导读:本文包含了脑网络分析论文开题报告文献综述及选题提纲参考文献，主要关键词:功能脑网络,EEG,视听整合,老龄化
脑网络分析论文文献综述
李佩珍[1]（2019）在《老年人视听整合的脑网络分析》一文中研究指出随着全球人口老龄化问题日益严重,年老化相关的认知功能研究也得到了更多的关注和重视。众所周知,多感觉整合参与到了人类生活、工作和学习的各个方面,且大量研究已经证明,多感觉整合可以增强人的认知加工过程。正常老化对多感觉整合的影响已经成为了最近几年较重要的大脑认知研究之一。由于人类的认知功能随年龄增长而逐步退化的情况无可避免,但却可以通过感官能力的补偿来弥补这种认知障碍,因此通过研究多感觉整合来探究老年人的认知过程对现如今老龄化问题而言意义重大。视听整合是一种典型的多感觉整合,以往对年老化相关的视听整合研究大多是基于ERP技术和行为学数据来探索老年人和年轻人的认知差异,因此尚未清楚老化引起的脑功能网络在完成认知任务时的拓扑变化。在本研究中,通过设计时间异步的视听整合实验任务,利用脑网络分析方法和机器学习SVM分类技术去发掘与年龄相关的功能连接和网络拓扑属性的变化,从而探索随着老化引起的认知下降和记忆力衰退时的脑机制。本研究主要工作如下:(1)数据采集实验记录了老年人和年轻人在时间异步的视听整合任务中的脑电信号(EEG)与行为学数据,并对行为学数据进行分析,发现老年人的峰值时间点在每个刺激条件下都比年轻人的高。(2)动态功能连接分析与传统基于整个时间序列构建脑网络并提取功能连接的方法不同的是,本研究在各个时间点上计算了加权脑网络的平均功能连接,以度量每个时间点上的全局加权网络连接强度。结果发现在theta频段的0-400ms和alpha频段的50-200ms的时间段表现出显着组间差异,且老年人和年轻人在AV和V50A条件诱导了更强的功能连接。(3)稳态脑网络分析本研究在可能发生视听整合的时间段内构建了稳态脑网络,并计算分析了其网络拓扑属性,结果发现对于theta和alpha频段,老年人在AV和V50A条件下表现出更高的全局和局部效率。同时在年轻人视听任务中发现网络属性和行为峰值时间点之间存在显着关联。(4)动态脑网络分析本研究基于脑活动在一段时间内具有时变性质的证据,在视听整合可能发生期间的时间段内构建了随时间窗滑动的动态脑网络,并计算分析了其网络拓扑属性,结果发现对于theta和alpha频段,老年人在各个刺激条件下都表现出更高的网络效率,且两组被试的网络效率随时间具有明显的动态变化。(5)SVM分类研究分别提取稳态脑网络以及动态脑网络的功能连接和网络属性作为分类特征,采用主成分分析PCA技术进行特征选择,利用SVM分类器对老年人大脑和年轻人大脑进行了分类。结果发现以动态脑网络的功能连接和网络属性作为分类特征时的分类准确率高。本研究通过研究老化过程中视听时间整合的脑网络拓扑结构的变化规律,发现在时间异步的视听整合任务期间,老年人在theta和alpha频段下激发出更高的功能连接性和网络效率,这可能是因为老年人在集中注意力和抑制分心刺激方面比年轻人更加困难,因此可能需要更高的认知需求完成整合。同时根据SVM分类结果可以发现动态脑网络的功能连接和网络属性可以更好地检测到与正常老化相关的认知能力衰退,这对揭示老化过程中潜在的生理和病理脑机制,以及对预防脑疾病,提高老年人的健康水平具有重要意义。(本文来源于《太原理工大学》期刊2019-06-01）
