Gretna计算后RichClub文件夹内容如右图所示
Gretna的manual给出的解释为:
phi_real_Thres001矩阵如下图所示。比如我有44个被试,246个ROI,计算得到的richclub系数为44*245,且其中有数字和NaN,此外每行(也就是每个人)的NaN出现的地方不一样。我第一次看根本不知道都代表啥意思,经过请教和资料查询,具体解释在下面给出。
richclub系数计算为度超过k的节点集合所定义的子网络的连接密度。当richclub系数越大,则rich-club间的连接越紧密。当系数=1,则子网络的所有节点两两之间都互相连接。
假设我要构建的脑网络有246个节点,节点与节点之间的degree最短就是1,即孤立的接收点,最长是245,即掌控所有的点。这就是为什么我的richclub系数矩阵为44*245。以上图第一行来解释,就是246个ROI中节点度大于28的所有节点构成的子网络的连接密度为0.9048,节点度大于31的所有节点构成的子网络的连接密度为1,也就是这些节点两两之间都相互连接。节点度大于37及之后值的richclub系数为NaN,代表该被试的richclub的节点度最高到36,后边就不用算了。
目前研究中Rich-club节点的计算主要有以下3种方式:
(1)使用组平均网络计算 rich club 节点。首先,对于正常个体二值结构网络中的每条连边,如果有超过 50%的人存在连接(或设定其他阈值),则保留这条边,得到健康被试的组平均网络。然后,选择适当的 k 值,那么组网络中度值大于 k 的脑区就是 rich club 节点。
(2)使用 rankscore 值计算 rich club 节点。首先,对于每个被试,将度值最大的脑区记为标号“1”,度值最小的脑区记为标号“246”(节点总数为 246 个)。然后,对该组中所有个体的同一个脑区的 rankscore 值求平均,选择前 n 个 rankscore 值最大的节点作为 rich-club 节点。
(3)使用高度值选取 rich club 节点。首先,计算每个被试度值的均值(mean) 和标准差(SD),如果有节点的度值超过 mean + SD(或1.25SD),则该脑区是高度值节点,故保留。然后,选择该组中多数人共有的脑区作为 rich club 节点。
方法1 对应文章如下
方法2 对应文章如下
方法3 对应文章如下
这几种方法总结来看,richclub的计算都是需要依据节点的度来确定,也就是根据gretna计算得到的Degree Centrality文件去看每个节点的度大小来得到。
以上是几种我了解到的计算richclub的方法,作为我的学习笔记,也供大家参考。