functional connectivity(FC)分析方法
seed-based analysis
本质上seed-based analysis是一种model-based的方法。
自定义seed/region of interest（ROI），以自定义点为准在整个大脑找出与之线性相关的区域。
- 优点：解释力较强，简单易懂。
- 不足：由于ROIs的设定完全依赖于做分析的人，难以看出整个大脑的FC
independent component analysis (ICA)
相较于seed-based analysis是有model作为依据，ICA是属于data-driven的分析方式。
**group-level分析:dual regression（双回归）(没大明白，fMRI书详细解释 p380)**
1. group分析，确认能够明确group共有的成分
2. 由group数据得出每个被试，各成分（空间）的时间变动
3. 以时间变动对元数据进行回归分析，求得变动对各voxel的影响
由此分析可以得出每个被试的统计值map，可以用于进行组间分析等。
- 优点：数据驱动型分析，既可以分析组间对比，也可以分析组内其他因素状态下的对比
- 不足：分析手法需要一定经验
graph theory analysis
用于构建人脑复杂网络功能的数学模型，在rs-fMRI的研究中，主要解释nodes和edges
- nodes：节点
- edges：nodes之间的有意结合（？）
主要数据结果：
average path length：代表一个网络的整体交流效率
-
clustering coefficient：examines the local interconnection ability of the network. a，b的比例
a：the number of connections between the direct neighbours of node i
b：the maximum number of possible connections between the neighbours of node i.
degree of node: 越高就代表这个node在某特定网络的信息流中不可缺少
centrality measures：
the level of modularity
seed-based analysis所针对的是分析者设定的ROI与其相关区域之间的关联强度，graph theory则强调某一ROI在整个大脑或者在某特定功能的网络中的“空间”（topological）特性。主要体现于整体（integration）和分离（segregation）两方面。
- Integration
- global efficiency：global 层面一个网络传递信息的熟练程度
- average path length：连接两个nodes间edges的最短数量（？没大明白）
- Segregation
- local efficiency：the information flow in a local network
- clustering coefficient：degree to which nodes in a network tend to cluster together
- centrality：nodes在整个网络中的重要性
工具
- SPM
- DPARSF
- REST
- MELODIC tool of FSL
- CONN connectivity toolbox
networks
网络很乱，尤其是salience network，不知道到底是干啥的。
