誰在驅動誰？
對稱量測告訴你兩個腦區有耦合；更困難、也更有趣的問題是方向性——是 X 驅動 Y，還是相反？回答它意味著從功能性走向有效／有向連結，其主力框架是建立在自迴歸模型上的格蘭傑因果。
格蘭傑因果與 VAR 模型
其核心是預測：若 X 的過去能在 Y 自身過去之外，進一步改善對 Y 的預測，則 X 格蘭傑導致 Y。你擬合一個向量自迴歸（VAR）模型，比較納入與不納入另一通道歷史時的殘差變異數。
\mathbf{x}(t) = \sum_{k=1}^{p} \mathbf{A}_k\,\mathbf{x}(t-k) + \mathbf{e}(t)VAR(p) 模型：當前活動是過去 p 個延遲的線性函數加上創新項 e(t)。其係數 A_k 承載了所有方向性資訊。
向量自回歸（VAR）模型用所有通道近期過去的加權組合來預測每個通道的當前值。這些權重捕捉了訊號如何隨時間互相驅動——這是有向連結的基礎。
- \mathbf{x}(t)
- 當前時刻的多通道訊號。
- \mathbf{A}_k
- 延遲 k 的係數矩陣——誰預測誰。
- p
- 模型階數——用了多少過去步。
- \mathbf{e}(t)
- 創新項——無法被預測的部分。
F_{X\to Y} = \ln\frac{\operatorname{var}\!\left(e_Y \mid Y^{-}\right)}{\operatorname{var}\!\left(e_Y \mid Y^{-},\,X^{-}\right)}格蘭傑因果 X→Y：不納入與納入 X 過去時，Y 預測誤差變異數的對數比。為零代表無有向影響。
若知道 X 的過去能在 Y 自身過去之外進一步幫助預測 Y，就說 X 格蘭傑造成 Y。此式比較納入與不納入 X 歷史時 Y 的預測誤差變異數；若加入 X 使誤差變小，對數比就為正——即有向影響的證據。
- F_{X\to Y}
- 從 X 到 Y 的格蘭傑因果。
- \operatorname{var}(e_Y\mid Y^{-})
- 只用 Y 自身過去時，Y 的預測誤差變異數。
- \operatorname{var}(e_Y\mid Y^{-},X^{-})
- 也用上 X 過去時，Y 的誤差變異數。
- \ln
- 對數比——為零代表無有向影響。
頻譜有向量測：PDC 與 DTF
神經驅動具頻率特異性，因此我們要逐頻帶的方向性。把 VAR 係數轉換到頻域，就得到偏有向相干（PDC）與有向轉移函數（DTF）。PDC 分離出直接的 j\to i 影響；DTF 則捕捉總體（含間接）的影響。
\mathrm{PDC}_{j\to i}(f) = \frac{\lvert \bar{A}_{ij}(f)\rvert}{\sqrt{\sum_{k}\lvert \bar{A}_{kj}(f)\rvert^{2}}}, \qquad \bar{A}(f)=I-\sum_{k=1}^{p}\mathbf{A}_k\,e^{-\,i\,2\pi f k}PDC 以源通道 j 的流出量對頻域 VAR 係數作正規化，給出有向、逐頻率的量測。
偏有向同調（PDC）把 VAR 模型帶到頻域，並在每個頻率問：通道 j 的流出量有多少專門流向通道 i。以 j 的總流出量作歸一化，就得到一個有向、逐頻率的連結度量。
- \mathrm{PDC}_{j\to i}(f)
- 在頻率 f 從 j 到 i 的有向影響。
- \bar{A}(f)
- 轉入頻域的 VAR 係數。
- \bar{A}_{ij}(f)
- 該頻域矩陣中 j\to i 的元素。
- \sqrt{\sum_k|\bar{A}_{kj}(f)|^{2}}
- 正規化因子——通道 j 的總流出量。
源空間連結與波束成形器
對場擴散更根本的修正，是根本不在感測器上計算連結。用一個空間濾波器——波束成形器——重建源時間序列，再估計源與源之間的連結。LCMV 波束成形器在時域中，於目標位置維持單位增益的約束下最小化輸出功率來達成此事；其頻域孿生體 DICS 波束成形器則鎖定特定頻帶以分析振盪耦合。
\mathbf{W} = \bigl(\mathbf{L}^{\top}\Sigma^{-1}\mathbf{L}\bigr)^{-1}\mathbf{L}^{\top}\Sigma^{-1}LCMV 權重：在導程場 L 所定義的源上維持單位增益，並（透過資料共變異數 Σ）達成最小輸出功率。
為每個源建立一個虛擬感測器的波束成形器權重：在對目標源導程場保持單位增益的同時，最小化總輸出功率。在這些源空間訊號上做連結分析，能避開許多感測器層級的洩漏。
- \mathbf{W}
- 波束成形器權重矩陣。
- \mathbf{L}
- 導程場——源到感測器的映射。
- \Sigma
- 感測器資料共變異數。
- (\mathbf{L}^{\top}\Sigma^{-1}\mathbf{L})^{-1}
- 在源上強制單位增益的正規化因子。
這有幫助，卻無法根治問題：逆問題是不適定的，因此波束成形器重建出的源仍會彼此滲漏——殘餘的源洩漏。因此頂尖管線會再加上洩漏校正，例如在計算幅值耦合前，對源訊號作成對正交化。
開放問題與誠實的但書
前沿正走向何方？走向與動力系統模型融合、而非靜態圖的連結分析；走向多模態的錨定（以同步記錄或刺激來驗證所宣稱的連結）；以及走向 BCI 應用——用網路生物標記驅動閉迴路神經調控，並運用比原始功率更能跨場次泛化的連結特徵。
兩半，一條管線
請留意，這條軌道的兩個主題是不可分割的。第 1 至 3 篇的空間濾波器——拉普拉斯、CSP、ICA、波束成形器——正是讓第 4 至 5 篇的連結分析可信的工具，因為它們在你追問源如何交談之前，先把源解混。空間濾波與功能性連結並非兩個主題，而是同一條管線的正反兩面：從原始通道走到站得住腳的腦網路。