EEG功能连接的复杂层次拓扑

理解功能脑网络的复杂层次拓扑是功能连接研究的关键方面。此类主题因广泛使用的稀疏二值网络模型而模糊，这些模型与源自功能连接的完全加权网络有本质不同。我们引入两种技术以探查拓扑的层次复杂性。首先，一种测量层次复杂性的新度量；其次，一个加权复杂层次（WCH）模型。为彻底评估我们的技术，我们将稀疏二值网络原型推广为加权形式，并利用密度上的曲线探索脑网络的主要拓扑特征——整合性、规则性与模块性。通过控制我们模型的参数，发现最高复杂性出现在随机拓扑与严格的“基于类别”拓扑之间。此外，该模型在峰值性能处具有与EEG相滞网络同等的复杂性。层次复杂性在不同网络间获得的差异幅度和范围均大于先前常用复杂性度量，且我们的WCH模型在标准无标度与小世界模型的全密度范围内提供了宽泛得多的网络拓扑范围。我们的度量与模型提供了层次复杂性的严格刻画。重要的是，我们的框架展示了从一端“所有节点平等”的拓扑到另一端“严格基于类别”的拓扑之间出现的复杂性尺度。