模式網絡的有效連接，發現左頂葉皮質興奮性因果關系的減弱是重性抑郁癥患者默認模式網絡改變的關鍵，而頂葉皮質對后扣帶回皮質的干擾因果關系對抗抑郁治療有反應。以上的研究都表明對抑郁癥患者相關腦區的有效連接進行分析能進一步了解其發病機理，從客觀角度評價治療效果，合理調整治療方案。

fMRI 與DCM 方法結合分析精神疾病的腦網絡，除精神分裂癥和抑郁癥外，還涉及到自閉癥等其他精神疾病，主要內容在表1中展示[73-76]。這些研究結果表明fMRI 與DCM 結合的有效腦網絡分析對精神疾病的診斷和治療給與極大的幫助。

1.2 EEG 中DCM 的應用

DCM 最早用于fMRI，后來逐漸擴展到EEG。EEG 可記錄大腦活動時皮層各功能位置的電位變化信號，是一種非侵入式的探測大腦皮層神經元集群自發性、節律性的電生理活動手段，且其具有較高的時間分辨率[77]。與fMRI 中的DCM 的應用研究相比，DCM 在EEG 中的研究相對較少，其研究內容基本上是在fMRI 中研究內容的基礎上逐漸展開，也主要涉及到認知神經科學領域相關以及疾病相關的腦網絡研究，研究主要內容如表2所示。

認知神經科學的腦網絡研究中，EEG 與DCM結合的研究主要關注了感覺、運動、記憶、語言等方面。感覺相關的腦網絡研究中，EEG 中主要關注了視覺、聽覺等相關的腦網絡研究，且目前的EEG 研究中關注單一感覺條件下的腦網絡研究較多，但近年來也有研究注重多種感官網絡的結合[78]。關于視覺通路的研究中顯示視覺相關網絡中沿背側通路的連接增強而沿腹側通路的連接減弱，并且驗證了視覺信息的處理過程在視覺系統中具有時序性[79]。Parkinson 等[80]研究了在發聲過程中進行聽覺干擾時左右半球STG、IFG、PMC 之間有效連接的變化，結果顯示，在處理自我和他人聲音錯誤時，左右半球的有效連接差異，同時結果也證明了EEG 的DCM 建模在描述語音控制前向模型的特定網絡特性方面具有可行性。聽覺相關的研究中有效連接顯示右半球在聽覺空間感知中具有優勢[81]。聽覺預測研究中表明，預測外界聲音的神經回路可能與預測意志語言的大腦區域有關，可能包括弓狀神經束和額側神經束[82]。觸覺、痛覺等感覺網絡研究得主要內容在表2中展示[83-85]，對全面整合各種感覺相關連接具有意義。

表2 DCM 在EEG 中的應用Tab.2 Summary of DCM application in EEG

頭動對腦電信號的影響較大，EEG 中關于運動腦網絡的研究通常關注較為簡單的運動形式，避免對腦電信號產生較大的干擾。Herz 等[86]在一項122 通道的腦電圖研究中要求受試者進行簡單的手部伸展與屈曲運動，利用DCM 研究了核心運動網絡的有效連接，結果顯示M1 與SMA 之前具有雙向連接關系。老年人與年輕人運動腦網絡的對比研究中顯示老年人在進行時空和空間耦合運動時，左右腦M1 相關連接都呈現抑制性，這可能揭示老年人運動功能的退化現象[87]。運動想象與運動執行相關的研究可能為腦卒中患者的治療提供理論基礎[88]。工作記憶相關的研究在EEG 中的研究表明工作記憶腦網絡的連接方向主要從頂葉皮層指向

前額葉皮層[5]。研究表明有效連接能區分工作記憶訓練和練習的效果[89]，同時研究表明前額葉中存在短時和長期記憶的執行回路[90]。EEG 中語言相關的研究語音預測[91]和語義治療[92]，與腦卒中等疾病相結合。

如上所述，除認知神經科學領域的研究外，DCM 在EEG 中應用還關注了精神分裂癥[93]、阿爾茲海默癥[94]、癲癇[95]、帕金森[96-97]等疾病的有效連接腦網絡，對這些疾病患者進行相關任務實驗，提取感興趣腦區，結合DCM 分析這些腦區之間的有效連接關系，從腦網絡的層次比較這些疾病患者與正常人之間的差異，從而為這些患者制定有針對性的治療方案，同時可能為這些疾病的診斷提供一個客觀的評價指標。

