脑网络拓扑属性（二）

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 $\sigma$ 和 $\omega$ 。$\sigma$大于1即具有small worldness, $\omega$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）。