王润泽[2]（2019）在《基于格兰杰因果的精神分裂症患者因效性脑网络分析》一文中研究指出精神分裂症(schizophrenia)是一种严重的脑部疾病,它以思维过程和情感反应的解体为特征,临床表现症状复杂多样,涉及到感觉,思维,情感等多方面,影响人类的认知功能,并且不同的个体有不同的表现。由于精神分裂症存在各种症状和组合,因此对于其发病原因从过去到现在都一直存在着争论。由于精神分裂症的临床表现和个体间的差异,研究精神分裂症患者和正常人在大脑机制方面的不同具有重要的现实意义。在脑网络的研究中,功能性脑网络的研究处于领先地位,诞生了许多方法如偏相关,同步似然法等。然而功能性脑网络仅仅只能反映不同脑区之间是否存在作用关系,并不能反映脑网络中的信息流向,即功能性脑网络对应的是无向图。为了反映出脑网络中的信息流向,研究者们在功能性脑网络的基础上研究出了因效性脑网络。因效性脑网络本质上是一种特殊的功能性脑网络,它在数据预处理和节点定义上都与功能性脑网络相同,不同之处在于因效性脑网络可以反映出不同脑区之间的信息流向,使功能性脑网络的无向图变成了有向图。在因效性脑网络的研究中,格兰杰因果关系(Granger causality,GC)方法具有明显优势,它不受先验知识的影响,并且更强调时间顺序,因此因效性脑网络的研究多基于此方法。本文在前人研究的基础上,运用基于格兰杰因果关系的部分定向相干分析(Partial Directed Coherence,PDC),利用脑电EEG信号构建因效性脑网络,随后分析因效性脑网络的拓扑结构。本文完成的主要工作如下:第一,实验数据采用64导联静息态的EEG脑电图信号,对两组被试(精神分裂症患者和正常人)构建因效性脑网络。首先,对采集到的数据进行预处理,以去除干扰和伪迹;其次,格兰杰因果关系要求数据具有协方差平稳性,故要对数据进行协方差平稳性检测,对非协方差平稳的数据采用差分方法进行处理;然后,需要选择合适阶数的多变量自回归模型(multivariate autoregressive model,MVAR);再然后,采用基于格兰杰因果关系模型的部分定向相干分析法对各通道间的因果作用关系进行量化,生成因效性脑网络的邻接矩阵;最后,需要选择合适的阈值,将量化出的因果关系进行二值化处理,从而去掉一些不重要的连接边并且降低网络规模。第二,对建立的精神分裂症患者组和正常人组的因效性脑网络进行拓扑结构的分析,分别从全局属性和局部属性两方面内容对构建的因效性脑网络进行分析。在全局属性方面,通过分析在不同频段下两组被试因效性脑网络的平均聚类系数,平均路径长度和网络全局效率可知:两组被试在平均聚类系数和平均路径长度上正常人都高于精神分裂症患者,但是两组被试之间不存在显着性差异,而在网络全局效率上,正常人具有较高的网络全局效率,并且两组被试之间存在显着性差异。在局部属性上,分别分析了精神分裂患者和正常人因效性脑网络的度,度分布,介数,紧密度,局部效率,通过度,度分布,阶数,紧密度对节点间关系的分析后可知,精神分裂症患者在大脑的大脑右半球的额叶和颞叶处分布着网络的核心节点,而正常人则主要分布在大脑左半球的额叶、颞叶、和顶叶;通过对两组被试因效性脑网络的局部效率的分析,我们发现精神分裂症患者具有更高的网络局部效率。(本文来源于《太原理工大学》期刊2019-06-01）
