Watts and Strogatz 关注clustering coefficient & characteristic path length.
clustering coefficient 直接相连的两点,连向第3个点后,再连接其他点的概率。(可以理解为功能的隔离与专门化)
characteristic path length 任意两点连接的距离求和后平均。(评价网络整合)
规则图:长路径+高聚类,随机图:短路径+低聚类,小世界图:短路径+高聚类(节约成本)
在小世界网络中,短路径代表整合网络成一个整体,高聚类代表功能性节点的分隔。即,有多个功能区域而用很短的路径连接这些功能区域,因此小世界网络是整合的又是分离的。
一个短的characteristic path length 表示网络很整合,可以节省新陈代谢花费(bullmore and sporns, 2009)。
在相关性功能网络中,边的正值代表节点间的合作和整合,负值代表对抗和分隔。
结构协方差网络中,边的正值代表耦合生长,负值代表营养过程。
Centrality:
有degree centrality, betweenness, closeness, eigenvector centrality, delta centrality
degree centrality 只评价连接,不评价质量,例如节点J 具有很高的degree centrality,是因为它的邻接节点具有很多degree而不是它本身。
closeness和nodal efficiency差不多。delta centrality涉及到网络的鲁棒性。
path-based & degree-based & strength-based 都不适合用于correlation matrix, 只有fiber matrix可以用。
correlation matrix更注重模块化,module, 相同模块的节点连接强度更高。
core-periphery organization 可以寻找影响网络整合效应的关键cores。
global efficiency & nodal efficiency:global efficiency 也是评价网络整合能力的,但是要更真实有效,它评价的是网络内所有子网络系统整体的信息传递效率。Hubs一般拥有最高的节点效率。
小世界属性有 σ \sigma σ 和 ω \omega ω 。 σ \sigma σ大于1即具有small worldness, ω \omega ω在[-1, 1]之间,越接近0代表越具有small worldness。
modularity & hierarchical modularity:模块化网络通常具有小世界属性,高度模块化连接网络通常表现出高聚类系数。
最常用的方法是用hierarchical clustering的层次聚类方法对betweenness centrality进行聚类,但是这种方法其实不太准。Girvan-Newman算法去聚类会更好。
participant coefficients 高参与者系数表示某节点在整合多个功能系统时很重要。高参与者系数与高degree的节点不同。
在随机网络中,如果是多阈值法,建议使用AUC进行差异统计(bassett, 2006, 2012)。
NBS是利用cluster的大小来进行统计推断,因此NBS不适用于单条边的统计推断。(个人理解,NBS可能不适合node-based,只适合voxel-based,当然如果node足够大,也是可以的)。