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