史玉盼[3]（2019）在《多模态的视听脑网络分析及其脑机制研究》一文中研究指出随着神经科学的研究重点从大脑的某个区域转移到大脑的整个网络,统计推断的方法也逐渐面向网络分析。脑网络分析方法主要分为解剖连接,功能连接和效应连接叁种。其中效应连接可以反映一个脑区对于另一个脑区的影响,可以得出脑区之间的因果关系。高空间分辨率的功能性磁共振成像(Functional Magnetic Resonance Imaging,fMRI)和高时间分辨率的脑电图(Electroencephalogram,EEG)是非侵入式脑成像技术的主要手段。本文采用自适应定向传递函数(Adaptive Directed Transfer Function,ADTF)和动态因果模型(Dynamic Casual Model,DCM)方法对fMRI和EEG数据进行分析,研究注意在视听整合过程中的作用,进而探索其反映的认知机制。研究内容主要包括以下叁个方面:1.EEG数据分析:基于ADTF算法,对头表EEG数据构建时变网络并计算其网络属性。比较不同实验条件的网络属性随时间增加的变化规律并分析其脑机制。结果表明目标刺激出现后,外界信息传入大脑,大脑变得活跃,各节点之间的连接增多,信息传递速度加快。刺激出现一段时间后,大脑处于稳定状态,连接和信息传递速度相对稳定。2.fMRI数据分析:基于DCM算法,计算刺激间隔时间(Stimulus Onset Asynchrony,SOA)较长时,线索有效与线索无效的实验条件对注意和视听整合脑区之间信息流向的影响。结果表明线索无效时,信息从视听整合区域自下而上传入注意相关脑区。线索有效时,信息从注意相关脑区自上而下流入视听整合相关脑区。3.结合fMRI与EEG分析:将fMRI分析得到的精确坐标位置作为EEG数据分析的源空间。基于ADTF算法的方法,构建视觉,听觉,视听整合与注意相关脑区之间的时变网络。结果表明注意确实参与视听整合过程并且发生在视听整合之后。(本文来源于《重庆邮电大学》期刊2019-05-28）
和梦鑫,平亮亮,许秀峰[4]（2019）在《基于图论的复杂脑网络分析在精神疾病中的研究进展》一文中研究指出近年来基于图论的复杂脑网络分析,为精神疾病从全脑分析的角度提供了新的视角。根据其网络属性的改变获得相关疾病的潜在神经机制和可能的生物学标记。介绍复杂脑网络基本概念,并对精神疾病的研究结果进行综述。(本文来源于《昆明医科大学学报》期刊2019年05期）
崔晓红[5]（2019）在《无偏脑网络分析方法研究及其在阿尔茨海默症中的应用》一文中研究指出人脑是自然界中最复杂的系统之一,是由数以亿计的神经元所构成的复杂而庞大的网络,是进行信息处理和认知表达的生理基础。近年来,复杂网络理论被引入脑科学研究中,研究者将其表示为一个图,使用复杂网络和图论的知识从不同角度分析脑网络,并取得了长足发展,为人脑的研究提供新的方法和手段。但是,在脑网络的构建和分析中仍存在一些关键问题需要解决。首先目前基于阈值的脑网络构建方法受阈值选择的影响,使得网络的可比性下降,同时也使得分析结果出现不一致;其次,如何挖掘到最优的属性和结构特征识别脑网络,如何较准确的计算脑网络的相似度用于脑网络之间的聚类也是急需解决的问题。本文基于复杂网络理论和图论知识,探讨脑网络节点中心性的评价方法;针对阈值网络带来的分析结果偏差,探讨无偏脑网络的构建方法;在此基础上对复杂网络指标进行组间比较,以期发现疾病状态下脑网络各指标的变化规律,构建分类模型;此外,从社团结构的角度,分析组间存在的差异,并在此基础上测量脑网络之间的相似度,使用无监督学习方法,构建聚类模型。最后,将上述方法应用到阿尔茨海默症,分析阿尔茨海默症患者与正常对照组脑网络之间的差异,挖掘阿尔茨海默症诊断的影像学指标辅助临床诊断。本文主要创新工作包括:(1)提出一种基于度和k-core的节点中心性测量方法并用于阈值脑网络的分类复杂网络理论中,提供了许多节点中心性测量方法,但是这些方法从各自不同的,单一的角度来衡量节点中心性。