脑网络一些基本概念.docx
《脑网络一些基本概念.docx》由会员分享,可在线阅读,更多相关《脑网络一些基本概念.docx(4页珍藏版)》请在冰点文库上搜索。
节点度(degree)、度分布(degreedistribution).度是对节点互相连接统计特性最重要的描述,也反映重要的网络演化特性.度k定义为与节点直接相连的边数.节点的度越大则该节点的连接就越多,节点在网络中的地位也就越重要.度分布P(k)是网络最基本的一个拓扑性质,它表示在网络中等概率随机选取的节点度值正好为k的概率,实际分析中一般用网络中度值为k的节点占总节点数的比例近似表示.拥有不同度分布形式的网络在面对网络攻击时会表现出截然不同的网络行为.
集群系数(clusteringcoefficient).或称聚类系数.集群系数衡量的是网络的集团化程度,是度量网络的另一个重要参数,表示某一节点i的邻居间互为邻居的可能.节点i的集群系数Ci的值等于该节点邻居间实际连接的边的数目(ei)与可能的最大连接边数(ki(ki–1)/2)的比值(图1(a)),即
网络中所有节点集群系数的平均值为网络的集群系数,即
易知0≤C≤1.由于集群系数只考虑了邻居节点间的直接连接,后来有人提出局部效率(localefficiency)Eloc的概念.任意节点i的局部效率为
其中,Gi指节点i的邻居所构成的子图,ljk表示节点j,k之间的最短路径长度(即边数最少的一条通路).网络的局部效率为所有节点的局部效率的平均,即
集群系数和局部效率度量了网络的局部信息传输能力,也在一定程度上反映了网络防御随机攻击的能力.
最短路径长度(shortestpathlength).最短路径对网络的信息传输起着重要的作用,是描述网络内部结构非常重要的一个参数.最短路径刻画了网络中某一节点的信息到达另一节点的最优路径,通过最短路径可以更快地传输信息,从而节省系统资源.两个节点i,j之间边数最少的一条通路称为此两点之间的最短路径,该通路所经过的边的数目即为节点i,j之间的最短路径长度,lij(图1(b)).网络最短路径长度L描述了网络中任意两个节点间的最短路径长度的平均值.
通常最短路径长度要在某一个连通图中进行运算,因为如果网络中存在不连通的节点会导致这两个节点间的最短路径长度值为无穷.因此有人提出了全局效率(globalefficiency)Eglob的概念.
最短路径长度和全局效率度量了网络的全局传输能力.最短路径长度越短,网络全局效率越高,则网络节点间传递信息的速率就越快.
中心度(centrality).中心度是一个用来刻画网络中节点作用和地位的统计指标,中心度最大的节点被认为是网络中的核心节点(hub).最常用的度中心度(degreecentrality)以节点度刻画其在网络中的中心程度,而介数中心度(betweennesscentrality)则从信息流的角度出发定义节点的中心程度.对于网络G中的任意一点i,其介数中心度的计算公式如下:
其中σjk是从节点j到节点k的所有最短路径的数量,σjk(i)是这些最短路径中通过节点i的数量.
“小世界”网络.研究表明,规则网络具有较高的集群系数和较长的最短路径长度,与此相反,随机网络拥有较低的集群系数和较短的最短路径长度.兼具高集群系数和最短路径长度的网络称为“小世界”网络.将随机网络作为基准,如果所研究网络相对于随机网络具有较大的集群系数和近似的最短路径长度,即γ=Creal/Crandom>>1,λ=Lreal/Lrandom~1(其中脚标random表示随机网络,real表示真实网络),则该网络属于“小世界”网络范畴.σ=γ/λ来衡量“小世界”特性,当σ>1时网络具有“小世界”属性,且σ越大网络的“小世界”属性越强.
概念:
小世界网络(small-worldnetwork)
无标度网络(scale-freenetwork)
随机网络(randomnetwork)
规则网络(regularnetwork)
无向网络(undirectednetwork)
加权网络(weightednetwork)
图论(Graphtheory)
邻接矩阵(adjacencymatrix)
结构性脑网络(structuralbrainnetworks或anatomicalbrainnetworks)
功能性脑网络(functionalbrainnetworks)
因效性脑网络(effectivebrainnetworks)
感兴趣脑区(regionofinterest,ROI)
血氧水平依赖(BOLD,bloodoxygenationleveldepended)
体素(voxel)
自发低频震荡(spontaneouslow-frequencyfluctuations,LFF)
默认功能网络(defaultmodenetwork,DMN)
大范围皮层网络(Large-scalecorticalnetwork)
效应连接(effectiveconnectivity)
网络分析工具箱(GraphAnalysisToolbox,GAT)
自动解剖模板(automaticanatomicaltemplate,AAL)
技术:
脑电图(electroencephalogram,EEG)
脑磁图(magnetoencephalogram,MEG)
功能磁共振成像(Functionalmagneticresonanceimaging,fMRI)
弥散张量成像(DiffusionTensorImaging,DTI)
弥散谱成像(diffusionspectrumimaging,DSI)
细胞结构量化映射(quantitativecytoarchitecturemapping)
正电子发射断层扫描(PET,positronemissontomography)
精神疾病:
老年痴呆症(Alzheimer’sdisease,AD)
癫痫(epilepsy)
精神分裂症(Schizophrenia)
抑郁症(majordepression)
单侧注意缺失(UnilateralNeglect)
轻度认知障碍(mildcognitiveimpairment,MCI)
正常对照组(normalcontrol,NC)
指标:
边(link,edge)
节点(vertex或node)
节点度(degree)
区域核心节点(provincialhub)
度分布(degreedistribution)
节点强度(nodestrength)
最短路径长度(shortestpathlength)
特征路径长度(characteristicpathlength)
聚类系数(clusteringcoefficient)
中心度(centrality)
度中心度(degreecentrality)
介数中心度(betweennesscentrality)
连接中枢点(connectorhub)
局部效率(localefficiency)
全局效率(globalefficiency)
相位同步(phasesynchronization)
连接密度(connectiondensity/cost)
方法:
互相关分析(cross-correlationanalysis)
因果关系分析(Causalityanalysis)
直接传递函数分析(DirectedTransferFunction,DTF)
部分定向相干分析(PartialDirectedCoherence,PDC)
多变量自回归建模(multivariateautoregressivemodel,MVAR)
独立成分分析(independentcomponentanalysis,ICA)
同步似然性(synchronizationlikelihood,SL)
结构方程建模(structuralequationmodeling,SEM)
动态因果建模(dynamiccausalmodeling,DCM)
心理生理交互作用模型(Psychophysiologicalinteractionmodel)
非度量多维定标(non-metricmultidimensionalscaling)
体素形态学(voxel-basedmorphometry,VBM)
统计参数映射(statisticalparametricmapping,SPM)
皮尔逊相关系数(Pearsoncorrelation)
偏相关系数(Partialcorrelation)
脑区:
楔前叶(precuneus)
后扣带回(posteriorcingulatedcortex,PCC)
腹侧前扣带回(ventralanteriorcingulatedcortex,vACC)
前额中分(medialprefrontalcortex,MPFC)
额叶眼动区(thefrontaleyefield,FEF)
副视区(thesupplementaryeyefield,SEF)
顶上小叶(thesuperiorparietallobule,SPL)
顶内沟(theintraparietalsulcus,IPS)