1. 邊( link，edge) ，腦區(qū)間的功能連接

2. 節(jié)點(vertex 或 node) ?，腦區(qū)?

3. 節(jié)點度(degree)，度ki，直接連接在一個節(jié)點的邊的個數(shù)，節(jié)點的度越大則該節(jié)點的連接就越多, 節(jié)點在網(wǎng)絡中的地位也就越重要.?

4. 度分布(degree distribution)，度分布P(k)是網(wǎng)絡最基本的一個拓撲性質(zhì), 它表示在網(wǎng)絡中等概率隨機選取的節(jié)點度值正好為k 的概率, 實際分析中一般用網(wǎng)絡中度值為k 的節(jié)點占總節(jié)點數(shù)的比例近似表示.擁有不同度分布形式的網(wǎng)絡在面對網(wǎng)絡攻擊時會表現(xiàn)出截然不同的網(wǎng)絡行為。

5. 區(qū)域核心節(jié)點(provincial hub)? ?

6. 連接中樞點( connector hub)? ? ??

7. 中心度(centrality)?中間中心度bi(centrality).?一個節(jié)點對網(wǎng)絡中其他節(jié)點的信息流的影響。中心度是一個用來刻畫網(wǎng)絡中節(jié)點作用和地位的統(tǒng)計指標, 中心度最大的節(jié)點被認為是網(wǎng)絡中的核心節(jié)點(hub).

8. 度中心度(degree centrality)，最常用的度中心度以節(jié)點度刻畫其在網(wǎng)絡中的中心程度? ??

9. 介數(shù)中心度( betweenness centrality)，介數(shù)中心度(betweenness centrality)則從信息流的角度出發(fā)定義節(jié)點的中心程度.?介數(shù)中心性用來確定網(wǎng)絡中最中心的節(jié)點，即網(wǎng)絡中起橋梁作用的節(jié)點。hub腦區(qū)大多數(shù)位于接受多個腦區(qū)信息的聯(lián)絡皮層，比如豆狀核，海馬，顳中回，頂上回，額上回等。節(jié)點i 的介數(shù) Bi 定義為通過該節(jié)點的最短路徑的數(shù)目。歸一化介數(shù)可通過如下公式計算：

介數(shù)越大的節(jié)點代表網(wǎng)絡中越關(guān)鍵的節(jié)點（如 hub 節(jié)點），在該研究中我們定義網(wǎng)絡的hub 節(jié)點為 bi 大于 1.5 倍的所有節(jié)點的介數(shù)平均值。

對于網(wǎng)絡G 中的任意一點i, 其介數(shù)中心度的計算公式如下

其中σjk是從節(jié)點j 到節(jié)點k 的所有最短路徑的數(shù)量,σjk(i)是這些最短路徑中通過節(jié)點i 的數(shù)量

10. 節(jié)點強度( node strength) ，加權(quán)網(wǎng)絡中由于考慮了邊的權(quán)值，無權(quán)網(wǎng)絡中的度與度的分布特征在加權(quán)網(wǎng)絡中進一步推廣為強度與強度的分布。與節(jié)點度相比，節(jié)點強度不僅考慮了與節(jié)點連接的邊的數(shù)目，更進一步考慮了與節(jié)點連接的相應的邊的權(quán)值，能夠更加科學的衡量作者的局部網(wǎng)絡特征，在采用累積頻次加權(quán)的作者合作加權(quán)網(wǎng)絡中，節(jié)點強度是指作者與其合作對象的累積絕對合作頻次。

11. 最短路徑長度(shortest path length) ，最短路徑長度，(shortest path length).最短路徑對網(wǎng)絡的信息傳輸起著重要的作用, 是描述網(wǎng)絡內(nèi)部結(jié)構(gòu)非常重要的一個參數(shù). 最短路徑刻畫了網(wǎng)絡中某一節(jié)點的信息到達另一節(jié)點的最優(yōu)路徑,通過最短路徑可以更快地傳輸信息, 從而節(jié)省系統(tǒng)資源. 兩個節(jié)點i,j之間邊數(shù)最少的一條通路稱為此兩點之間的最短路徑, 該通路所經(jīng)過的邊的數(shù)目即為節(jié)點i,j之間的最短路徑長度, lij. 網(wǎng)絡最短路徑長度L 描述了網(wǎng)絡中任意兩個節(jié)點間的最短路徑長度的平均值

12. 特征路徑長度( characteristic path length) Lp，網(wǎng)絡整體路由效率的程度。對于特征路徑長度的計算，有斷鍵重連的標準小世界網(wǎng)絡方法和添加長鍵轉(zhuǎn)化小世界網(wǎng)絡方法。該指標衡量了網(wǎng)絡的信息并行處理的能力或全局效率（1/ Lp），特征路徑長度的增加說明了腦區(qū)之間的信息傳輸和交互效率降低。 一個網(wǎng)絡的特征路徑長度 Lp?，是網(wǎng)絡中任意兩節(jié)點的最短路徑的平均：