研究发现,单一的测量方法不能准确的测量节点中心性。针对这个问题,本文提出将度和k-core中心性相结合用于测量脑网络的节点中心性,随后在阈值脑网络中计算每个节点的中心性,以中心性为特征,对阿尔茨海默症患者与正常对照组阈值脑网络进行分类。(2)提出无偏脑网络拓扑结构差异性分析方法,并构建分类模型为了避免传统阈值网络中阈值选择对网络结构的影响,本文引入最小生成树偏差校正方法构建了无偏脑网络,在此基础上分析网络拓扑结构存在的差异,利用核主成分分析方法捕获差异并构建阿尔茨海默症分类模型。(3)提出局部属性和拓扑结构特征相结合的无偏脑网络分类模型脑网络在属性和结构两种特征上均表现出显着的差异性,不同的特征提供不同的信息,考虑到多种特征可能反映了多种互补信息,因此,本文在无偏脑网络的基础上,提取其在局部属性和拓扑结构两方面的特征,利用合成核将两种不同的特征进行融合,并构建阿尔茨海默症分类模型。(4)提出一种脑网络相似性度量方法并构建聚类模型当训练数据被赋予正确的标签并且选择了最优特征时,分类性能通常很好。但是从大量的数据中提取和选择最优的特征是很费时的。此外,训练数据的标签主要依赖于临床医生的诊断,因此,临床医生将花费大量的时间和精力来标记数据。为了减少标记数据的工作量,本文提出一种利用余弦相似度和子网络核来度量脑网络相似度的方法,并使用谱聚类构建脑网络聚类模型识别阿尔茨海默症患者。(本文来源于《太原理工大学》期刊2019-05-01）
杨雄,姚蓉,杨鹏飞,王哲,李海芳[6]（2019）在《以脑电图子序列特征向量为节点的脑网络分析方法》一文中研究指出工作记忆复杂网络分析方法大多数是以通道作为节点从空间的角度进行分析,很少有从时间角度对通道网络进行分析。针对脑电图(EEG)的高时间分辨率特性及时间序列分段较难的缺陷,提出一种从时间角度构建网络并对网络进行分析的方法。首先,利用微状态将每个通道的EEG信号划分成不同的子段作为网络的节点;其次,在子段中提取并选择有效特征作为子段的特征,计算子段特征向量之间的相关性构建通道时间序列复杂网络;最后,对所构建网络的属性及相似性进行分析,并在精神分裂症患者EEG数据上进行验证。实验结果表明,通过所提方法对精神分裂症数据进行分析,能够充分利用EEG信号的时间特性从时间角度深入了解精神分裂症病人工作记忆中构建的时间序列通道网络的特点,解释了精神分裂症患者与正常人的显着性差异。(本文来源于《计算机应用》期刊2019年04期）
汪名权[7]（2018）在《基于表面的形态测量法和静息态脑网络分析的肝硬化患者磁共振成像研究》一文中研究指出研究背景乙型肝炎病毒(HBV)相关性肝硬化是肝病患者面临的主要临床问题之一。大约40%的HBV相关性肝硬化患者会表现出严重的并发症,比如脑神经功能减退。肝硬化相关的脑神经功能减退的临床症状包括肝性脑病、反应迟钝、皮质盲和注意力缺陷等。但是,肝硬化相关的脑神经功能减退的结构基础和病理生理机制仍不清楚。磁共振成像(MRI)已广泛应用于疾病相关脑变化的诊断和研究。基于结构MRI研究发现,肝硬化患者表现出广泛的肝硬化相关的脑形态学变化和神经解剖学异常,如肝硬化患者白质和灰质减少等。以往定量灰质组织的浓度是基于体素的形态测定法(VBM),而直接统计比较两个不同的参与者组时VBM在标准化中存在潜在的不准确性。使用非线性对齐皮质折迭模式的表面形态测量法(SBM)提供了参与者大脑的准确标准化,这在检查皮质形态时可能更有用。