脑网络分析实战：5个核心图论指标详解与BCT工具包应用指南

1次阅读

没有评论

共计 1906 个字符，预计需要花费 5 分钟才能阅读完成。

传统的脑功能连接分析主要关注区域间的线性相关性（如皮尔逊相关），虽然能识别功能耦合的脑区，但存在三个明显缺陷：

忽略网络拓扑结构 ：仅呈现两两连接强度，无法反映信息传递效率或枢纽节点
缺乏统一量化标准 ：不同研究中连接强度的阈值选择主观性强
难以跨研究比较 ：原始相关矩阵受扫描参数和预处理流程影响大

数学定义：
$$ k_i = \sum_{j\neq i}a_{ij} $$

解读：节点直接连接数量的标准化值（通常除以 n -1）
神经意义 ：识别功能枢纽（如默认模式网络的核心节点）
典型范围 ：加权网络常为 0.1-0.3，二值网络取决于稀疏度

数学定义：
$$ C_i = \frac{2t_i}{k_i(k_i-1)} $$

解读：衡量邻居节点间的连接紧密程度
神经意义 ：反映功能分离（高值预示局部信息处理能力强）
典型范围 ：正常脑网络多在 0.4-0.6 之间

数学定义：
$$ L = \frac{1}{n}\sum_{i} \frac{\sum_{j\neq i}d_{ij}}{n-1} $$

解读：所有节点对之间最短路径的平均值
神经意义 ：衡量全局信息整合效率（阿尔茨海默症患者常升高）
典型范围 ：人脑网络通常 1.5-3（与网络规模负相关）

数学定义：
$$ \sigma = \frac{C/C_{rand}}{L/L_{rand}} > 1 $$

解读：相比随机网络，同时具备高聚类和短路径
神经意义 ：大脑演化最优拓扑结构的证据
典型范围 ：健康成年人 σ≈1.5-2.5

数学定义：
$$ Q = \sum_{s=1}^{N_M}(e_{ss} – a_s^2) $$

解读：网络可分模块的程度（常用 Newman 算法优化）
神经意义 ：功能分化的量化指标（如感觉 / 运动模块分离）
典型范围 ：Q>0.3 认为具有显著模块结构

% 加载静息态 fMRI 时间序列（ROI×TimePoint）ts = load('rest_fmri.mat'); 

% 计算 Pearson 相关矩阵
corr_mat = corr(ts');

% 稀疏化处理（保留前 20% 连接）threshold = prctile(corr_mat(:), 80);
adj_mat = double(corr_mat > threshold);

% 调用 BCT 函数计算指标
degree = degrees_und(adj_mat); 
clustering = clustering_coef_bu(adj_mat);
[~, path_len] = charpath(distance_bin(adj_mat));
[Ci, Q] = modularity_und(adj_mat);

% 小世界系数需要对比随机网络
rand_mat = randmio_und(adj_mat, 100); % 生成 100 次随机网络
rand_clust = mean(clustering_coef_bu(rand_mat));
rand_path = mean(charpath(distance_bin(rand_mat)));
sigma = (mean(clustering)/rand_clust)/(path_len/rand_path);

% 绘制节点度分布
figure;
histogram(degree/sum(degree), 'BinWidth', 0.05);
xlabel('Normalized Degree'); ylabel('Count');

% 模块结构可视化
[~, idx] = sort(Ci);
imagesc(adj_mat(idx,idx));
colormap(jet); % 红色表示强连接
colorbar;