13. 聚類系數(shù)( clustering coefficient)，聚類系數(shù)Cp，網(wǎng)絡的聚類程度，集群系數(shù)衡量的是網(wǎng)絡的集團化程度,?是度量網(wǎng)絡的另一個重要參數(shù),?表示某一節(jié)點i?的鄰居間互為鄰居的可能.?節(jié)點i?的集群系數(shù)Ci的值等于該節(jié)點鄰居間實際連接的邊的數(shù)目(ei)與可能的最大連接邊數(shù)(ki(ki–1)/2)的比值。該指標衡量了網(wǎng)絡的局部聚集性或者信息傳輸?shù)木植啃省?/b>網(wǎng)絡中所有節(jié)點集群系數(shù)的平均值為網(wǎng)絡的集群系數(shù)。

If we get 0, it's something like a star, so node v has edges going out but none of its neighbor connect together; If we get 1, we will have a clique, so v is connected to its neighbors and all the neighbors are connected to each other.

14.局部效率(local efficiency)，局部效率Eloc，衡量如何高效的傳播信息通過節(jié)點的直接相鄰節(jié)點，由于集群系數(shù)只考慮了鄰居節(jié)點間的直接連接, 后來有人提出局部效率(local efficiency)Eloc的概念. 集群系數(shù)和局部效率度量了網(wǎng)絡的局部信息傳輸能力, 也在一定程度上反映了網(wǎng)絡防御隨機攻擊的能力。任意節(jié)點i 的局部效率為

Gi指節(jié)點i 的鄰居所構(gòu)成的子圖, ljk表示節(jié)點j,k之間的最短路徑長度(即邊數(shù)最少的一條通路).?

?該指標描述了網(wǎng)絡的容錯能力，表明當移除節(jié)點 i 后它直接相鄰的節(jié)點間的通信效率。

網(wǎng)絡的局部效率為所有節(jié)點的局部效率的平均值

15.全局效率( global efficiency)，全局效率 Eglob 描述了網(wǎng)絡對于信息并行處理的能力，定義為任意兩節(jié)點的最短路徑的調(diào)和平均值的倒數(shù)，全局效率Eglob，衡量如何有效的通過整個網(wǎng)絡傳播信息，通常最短路徑長度要在某一個連通圖中進行運算, 因為如果網(wǎng)絡中存在不連通的節(jié)點會導致這兩個節(jié)點間的最短路徑長度值為無窮. 因此有人提出了全局效率(global efficiency)Eglob的概念。最短路徑長度和全局效率度量了網(wǎng)絡的全局傳輸能力.?最短路徑長度越短, 網(wǎng)絡全局效率越高, 則網(wǎng)絡節(jié)點間傳遞信息的速率就越快. 全局效率的降低說明腦區(qū)之間的信息傳輸和交互效率降低。

16.外徑(Diameter),The longest of all the geodesics, and the geodesics is a shortest path between two nodes. If we are looking for the diameter of a network, we are really looking at all the shortest paths and then choosing the longest one.

17.平均最短路徑（Average path length）, It's calculated by finding the shortest path between all the nodes, adding them up, and then dividing by the total number of pairs. It will show us the number of steps on average it takes to get from one member to another in the network. For example, 721 million users with an average path length of just 4.74, in these network, we show that it is at once both global and local, it connects nodes which are far away but also has the dense local structure, and this is called the small world phenomena.

18.AAL模板,?AAL全稱是Anatomical Automatic Labeling，AAL分區(qū)是由?Montreal Neurological Institute (MNI)機構(gòu)提供的。AAL模板一共有116個區(qū)域，但只有90個屬于大腦，剩余26個屬于小腦結(jié)構(gòu)，研究的較少。

19.MNI空間，是Montreal Neurological Institute根據(jù)一系列正常人腦的磁共振圖像而建立的坐標系統(tǒng)。Native空間就是原始空間。圖像沒有做任何變換時就是在原始空間。在這個空間中圖像的維度、原點、voxel size等都是不同的，不同被試的圖像之間不具有可比性，計算出來的任何特征都不能進行統(tǒng)計分析，或是用于機器學習。所以必須對所有被試的圖像進行配準標準化到同一個模板上，這樣所有被試的維度、原點、voxel size就一樣了。使用MNI標準模板，就表示把圖像轉(zhuǎn)換至MNI空間了。一般而言MNI模板是最常用的，研究的比較多。標準空間的圖像也是指MNI空間的圖像。

20.Talairach空間，和MNI空間的坐標有對應的關(guān)系，很多軟件都提供這個功能，如Mricron、REST等。Talairach空間只要是為了判別當前坐標在什么結(jié)構(gòu)上，注意Talairach atlas and Talairach coordinates 就是Stereotaxic space.

