动态网络学习（1）：时间窗（sliding window)

时间窗是最常见的动态FC的研究方法，但具有两个缺陷：
1. 真实值与测量观测值之间的区别：例如用激光测量汽车经过速度进行测量，汽车经过时，反复测量，由于仪器的不完善和环境噪声，这些测量值会产生波动的时间序列。尽管波动是真实的，但是汽车的速度可能实际是不变的，波动只是因为噪声产生而不是因为汽车的速度。因此我们把观察得到的FC称为observed FC和sample FC区分（又称为population FC).
这一缺陷的解决办法：通过统计检验验证dFC的存在。这就导致了第二个缺陷
2. 统计检验需要预先建立假设，即称为零假设。零假设成立时，有关统计量应服从已知的某种概率分布。如果选择一个合适的零假设是一个需要解决的问题
解决方法：基于傅里叶变化（Corrigendum to “Can sliding-window correlations reveal dynamic functional connectivity in resting-state fMRI?” NeuroImage, Volume 132, 15 May 2016, Pages 115）