脑网络分析实战：5个核心图论指标解析与BCT工具包应用指南

1次阅读

没有评论

共计 1944 个字符，预计需要花费 5 分钟才能阅读完成。

在神经科学研究中，fMRI 和 DTI 技术生成的脑网络数据需要通过量化指标揭示其拓扑特性。图论方法将脑区抽象为节点、连接抽象为边，为研究大脑功能与结构组织提供了数学框架（PMID: 18940668）。这种分析能帮助识别:

神经精神疾病的生物标记物
认知任务中的网络重组模式
发育 / 衰老过程中的网络演化规律

数学定义:
[C_i = \frac{2T_i}{k_i(k_i-1)} ]
其中 (T_i) 是节点 i 的三角形数量，(k_i)是其度数。全局聚类系数为所有节点均值。

神经意义: 反映局部信息处理效率，阿尔茨海默病患者常表现出降低(PNAS, 2007)。

BCT 实现:

% MATLAB
C = clustering_coef_wu(weighted_matrix);  % 加权网络
C_bin = clustering_coef_bu(binary_matrix); % 二值网络

# Python
from bct import clustering_coef_wu
C = clustering_coef_wu(weighted_matrix)

数学定义: 所有节点对之间最短路径的平均值。

神经意义: 衡量全局信息整合能力，精神分裂症患者路径延长(PMID: 19409264)。

BCT 实现:

[L, efficiency] = charpath(distance_matrix);

计算步骤:
1. 计算实际网络的 (C_{real}) 和(L_{real})
2. 生成 100 个随机网络计算 (C_{rand}) 和(L_{rand})
3. (\sigma = (C_{real}/C_{rand})/(L_{real}/L_{rand}) )

BCT 实现:

from bct import randmio_und, clustering_coef_bu
C_rand = np.mean([clustering_coef_bu(randmio_und(binary_matrix,10)[0]) for _ in range(100)])
sigma = (C_real/C_rand)/(L_real/L_rand)

数学定义:
[Q = \sum_{s=1}^{N_M} [\frac{l_s}{L} – (\frac{d_s}{2L})^2 ] ]
其中 (N_M) 是模块数，(l_s)是模块 s 内边数，(d_s)是模块内节点度数和。

BCT 实现:

[Ci, Q] = modularity_und(matrix);

常用类型:
– 度中心性
– 介数中心性
– 特征向量中心性

BCT 函数:

from bct import betweenness_bin
BC = betweenness_bin(adj_matrix)

% 1. 加载数据
load('functional_connectivity.mat'); % 91x91 矩阵

% 2. 阈值处理(保留前 20% 连接)
threshold = prctile(matrix(:), 80);
binary_matrix = double(matrix > threshold);

% 3. 计算指标
C = clustering_coef_bu(binary_matrix);
[L, ~] = charpath(distance_matrix);
[~, Q] = modularity_und(matrix);

import matplotlib.pyplot as plt
from nilearn import plotting

# 绘制连接矩阵
plt.imshow(matrix, cmap='hot')
plt.colorbar(label='连接强度')

# 脑区拓扑图
plotting.plot_connectome(matrix, node_coords)