1.3 fNIRS 中DCM 的應用

fNIRS 是新發展起來的一項腦功能成像技術，利用氧合血紅蛋白(O2Hb)和脫氧血紅蛋白(HHb)的變化反應腦區的活動，目前在其中應用DCM 分析有效連接的研究還非常少，一些研究內容總結如表3所示。

表3 DCM 在fNIRS 中的應用Tab.3 Summary of DCM application in fNIRS

首先，已有研究表明在fNIRS 數據中應用DCM分析有效連接具有可行性。Tak 等[98]提出一個生成模型，建立fNIRS 數據和隱藏的神經元狀態之間的聯系，利用已建立的貝葉斯框架對生成模型進行反演，然后在神經元水平上對定向連通性的變化進行推斷，分析運動想象和運動執行時運動腦網絡之間的有效連接，結果表明在運動想象和運動執行任務中M1 相關的連接受到抑制性影響，這與先前fMRI 中的研究具有一致性，充分表明DCM 方法可以在fNIRS 數據中分析有效連接。對發育過程中的大腦進行研究一直是研究人員感興趣的內容，fNIRS憑借其體積小、安全性高、魯棒性好的優點，成為研究嬰兒大腦的一種理想工具。一項單例嬰兒fMRI和fNIRS 的驗證實驗中，選擇一名六個月大的嬰兒作為受試者，在睡眠狀態下同時對其進行功能磁共振成像和近紅外腦功能成像記錄，并在睡眠過程中對嬰兒提供適當聽覺刺激，激活提取了TPJ、STS、IFG 為感興趣區，DCM 分析這些區域之間的有效連接腦網絡，比較在fMRI 和fNIRS 兩種成像中的結果發現二者具有一致性，這證明了fNIRS 用于嬰兒有效連接腦網絡分析具有可行性[99]。同時，憑借fNIRS 的優點，可以解鎖親子間互動的研究場景，對嬰兒的大腦連接進行研究，甚至可以借助新近出現的超掃描技術(Hyperscaning)研究親子互動時的腦間相互作用。與疼痛相關神經機制的研究或許為從根源上解決疼痛的方法提供參考，同時也為某些無法準確表達疼痛等級的人群提供一個客觀的評定指標。Sharini 等[100]采集冷刺激引起的疼痛過程中額葉區域的fNIRS 信號，激活提取mPFC、lPFC、rPFC 為感興趣區域，實驗結果表明存在rPFC 到mPFC 的連接，且連接顯著持續增強，而mPFC 和lPFC 之間的雙向連接持續減弱。研究表明對額葉相關區域利用DCM 進行有效連接分析來量化疼痛的程度是一種可行的方法。認知神經領域中，Yousef 等[101]將DCM 應用于fNIRS 數據，研究了Stroop 干擾效應處理過程中，由dmPFC、rdlPFC、ldlPFC 構成的有效連接腦網絡，結果顯示Stroop 干擾任務中rdlPFC 和ldlPFC 到dmPFC 的連接都增強，這可能與Stroop 干擾任務中需要更多的認知參與程度有關。

綜上，盡管目前國內外關于fNIRS 與DCM 相結合的研究還比較少，但憑借二者的優點會有越來越多的研究內容被發掘。

2 總結與展望

對大腦進行研究一直是研究人員關注的內容，目前，研究人員可以借助各種非侵入式的檢測技術對大腦展開研究。分析大腦的有效連接或許能從更深的層面揭示神經元系統之間的相互作用，從而進一步理解大腦的各項功能的展開機制。DCM 是一種專門分析大腦有效連接的方式，最早在fMRI 中用于分析大腦內的有效連接，后來DCM 方法逐漸擴展到EEG。近年來，研究人員已經在fNIRS 中用DCM 建模，分析腦區之間有效連接，獲得了和fMRI一致的結果。

總結概述了fMRI、EEG 和fNIRS 等3 種檢測技術分別利用DCM 進行腦網絡研究的應用進展。在3 種檢測技術中，fMRI 中應用DCM 的發展最為成熟，所涉及的研究內容十分廣泛，包括對腦卒中患者、認知神經科學領域(涉及靜息態、感覺、運動、記憶、語言、情緒、決策等方面)、精神疾病(如精神分裂癥、抑郁癥等)等的腦網絡的研究。fMRI 測量整個大腦的BOLD 信號，具有較高的空間分辨率，結合DCM 可以分析大腦更深層次的功能區之間的有效連接關系。腦卒中患者運動腦網絡的變化與患者運動功能的恢復相關，在患者康復訓練過程中監測其運動區之間有效連接的變化或許為評估其康復訓練效果提供一個客觀指標。視覺皮層相關腦網絡研究通常與注意力控制相結合。抑郁癥等疾病中，患者主觀因素不利于疾病的診斷與治療，有效連接分析可以幫助醫生更客觀診療疾病。