SBM通过测量皮质厚度、灰白质对比度(GWC)、表面积、皮质容积和皮质的显微结构特征和宏观结构组织,为揭示大脑改变机制和阐明肝硬化相关神经系统问题提供可能。以前的研究主要集中在肝硬化患者全脑变化观察,但对肝硬化患者特定脑功能区域特别是视觉相关脑区的异常知之甚少。小样本的相关文献报告,肝硬化患者的视觉相关脑区受到影响,患者可能会发生短暂失明。这种失明被认为可能是视皮层受到影响,是伴有肝性脑病的皮层性失明。虽然肝性脑病患者极少会出现失明症状,但有报道称无肝性脑病的肝硬化患者有视觉功能减弱的现象存在。但是肝硬化是如何影响视觉相关区域功能改变的病理生理学机制尚不清楚。脑网络分析方法可以为理解人类脑功能过程和研究脑改变中功能失调的脑结构提供一种新的途径。越来越多的证据表明,系统地研究不同的大脑网络可以提供新的视角来揭示大脑结构功能发生改变的机制。目前很少有人在MRI研究中使用脑网络分析方法来分析视觉相关区域的改变,这可能为系统地洞察视觉相关区域提供了一个视角,从而更全面地研究肝硬化患者脑功能的变化。因此,脑网络分析可能是下一步量化这些区域内疾病相关病理生理变化的有用方法。研究目的(1)研究一:研究肝硬化患者灰白质对比度(GWC)、厚度、表面积、皮质容积和皮质折迭的结构变化。(2)研究二:研究肝硬化患者视觉相关区域的神经生理改变。研究方法(1)研究一:收集18例乙型肝炎病毒(HBV)相关性肝硬化患者的3D T1加权磁共振成像(MRI)数据,无神经系统临床症状(CSHE)和18例健康对照(HC)。我们使用FreeSurfer评估了各组之间GWC,厚度,表面积,皮质容积和皮质折迭的变化,以及这些变化与患者组中血氨水平的关系。基于SBM研究,然后应用线性SVM分类器来区分患者和HC组。(2)研究二:从无神经系统临床症状的20名乙型肝炎病毒(HBV)相关性肝硬化患者和20名健康对照(HC)收集结构和功能磁共振图像(MRI)数据。进行基于体素的形态测量(VBM)分析和脑网络分析以检测脑结构和功能的异常。研究结果(1)研究一:与对照组相比,SBM分析显示肝硬化患者皮质地幔广泛区域的GWC显着增加,而其他SBM测量结果无显着差异。相关性分析显示血氨水平和左侧距状旁回的GWC之间存在显着相关性。利用来自重要区域的GWC值作为特征,线性SVM显示分类准确度为83.3%,灵敏度为88.9%。(2)研究二:肝硬化患者灰质(GM)减少最显着脑区主要是在视觉相关的大脑区域,包括双边舌脑回,左壳核,右侧梭状回,右距状回,其他显着灰质(GM)减少是分布于双侧海马区。基于针对视觉相关区域的结构调查,脑网络分析显示,与健康对照组相比,患者组中视觉相关区域(主要视觉网络(PVN),高视觉网络(HVN),视觉空间网络(VSN))内的脑网络之间的功能连接性降低。研究结论(1):肝硬化患者的GWC改变主要位于视力和运动相关区域,这可能反映了这些区域灰质和白质组织的微观结构变化。基于SVM分类,GWC可能有助于诊断并为可能出现的中枢神经系统损伤的肝硬化患者提供预防性干预。(2):无神经系统临床症状的肝硬化患者的视觉相关脑区的结构和功能受损明显。但是这些变化的病理生理学和临床相关性还未能确定。(本文来源于《安徽医科大学》期刊2018-09-28）
昝道广,梁肖裕,刘忠青,徐西彤,李晨辉[8]（2018）在《以机器学习为基础的脑网络分析方法分析》一文中研究指出脑网络分析方法是从整体上来研究大脑各个功能区的交互作用,能够帮助人类更加深入的了解大脑的功能和结构,另外对一些脑部疾病的诊断也有着重要的意义。机器学习是从实际的数据中学习发现规律,并且能预测未知的数据,是当前脑网络分析的主要方法,已经成为近年来的新的研究热点。本文介绍了近几年来以机器学习为基础的脑网络分析方法,主要着手从脑网络的构建方法、特征学习、分类预测这3个方面。(本文来源于《数码世界》期刊2018年06期）
