脑科学研究中基于图论的复杂脑网络分析方法

目前，基于图论分析技术的复杂脑网络分析技术是当前脑科学研究的热点，在脑科学领域的应用是复杂脑网络理论的一个重要分支。特别是随着fmri研究的兴起，在fMRI中研究正常的大脑高级认知过程以及诸如癫痫、自闭症、孤独症、精神分裂症等疾病的脑功能/结构异常变化，复杂脑网络技术都可以作为一种十分强大的分析工具。例如，最近研究大脑功能网络中比较频繁出现的小世界属性。因为大量的研究成果已经证明，大脑既不是一个完全的随机网络（random network），也不是一个完全的有序网络（regular network），而是具有“经济性的”小世界网络特性。所谓的小世界网络（Small-word network），是指其具有较小的特征路径长度L和较大的聚类系数C，换句话说，具有小世界性质的网络的属性L和C的值处在有序网络和随机网络之间。这里，小编以较为通俗的语言给大家介绍复杂脑网络分析中的常用指标，和大家共同学习，共同进步。

复杂脑网络分析的前提条件
利用一定的方法（比如Pearson相关，计算相关系数r值）构建不同脑区（或者体素、ROI等）之间的功能/结构连接矩阵（计算脑区直接FA的相关值可以得到SC）。比如说，将大脑分为128个脑区，可以通过计算这128个脑区时间序列两两之间的功能连接，得到一个128*128的功能连接矩阵。接下来，对得到的连接矩阵进行“滤波”（滤波：即卡阈值）进而转换成图（二值图或权重图）（graph）。所谓的“滤波”是指把得到的功能连接矩阵中的虚假连接去除掉，只