近年來，在EEG 中結合DCM 進行有效連接分析的研究有所增加，適用的研究內容基本上是在fMRI 中DCM 研究內容的基礎上進行展開，也涉及到許多認知神經科學領域的研究和精神分裂、抑郁癥等精神疾病的研究。EEG 設備相較fMRI 更為便攜，適用的研究場景更多，且由于EEG 信號較高的時間分辨率，可以作為腦機接口研究中控制信號的一項有效選擇。同時，有研究人員嘗試進行多模態分析，實驗中同時測量fMRI 和EEG 信號[102]，用fMRI 數據獲得的坐標來確定EEG 源空間結構，交叉驗證大腦內有效連接，結果證明了基于fMRI 和EEG 信號的DCM 分析在神經元系統有效連接腦網絡中具有互補性和協同性。EEG 與fNIRS 的聯合檢測也有效克服了單一檢測的局限性，實現了優勢互補。

fNIRS 相較于其它兩種檢測技術的發展較晚，是一種新近出現的檢測技術，目前在其中應用DCM分析有效連接的研究才剛剛起步。與其他兩種檢測技術相比，fNIRS 具有一些優點。相比fMRI，fNIRS 具有較高的時間分辨率，設備較fMRI 設備更便攜，成本更低，對有幽閉恐懼癥的受試者適用；相比EEG，fNIRS 具有較高的空間分辨率和更好的魯棒性，對頭動和眼動干擾信號的敏感度更低。由于fNIRS 具有的這些優點，其相較于其他兩種方式而言適用的研究場景有較多的選擇。對發育中的大腦進行研究是研究人員關注的一個問題，fNIRS 可以作為研究嬰幼兒的大腦發育的一種理想方式，在實驗過程中嬰幼兒不用局限在一個狹小的空間接受功能磁共振掃描，也不用擔心眼動、頭動對EEG信號的干擾。社會關系離不開人與人之間的協調配合，近年來有研究人員利用fNIRS 中的超掃描技術對多人的大腦同時進行掃描，這種超掃描技術可以在一個真實的社交場景下采集受試者的血氧信號。

由于fNIRS 在數據采集過程中對受試者的友好性及其在更多的研究場景中的適用性，不少研究者都開始青睞于fNIRS 這項技術。研究已經驗證了利用DCM 建模對fNIRS 數據進行有效連接分析具有可行性。未來fNIRS 所涉及的研究領域將在fMRI和EEG 的基礎上進一步深入發展，對功能整合的研究是目前研究人員進行大腦研究的一個重點內容，有效連接反映著一個腦區對另一個腦區的影響。DCM 更真實的模擬了神經元之間的狀態，結合DCM 分析大腦有效連接的研究將成為大腦功能整合研究中一種非常具有前景的研究方式。

盡管相比fMRI 和EEG，fNIRS 具有一些優點，但作為一項新的發展中的檢測技術，目前它也存在一些缺點，如進行高覆蓋或全頭測量時，因光纖探頭的數量增加、重量增大從而可能增加運動誤差和信號損壞的可能性等。總體而言，目前DCM 在fMRI 和EEG 中的應用相對較多，發展較為成熟，但考慮到fNIRS 的一些優點，其與DCM 相結合分析大腦有效連接網絡在認知神經科學研究方面具有優勢，能實現多人大腦的同步掃描，促進人類對大腦各種功能的理解，有利于促進大腦的開發。同時，在未來應用于臨床檢測中可能為更多腦相關的疾病提供一個客觀的評價標準，從而有利于對患者提出更好的治療或者康復的手段。

總結了DCM 在過去10年內在fMRI、EEG 和fNIRS 中的應用進展，同時對DCM 未來與fNIRS 相結合的應用做出一些展望。雖然目前DCM 與fNIRS 相結合的研究還比較少，但研究已經驗證了DCM 在fNIRS 中分析大腦有效連接具有可行性。隨著DCM 模型的不斷改進與完善，fNIRS 技術的發展，二者結合的有效連接分析將可能在fMRI 和EEG 的基礎上對研究內容擴展開來，互為補充，用于任務態下腦區連接變化，神經元相關疾病等疾病的診斷和各種康復神經機制的研究。