脑网络拓扑属性（二）

最新推荐文章于 2024-07-03 20:15:23 发布

原创

最新推荐文章于 2024-07-03 20:15:23 发布 · 1.4k 阅读

6 ·

CC 4.0 BY-SA版权

文章标签：

#聚类 #算法 #机器学习

文章探讨了Watts和Strogatz在研究网络结构时关注的两个关键指标——聚类系数和特征路径长度，解释了它们在网络中的作用。小世界网络结合了规则图的高聚类和随机图的短路径特点，具有高效的整合和分离能力。此外，文章提到了不同类型的中心性度量、模块化网络以及在相关性功能网络和结构协方差网络中的应用。

Watts and Strogatz 关注clustering coefficient & characteristic path length.
clustering coefficient 直接相连的两点，连向第3个点后，再连接其他点的概率。（可以理解为功能的隔离与专门化）
characteristic path length 任意两点连接的距离求和后平均。（评价网络整合）
规则图：长路径+高聚类，随机图：短路径+低聚类，小世界图：短路径+高聚类（节约成本）
在小世界网络中，短路径代表整合网络成一个整体，高聚类代表功能性节点的分隔。即，有多个功能区域而用很短的路径连接这些功能区域，因此小世界网络是整合的又是分离的。
一个短的characteristic path length 表示网络很整合，可以节省新陈代谢花费（bullmore and sporns, 2009）。
在相关性功能网络中，边的正值代表节点间的合作和整合，负值代表对抗和分隔。
结构协方差网络中，边的正值代表耦合生长，负值代表营养过程。

Centrality：
有degree centrality, betweenness, closeness, eigenvector centrality， delta centrality
degree centrality 只评价连接，不评价质量，例如节点J 具有很高的degree centrality，是因为它的邻接节点具有很多degree而不是它本身。
closeness和nodal efficiency差不多。delta centrality涉及到网络的鲁棒性。

path-based & degree-based & strength-based 都不适合用于correlation matrix, 只有fiber matrix可以用。
correlation matrix更注重模块化，module, 相同模块的节点连接强度更高。

core-periphery organization 可以寻找影响网络整合效应的关键cores