张苗,汪胜佩,胡迪,康惠颖,何晖光[9]（2018）在《基于图论的戈谢病患儿静息态功能脑网络分析》一文中研究指出目的研究戈谢病(Gaucher disease,GD)患儿静息态功能网络拓扑属性的变化,并分析其与各临床参数之间的相关性。方法选择16例临床确诊为GD的患儿和16例性别、年龄相匹配的健康对照儿童。所有受试者均采集3D-T1结构数据及静息态脑功能数据,利用图论分析脑网络拓扑属性的变化,两组之间的比较采用双样本t检查,发生显着变化的拓扑属性与临床参数(年龄、发病年龄、病程、治疗时间)进行Pearson相关性分析。结果与健康对照组比较,GD患儿组的全局拓扑属性没有显着性变化;右侧额中回节点度显着性降低,右侧额中回、左侧额下回/眶额回、左侧顶上回/顶下回/楔前叶/角回节点效率显着性降低,这些脑区均位于执行控制网络;丢失2个核心节点,即楔前叶、左侧丘脑,新出现3个核心节点,即右侧角回/枕中回、右侧丘脑/尾状核/壳、右顶下小叶。这些脑区的拓扑属性与临床参数间未发现显着性相关。结论 GD患儿全局拓扑属性保持稳定,执行控制网络的部分脑区节点功能下降,部分核心节点发生自适应性再分布,该研究可为GD患儿脑功能损伤提供神经影像学证据。(本文来源于《首都医科大学学报》期刊2018年02期）
程超,党伟超,白尚旺,潘理虎,刘春霞[10]（2018）在《最小生成树脑网络分析及自闭症分类研究》一文中研究指出不同年龄的自闭症患者所表现出来的临床表征差异很大,但这些差异在影像学指标上却难以发现。为了解决这一问题,在静息态功能脑网络基础上,引入最小生成树分析方法,利用度、介数、离心率叁个节点指标,对不同年龄分组(儿童-青少年,青少年-成人)之间进行差异分析。进而,根据统计显着性差异提取分类特征,结合SVM分类算法,构建一个准确率较高的模型。结果表明,在两组(儿童-青少年,青少年-成人)对比分析中均得到显着性差异区域,分类准确率分别为80.38%和81.88%.该方法为自闭症不同年龄患者影像学分析及辅助诊断提供了新的方法和思路。(本文来源于《太原理工大学学报》期刊2018年03期）
脑网络分析论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
精神分裂症(schizophrenia)是一种严重的脑部疾病,它以思维过程和情感反应的解体为特征,临床表现症状复杂多样,涉及到感觉,思维,情感等多方面,影响人类的认知功能,并且不同的个体有不同的表现。由于精神分裂症存在各种症状和组合,因此对于其发病原因从过去到现在都一直存在着争论。由于精神分裂症的临床表现和个体间的差异,研究精神分裂症患者和正常人在大脑机制方面的不同具有重要的现实意义。在脑网络的研究中,功能性脑网络的研究处于领先地位,诞生了许多方法如偏相关,同步似然法等。然而功能性脑网络仅仅只能反映不同脑区之间是否存在作用关系,并不能反映脑网络中的信息流向,即功能性脑网络对应的是无向图。为了反映出脑网络中的信息流向,研究者们在功能性脑网络的基础上研究出了因效性脑网络。因效性脑网络本质上是一种特殊的功能性脑网络,它在数据预处理和节点定义上都与功能性脑网络相同,不同之处在于因效性脑网络可以反映出不同脑区之间的信息流向,使功能性脑网络的无向图变成了有向图。