1.脑网络入门--认知神经科学系列文

脑网络的分析手段：MRI DTI fMRI EEG MEG

网络构成：节点、边

image.png
image.png image.png image.png 

脑网络分析指标：

image.png

网络划分：

大脑神经连接网络可分为结构性脑网络（structural/anatomical brain networks 由神经单元之间的解剖性连接构成，反应大脑生理结构）、功能性网络（描述网络各节点之间的统计性连接关系，为无向网络）、因效性网络（effective brain networks 描述网络各节点之间的相互影响或信息流向，为有向网络 是指也为功能性连接构成的网络，只不过其功能性连接为有向连接）。

涉及软件：（不全，仅为个人所用过的）

结构性网络：DSI_STUDIO FSL PANDA

功能性网络：DPARSF REST GRETNA

因效性网络：DYNAMIC_BC

主要理论：图论

度量指标：特征路径长度（characteristic path length）、聚类系数（clustering coefficient）、介数（betweenness centrality）

图论方法简述：

在脑网络研究领域，复杂脑网络研究也被成为基于图论分析的脑网络研究。在图论中，一个具体的网络可抽象为由点集和边集组成的图。边表示其连接的两个节点之间存在某种“关系”；

如果边是无向的，则称该网络是无向网络，反之则称为有向网络；如各个边有不同的权重，则称该网络为加权网络；若节点之间的边既有方向又有权重，则称网络为有向加权网络。

节点的度定义为与该节点连接的边的数目，有向网络中节点的度分为出度（该节点指向其他节点的边的数目）和入度（从其他节点指向该节点的边的数目）。加权网络中，与度对应的是节点强度，定义为与该节点相连的边的权重和。

特征路径长度、聚类系数、介数等测度被用来度量网络整体或局部特征。在无向无权网络中，节点间的距离被定义为两个节点间最短路径上边的数量。

网络特征路径长度定义为网络中任意两节点间的距离的平均值，用以刻画全局连接特征。当网络中存在非联通部分（如孤立点），其特征路径长度的值将为无穷大。为避免此问题，采用效率（定义为网络中所有节点的距离的调和平均的倒数）来刻画网络连接特征。效率值越大，表示信息或能量等在该网络上进行交换所需的代价越小。

聚类系数用于刻画网络局部连接特征。对于度为k的某节点，若与之相连的k个节点之间实际连接的边数为m，则聚类系数定义为与之相连的k个节点之间实际连接的边数与k个节点之间可能连接的边数之比（C=2m/[k(k-1)]）。整个网络的聚类系数定义为各个节点的聚类系数的均值，用以描述网络中节点之间的连接紧密程度。

网络各节点的重要性可用介数来刻画，通过一个节点（或边）的最短路径数成为该节点（或边）的介数。度或介数很高的节点成为中枢点。介数很高的节点（或边）通常对保持整个网络通讯的有效性很重要。而某个节点（或边）对网络的重要性可通过计算去掉该节点（或边）后的“受损”网络的效率来评估。（筛选重要节点的算法如：K-核 S-核）

复杂网络是指介于随机网络（小特征路径长度、小聚类系数）和规则网络（大特征长度、大聚类系数）之间的具有复杂拓扑特性的网络。

主要参考文献：

孙俊峰 洪祥飞 童善保 复杂脑网络研究进展——结构、功能、计算与应用 COMPLEX SYSTEMS AND COMPLEXITY SCIENCE 2010 12

（由于此篇算对脑网络的分析比较基础、全面的概述，且为中文版，故选其为模板整理）

摘录：

目前，复杂脑网络研究是脑科学领域的一个热点，同时也是复杂网络理论的一个重要分支。现有的基于脑电图、脑磁图、功能磁共振成像、弥散张量成像等脑成像技术的复杂脑网络研究已表明复杂网络理论在脑结构和脑功能分析方面是一个十分强大的工具，能揭示国王分析手段 所不能揭示的脑结构和脑功能的机制和特征。复杂脑网络的研究已广泛扩展到脑疾病研究、脑认知研究等各方面。

大脑神经连接网络可分为结构性脑网络（structural/anatomical brain networks 由神经单元之间的解剖性连接构成，反应大脑生理结构）、功能性网络（描述网络各节点之间的统计性连接关系，为无向网络）、因效性网络（effective brain networks 描述网络各节点之间的相互影响或信息流向，为有向网络 是指也为功能性连接构成的网络，只不过其功能性连接为有向连接）。结构性网络主要基于MRI和DTI等能反映闹生理结构的影像手段来研究，而功能性脑网络和因效性脑网络主要是基于EEG、MEG和fMRI等反映大脑功能的脑成像手段进行探索。虽然神经元之间的结构项连接也是有向的，但是这种连接的方向性目前还不能被现有的成像技术在活体大脑中检测出来。对应于脑网络，节点在不同尺度上可由神经元、局部场电位，以及感兴趣脑区等定义而成，而边可由神经元之间的电连接或化学连接，或各LFP之间以及ROI之间的相互关系（如相关性）等定义，这些连接或相互关系的强度即定义为连接边的权重。对于功能性网络，其特征路径长度或效率可以刻画大脑在进行任职等任务时能量及物质消耗是否“经济”。下图脑网络的主要研究内容及方法。

image.png

由上图可见，脑网络研究主要分为两种思路：

基于测量数据的研究及基于计算模型的研究。前者基于实验测量的反应大脑结构性连接数据（如MRI、DTI等）或反应大脑功能性连接的数据（如fMRI EEG EMG等）计算预先定义的各脑区或节点的连接关系，然后构建网络进行分析。后者基于特定的神经计算模型来进行研究，这些模型往往由互相耦合的振子构成，每个振子是一个具有若干个状态变量的微分方程组，该微分方程能表征一定的神经元或神经元集群的动力学行为，振子之间的耦合关系可以复制为满足某种概率分布的随机变量，也可以由大脑结构性连接来确定。这两种思路分别被用来研究大脑的各种功能和疾病：大脑的发育与老化、大脑的认知机制、精神性或神经性疾病的网络机制及应用等。

来源：
1.百度文库https://wenku.baidu.com/view/b86019c1d0d233d4b04e693b.html
2.slideserve https://www.slideserve.com/darius/4794319