别再只用相关系数了！用MATLAB的mscohere函数做信号频域相关性分析（附完整代码与显著性检验）

别再只用相关系数了！用MATLAB的mscohere函数做信号频域相关性分析（附完整代码与显著性检验）

当我们面对多通道生物信号或振动数据时，皮尔逊相关系数就像用黑白电视机看4K电影——它能告诉你画面在动，但丢失了所有细节。想象一下这样的场景：你在分析EEG和EOG信号时，时域相关性显示两者高度相关，但实际检查原始信号却找不到明显关联。这种矛盾往往意味着——你需要的不是更好的时域分析工具，而是完全不同的视角。

1. 为什么频域相关性分析正在取代传统方法

在神经科学实验室里，张博士最近遇到了一个典型问题：他的团队发现受试者在完成认知任务时，前额叶EEG信号与眼电信号在时域上呈现0.7的高相关性。按照传统理解，这应该意味着眼动严重干扰了脑电记录。但奇怪的是，视频记录显示受试者根本没有明显眨眼。

时域分析的三大盲区：

• 频段特异性丢失：就像把交响乐压成一个音量值，时域相关系数无法区分不同频段的独立关联
• 相位信息缺失：两个完全反相的正弦波在时域相关性计算中会显示负相关，但它们的频域关系可能非常稳定
• 非线性关系盲区：时域线性相关对非线性耦合视而不见，而实际生物系统充满非线性相互作用

提示：当你的相关系数高但无法合理解释时，很可能遇到了"虚假相关"陷阱——时域分析把不同频段的混合效应打包成了一个无意义的数字。

我们来看一组实测数据对比（采样率1kHz的EEG-EOG记录）：