神经科学

网络研究中的图论指标

在网络研究中，通过图论方法来表征复杂网络的拓扑关系是研究网络中不同节点、不同连边以及网络的整体特性的重要手段。只有选对指标才能更好地说明你的研究问题。

网络对象

下图是一个由11个节点组成的网络，即圆圈，它们表示了网络中的基本对象，连接不同节点的连线被称为“边”（在脑网络研究中，节点是被按照不同分割依据所分割的脑区，连边在功能网络中往往通过对不同脑区的时间序列信号的相关计算所得，而结构网络中分为DTI连接和基于灰质变化的协变网络连边。）

(1) 度(node degree)

在网络研究中，最基本和最广泛使用的度量指标是“度”，对于给定节点，度就是与它连接的邻居个数。第i个节点的度计算公式为

cij表示节点i和节点j之间的连接状态，当节点i和节点j之间有连接时，cij=1；当节点i和节点j之间无连接时，cij=0；此度量只适用于二值网络（加权网络应用该指标时，作为二值化网络来考虑），它只考虑连接的存在或不存在，不考虑任何权重信息。**许多指标在计算中都要使用节点度的信息来描述网络中更高阶的拓扑关系。

(2) 节点强度
节点强度和节点度密切相关，原因是节点强度也会计算给定节点的邻居个数，但是会把连接权重（例如平均FA值等）考虑进去；第i个节点的强度被定义为连接到它上的所有边的权重之和。

Wij代表节点i和节点j之间的连接权重

上图中，节点内的值代表节点强度，由连接到它们的边（粗线为1，细线为0.5）的权重决定。在实际研究中，对加权网络会常常使用节点强度来度量节点的重要性。

(3) 节点核心
如果我们考虑一个迭代过程，将网络中具有某一度值的节点依次从网络中剥离，会得到一个具有最小度值为K的子网络 —— 被称为k度核，但是不属于k+1度核，那么它的节点核心就等于k.

方法： 依次移除所有度值为1,2,…的节点，留下了一个最小度值为3的网络；外侧4个节点（红色）的节点核心等于3，因为它们属于3度核，而且不属于4度核。节点核心指标可以表示网络中所有节点的节点度特性，往往被用在核心网络发现和节点排序中。

(4) 富人俱乐部系数（rich club coefficient）
富人俱乐部指的是网络中度值高的节点之间的连接，往往表示出比度值低的节点之间的连接更加紧密的趋势，这些高度值的节点在大脑全局交流中具有重要的作用。在实际应用中，**往往通过k度核的方法筛选出那些高度值的节点作为富人俱乐部的成员节点，因此，整个网络就可以被分为rich节点和非rich节点。一种衡量的方法是连接形式，将rich-club节点之间的连接称为Rich-club连接；将rich-club与非rich-club节点之间的连接称为Feeder连接；将非rich-club节点之间的连接称为Local连接。
为了更好的研究rich-club节点之间的连接，可以计算富人俱乐部系数。该指标是通过将网络分割成等度的节点，然后使用k度节点之间的连接数除以k度节点之间所有可能的连接数，将这个比值作为富人俱乐部系数，该系数越大表明rich-club节点之间的连接更加紧密。

(5) 同配系数
同配系数建立在度值矩阵的基础之上，因为它描述了连接节点对的度之间的相关性。在不改变节点度分布的情况下，可以使度大的节点倾向于和其他度大的节点连接。网络中的这个重要的结构特性，称之为节点之间的相关性（Correlation）。如果网络中的节点趋于和他近似的节点相连，就称该网络是同配的（Assortative）；反之，就称该网络是易配的（Disassortative）。网络同配性（易配性）的程度可用同配系数（也称Pearson Coefficient —— 皮尔森系数）r来刻画。r>0表示整个网络呈同配性结构，度大的节点倾向于和毒打的节点相连；r<0表示整个网络呈现易配性；r=0表示网络结构不存在相关性。

上图，第一张图里的红色节点同配系数是正值，因为它与和自身有相同度的节点连接；而第二张图里的红色节点同配系数是负值，因为它连接的节点，器度值和自身不相似，因为它自身的度值比他连接的度值小的多（注意，大的多时也是一样的情况，总之就是要衡量是否是相同度值的节点相互连接）。

(6) 特征路径长度
路径长度是网络分析中使用的一种距离，它描述了连接一对节点所需的“步骤”的数量，例如，下图中节点A和节点B之间的路径长度值为3意味着它们之间有3条边。

节点对之间通常有多个可能的路径，有时计算最短可能的路径长度 —— 即最少边数，也被称为最短路径长度。

上图中，节点A和B之间的最短路径长度用2条红色边表示。

	特征路径长度是指所有节点对之间所有最短路径长度的平均值。求特征路径长度首先对网络中所有节点之间的最短距离（D）求和，以获得总路径长度CT。

为了得到特征路径长度，需要计算CT的平均值。一个节点连接到除它自身外其他所有节点，这样每个节点会有n-1个连接（n是网络中的节点数）。因此，特征路径长度为：

特征路径长度是网络的全局特征，特征路径长度越小表明网络的信息传输速度越快，该指标往往被用在计算“小世界”属性这一指标。

(7) 全局和局部效率
“全局效率”是信息流的标量度量，被定义为给定网络中所有最短路径长度的逆。
局部效率和全局效率的计算方法类似，不过它是在单个节点水平上计算，而不是在整个网络水平上计算的。全局效率度量了网络的全局传输能力。

(8) 偏心率和直径、半径
偏心率是给定节点与网络中任何其他节点之间的最大路径长度。

上图，可以看出节点A与B之间最长路径为4,这被定义为偏心率:

“直径”和“半径”是整个网络水平度量，分别定义为给定网络中所有节点偏心率的最大值和最小值：

在图论中，网络的偏心率、直径和半径用来定义网络的规模，在脑网络研究中这三个指标使用较少，少有研究者涉及，这主要和网络的规模大小往往是一致的有关。

(9) 介数中心性
介数中心性是与某个节点相连的不同节点之间的连接能力的度量指标（也就是说你的朋友们它们互相是否是朋友）。在数学计算上依赖于将图形解构成路径长度，它是通过给定节点的最短路径条数与网络中所有其他节点之间的最短路径总数之比求的。

上图，可以看到位于中心的节点参与了绿色节点对、红色节点对、黄色节点对和蓝色节点对的最短路径。因此，位于中心的节点就有高介数中心性。第i个节点的介数中心性可以通过对网络中所有节点对的最短路径求和来计算。

Di(j,k)表示通过节点j和节点k之间通过节点i的最短路径数目，D(j,k)表示节点j和节点k之间所有最短路径数目。为了比较不同大小的网络，可以将介数中心性进行标准化。对于第i个节点的介数中心性，由于第i个节点被排除在外，对于无向图，一共还有（N-1）* (N-2)/2个节点对。

一个点的介性中心度较高，说明其他点之间的最短路径很多甚至全部都必须经过它中转。假如这个点消失了，那么其它点之间的交流会变得困难，甚至可以断开（因为原来的最短路径断开了），因此，介数中心度和前文提到的节点度类似，都是衡量节点的重要度量指标。

(10) 特征向量中心性
这个度量是自身参考，如果节点连接到其他本身就很重要的节点，那么就赋予节点高度的重要性。简单来说，特征向量中心性表示的是一个节点的相邻节点的度值高低的指标。也就是说，与你连接的人越重要，你也就越重要。网络中第i个节点的特征向量中心性