21.全局網(wǎng)絡度Kp，節(jié)點 i 的連接度 Ki 定義為與該節(jié)點直接相連的邊的數(shù)目，高度連接的節(jié)點的度較大。該指標用來描述一個網(wǎng)絡的稀疏度。全局網(wǎng)絡的度Kp 為網(wǎng)絡中所有節(jié)點的度的平均：

22.小世界屬性，基于體素和基于腦區(qū)的研究都表明人腦功能網(wǎng)絡都具有高效的小世界屬性。For example, 721 million users with an average path length of just 4.74, in these network, we show that it is at once both global and local, it connects nodes which are far away but also has the dense local structure, and this is called the?small world phenomena. 小世界網(wǎng)絡( small-world network)?網(wǎng)絡的小世界屬性：高的聚類系數(shù)和短的特征路徑長度。小世界的拓撲結(jié)構(gòu)支持大腦信息處理的分化和整合功能，是一種經(jīng)濟型的結(jié)構(gòu)，支持高度復雜動態(tài)結(jié)構(gòu)的同時，使得配線代價最低。具有小世界屬性的動態(tài)系統(tǒng)通常有較好的抗攻擊性，而且表現(xiàn)出比較高的信息傳輸速度，計算能力和同步性。

? ??????????1） scale-free 網(wǎng)絡，其度分布滿足冪律分布： P(k) ~k^-α

????????????2）broad-scale 網(wǎng)絡，其度分布為快速截尾的冪律分布：P(k) ~ k^(α -1) · f?(?k?/?kc?)，具有這種分布的模型說明解剖網(wǎng)絡中包含一些重要的節(jié)點，但是又沒有過多的hub節(jié)點，以滿足進化和能量的優(yōu)化。與scale-free網(wǎng)絡相比，broad-scale網(wǎng)絡對隨機錯誤和目標攻擊具有更好的彈性。

????????????3） single-scale 網(wǎng)絡，其度分布為快速截尾分布：P(k) ~?f?(?k?/?kc?)?

23. 攻擊性，用來定量描述某個節(jié)點的失敗對網(wǎng)絡行為的影響。節(jié)點 i 的攻擊性Vi 定義為：當去掉節(jié)點 i 及其連接的邊后網(wǎng)絡全局效率的變化，可通過如下公式計算：

其中 Eglob’表示去掉節(jié)點 i 及其連接的邊后網(wǎng)絡的全局效率。攻擊性同介數(shù)中心性一樣也是反映了節(jié)點在網(wǎng)絡中的重要性。

24.節(jié)點效率ei，衡量一個節(jié)點與其他節(jié)點通信的效率

25.結(jié)構(gòu)性連接，

26.模塊化結(jié)構(gòu)，

27.結(jié)構(gòu)性腦網(wǎng)絡( structural brain networks 或anatomical brain networks)?

28.功能性腦網(wǎng)絡( functional brain networks)

29.因效性腦網(wǎng)絡( effective brain networks)?

30.無標度網(wǎng)絡( scale-free network)?

31.隨機網(wǎng)絡( random network)?

32.規(guī)則網(wǎng)絡( regular network)?

33.無向網(wǎng)絡( undirected network)

34.加權(quán)網(wǎng)絡( weighted network)

35.相位同步( phase synchronization)?

36.連接密度(connection density/cost)?

37.互相關(guān)分析( cross-correlation analysis)?

38.因果關(guān)系分析( Causality analysis)?

39.直接傳遞函數(shù)分析( Directed Transfer Function，DTF)?

40.部分定向相干分析( Partial Directed Coherence，PDC)?

多變量自回歸建模( multivariate autoregressivemodel，MVAR)?

獨立成分分析( independent component analysis，ICA)?

步似然性(synchronization likelihood, SL)?

結(jié)構(gòu)方程建模(structural equationmodeling, SEM)?

動態(tài)因果建模(dynamic causalmodeling, DCM)?

心理生理交互作用模型(Psychophysiological interaction model)?

非度量多維定標(non-metric multidimensional scaling)?

體素形態(tài)學(voxel-based morphometry,VBM)?

統(tǒng)計參數(shù)映射（statistical parametric mapping，SPM）?

皮爾遜相關(guān)系數(shù)（Pearson correlation）

偏相關(guān)系數(shù)（Partial correlation）?

腦功能連接，度量空間上分離的不同腦區(qū)間在時間上和相關(guān)性和功能活動的統(tǒng)計依賴關(guān)系，是描述腦區(qū)之間協(xié)同工作模式的有效手段。

方法學：（1）定義被試的節(jié)點的方法：AAL模板和自動配準；（2）定義邊：確定性的纖維跟蹤算法，HARDI,DSI,概率跟蹤算法；（3）二值網(wǎng)和加權(quán)網(wǎng)的選擇；

最大連通子圖大小，SOBCC（Size of Biggest Connected Component），代表網(wǎng)絡連通分量的大小。