基于Fast Newman二值算法的加權(quán)腦網(wǎng)絡(luò)模塊化算法

　　針對二值人腦結(jié)構(gòu)網(wǎng)絡(luò)的模塊化方法不足以反映復雜的人腦生理特征這一問題，提出一種基于Fast　Newman二值算法的加權(quán)腦網(wǎng)絡(luò)模塊化算法。該算法以凝聚節(jié)點的層次聚類思想為基礎(chǔ)，以腦網(wǎng)絡(luò)中單個腦區(qū)節(jié)點的權(quán)重值和腦網(wǎng)絡(luò)總權(quán)重值為主要依據(jù)構(gòu)建加權(quán)模塊度評價指標，并將其增量作為度量值來確定加權(quán)腦網(wǎng)絡(luò)中節(jié)點的合并從而實現(xiàn)模塊劃分。將該算法應(yīng)用于60個健康人的組平均數(shù)據(jù)中的實驗結(jié)果顯示，與二值人腦網(wǎng)絡(luò)模塊化結(jié)果相對比，所提算法得到的模塊度提高了28%，并且模塊內(nèi)部和模塊外部的特征區(qū)分更加明顯，所得到的人腦模塊也更符合已知的人腦生理特性；而與現(xiàn)有的兩種加權(quán)模塊化算法實驗對比結(jié)果表明，所提算法在合理劃分人腦網(wǎng)絡(luò)模塊結(jié)構(gòu)的同時也小幅提高了模塊度。
?