節點度(degree)、度分布(degree distribution). 度是對節點互相連接統計特性最重要的描述, 也反映重要的網絡演化特性. 度 k 定義為與節點直接相連的邊數. 節點的度越大則該節點的連接就越多, 節點在網絡中的地位也就越重要. 度分布 P(k)是網絡最基本的一個拓撲性質, 它表示在網絡中等概率隨機選取的節點度值正好為 k 的概率, 實際分析中一般用網絡中度值為 k 的節點占總節點數的比例近似表示. 擁有不同度分布形式的網絡在面對網絡攻擊時會表現出截然不同的網絡行為.
集群系數(clustering coefficient).或稱聚類系數. 集群系數衡量的是網絡的集團化程度, 是度量網絡的另一個重要參數, 表示某一節點 i 的鄰居間互為鄰居的可能. 節點 i 的集群系數 Ci 的值等於該節點鄰居間實際連接的邊的數目(ei)與可能的最大連接邊數(ki(ki–1)/2)的比值(圖 1(a)), 即
網絡中所有節點集群系數的平均值為網絡的集群系數, 即
易知 0≤C≤1. 由於集群系數只考慮了鄰居節點間的直接連接, 后來有人提出局部效率(local efficiency) Eloc 的概念. 任意節點 i 的局部效率為
其中, Gi 指節點 i 的鄰居所構成的子圖, ljk 表示節點 j,k 之間的最短路徑長度(即邊數最少的一條通路). 網絡的局部效率為所有節點的局部效率的平均, 即
集群系數和局部效率度量了網絡的局部信息傳輸能力, 也在一定程度上反映了網絡防御隨機攻擊的能力.
最短路徑長度(shortest path length). 最短路徑對網絡的信息傳輸起着重要的作用, 是描述網絡內部結構非常重要的一個參數. 最短路徑刻畫了網絡中某一節點的信息到達另一節點的最優路徑,通過最短路徑可以更快地傳輸信息, 從而節省系統資源. 兩個節點 i,j 之間邊數最少的一條通路稱為此兩點之間的最短路徑, 該通路所經過的邊的數目即為節點 i,j 之間的最短路徑長度, lij (圖 1(b)). 網絡最短路徑長度 L 描述了網絡中任意兩個節點間的最短路徑長度的平均值.
通常最短路徑長度要在某一個連通圖中進行運算, 因為如果網絡中存在不連通的節點會導致這兩個節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絡的全局傳輸能力. 最短路徑長度越短, 網絡全局效率越高, 則網絡節點間傳遞信息的速率就越快.
中心度(centrality). 中心度是一個用來刻畫網絡中節點作用和地位的統計指標, 中心度最大的節點被認為是網絡中的核心節點(hub). 最常用的度中心度(degree centrality)以節點度刻畫其在網絡中的中心程度, 而介數中心度(betweenness centrality)則從信息流的角度出發定義節點的中心程度 . 對於網絡 G 中的任意一點 i, 其介數中心度的計算公式如下:
其中σjk 是從節點 j 到節點 k 的所有最短路徑的數量,σjk(i)是這些最短路徑中通過節點 i 的數量.
“小世界”網絡. 研究表明, 規則網絡具有較高的集群系數和較長的最短路徑長度, 與此相反,隨機網絡擁有較低的集群系數和較短的最短路徑長度. 兼具高集群系數和最短路徑長度的網絡稱為“小世界”網絡. 將隨機網絡作為基准,如果所研究網絡相對於隨機網絡具有較大的集群系數和近似的最短路徑長度, 即γ = Creal/Crandom>> 1, λ= Lreal/Lrandom ~ 1 (其中腳標 random 表示隨機網絡,real 表示真實網絡), 則該網絡屬於“小世界”網絡范疇. σ =γ /λ來衡量“小世界”特性, 當σ>1 時網絡具有“小世界”屬性, 且σ越大網絡的“小世界”屬性越強.
概念：
小世界網絡( small-world network)
無標度網絡( scale-free network)
隨機網絡( random network)
規則網絡( regular network)
無向網絡( undirected network)
加權網絡( weighted network)
圖論( Graph theory)
鄰接矩陣( adjacency matrix)
結構性腦網絡( structural brain networks 或 anatomical brain networks)
功能性腦網絡( functional brain networks)
因效性腦網絡( effective brain networks)
感興趣腦區( region of interest， ROI)
血氧水平依賴( BOLD，blood oxygenation level depended)
體素( voxel)
自發低頻震盪( spontaneous low-frequency fluctuations， LFF)
默認功能網絡( default mode network，DMN)
大范圍皮層網絡( Large-scale cortical network)
效應連接(effective connectivity)
網絡分析工具箱（Graph Analysis Toolbox，GAT）
自動解剖模板（automatic anatomical template，AAL）
技術：
腦電圖(electroencephalogram, EEG)
腦磁圖(magnetoencephalogram, MEG)
功能磁共振成像(Functional magnetic resonance imaging, fMRI)
彌散張量成像(Diffusion Tensor Imaging, DTI)
彌散譜成像( diffusion spectrum imaging ，DSI)
細胞結構量化映射 ( quantitative cytoarchitecture mapping)
正電子發射斷層掃描(PET, positron emisson tomography)
精神疾病：
老年痴呆症( Alzheimer’ s disease，AD)
癲癇( epilepsy)
精神分裂症( Schizophrenia)
抑郁症( major depression)
單側注意缺失( Unilateral Neglect)
輕度認知障礙（mild cognitive impairment, MCI）
正常對照組（normal control, NC）
指標：
邊( link，edge)
節點(vertex 或 node)
節點度(degree)
區域核心節點(provincial hub)
度分布(degree distribution)
節點強度( node strength)
最短路徑長度(shortest path length)
特征路徑長度( characteristic path length)
聚類系數( clustering coefficient)
中心度(centrality)
度中心度(degree centrality)
介數中心度( betweenness centrality)
連接中樞點( connector hub)
局部效率(local efficiency)
全局效率( global efficiency)
相位同步( phase synchronization)
連接密度(connection density/cost)
方法：
互相關分析( cross-correlation analysis)
因果關系分析( Causality analysis)
直接傳遞函數分析( Directed Transfer Function，DTF)
部分定向相干分析( Partial Directed Coherence，PDC)
多變量自回歸建模( multivariate autoregressive model，MVAR)
獨立成分分析( independent component analysis，ICA)
同步似然性(synchronization likelihood, SL)
結構方程建模(structural equation modeling, SEM)
動態因果建模(dynamic causal modeling, 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)
體素形態學(voxel-based morphometry, VBM)
統計參數映射（statistical parametric mapping，SPM）
皮爾遜相關系數（Pearson correlation）
偏相關系數（Partial correlation）
腦區：
楔前葉( precuneus)
后扣帶回( posterior cingulated cortex，PCC)
腹側前扣帶回( ventral anterior cingulated cortex， vACC)
前額中分( medial prefrontal cortex，MPFC)
額葉眼動區( the frontal eye field，FEF)
副視區( the supplementary eye field，SEF)
頂上小葉( the superior parietal lobule，SPL)
頂內溝( the intraparietal sulcus，IPS)