在因效性脑网络的研究中,格兰杰因果关系(Granger causality,GC)方法具有明显优势,它不受先验知识的影响,并且更强调时间顺序,因此因效性脑网络的研究多基于此方法。本文在前人研究的基础上,运用基于格兰杰因果关系的部分定向相干分析(Partial Directed Coherence,PDC),利用脑电EEG信号构建因效性脑网络,随后分析因效性脑网络的拓扑结构。本文完成的主要工作如下:第一,实验数据采用64导联静息态的EEG脑电图信号,对两组被试(精神分裂症患者和正常人)构建因效性脑网络。首先,对采集到的数据进行预处理,以去除干扰和伪迹;其次,格兰杰因果关系要求数据具有协方差平稳性,故要对数据进行协方差平稳性检测,对非协方差平稳的数据采用差分方法进行处理;然后,需要选择合适阶数的多变量自回归模型(multivariate autoregressive model,MVAR);再然后,采用基于格兰杰因果关系模型的部分定向相干分析法对各通道间的因果作用关系进行量化,生成因效性脑网络的邻接矩阵;最后,需要选择合适的阈值,将量化出的因果关系进行二值化处理,从而去掉一些不重要的连接边并且降低网络规模。第二,对建立的精神分裂症患者组和正常人组的因效性脑网络进行拓扑结构的分析,分别从全局属性和局部属性两方面内容对构建的因效性脑网络进行分析。在全局属性方面,通过分析在不同频段下两组被试因效性脑网络的平均聚类系数,平均路径长度和网络全局效率可知:两组被试在平均聚类系数和平均路径长度上正常人都高于精神分裂症患者,但是两组被试之间不存在显着性差异,而在网络全局效率上,正常人具有较高的网络全局效率,并且两组被试之间存在显着性差异。在局部属性上,分别分析了精神分裂患者和正常人因效性脑网络的度,度分布,介数,紧密度,局部效率,通过度,度分布,阶数,紧密度对节点间关系的分析后可知,精神分裂症患者在大脑的大脑右半球的额叶和颞叶处分布着网络的核心节点,而正常人则主要分布在大脑左半球的额叶、颞叶、和顶叶;通过对两组被试因效性脑网络的局部效率的分析,我们发现精神分裂症患者具有更高的网络局部效率。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
脑网络分析论文参考文献
[1].李佩珍.老年人视听整合的脑网络分析[D].太原理工大学.2019
[2].王润泽.基于格兰杰因果的精神分裂症患者因效性脑网络分析[D].太原理工大学.2019
[3].史玉盼.多模态的视听脑网络分析及其脑机制研究[D].重庆邮电大学.2019
[4].和梦鑫,平亮亮,许秀峰.基于图论的复杂脑网络分析在精神疾病中的研究进展[J].昆明医科大学学报.2019
[5].崔晓红.无偏脑网络分析方法研究及其在阿尔茨海默症中的应用[D].太原理工大学.2019
[6].杨雄,姚蓉,杨鹏飞,王哲,李海芳.以脑电图子序列特征向量为节点的脑网络分析方法[J].计算机应用.2019
[7].汪名权.基于表面的形态测量法和静息态脑网络分析的肝硬化患者磁共振成像研究[D].安徽医科大学.2018
[8].昝道广,梁肖裕,刘忠青,徐西彤,李晨辉.以机器学习为基础的脑网络分析方法分析[J].数码世界.2018
[9].张苗,汪胜佩,胡迪,康惠颖,何晖光.基于图论的戈谢病患儿静息态功能脑网络分析[J].首都医科大学学报.2018
[10].程超,党伟超,白尚旺,潘理虎,刘春霞.最小生成树脑网络分析及自闭症分类研究[J].太原理工大学学报.2018