模块与功能系统

静息态 FC 最稳健的组织特征之一，是皮层可以划分为少数几个大尺度功能系统（也称内在连接网络）：系统内部 FC 强，系统之间 FC 弱。它们是连接网络模块性（Sporns & Betzel, 2016, Annual Review of Psychology）在功能层面的体现，也是许多脑网络研究报告结果时的“坐标系”。

两套最常用的系统划分

Yeo 等（2011, J Neurophysiol）：对 1000 名被试的静息态数据做基于皮层表面配准的聚类，并在独立的样本中复制，得到 7 网络与 17 网络两种粒度的划分。7 网络通常命名为视觉、躯体运动、背侧注意、腹侧注意（突显）、边缘、额顶控制和默认模式网络。作者观察到，感觉运动皮层内 FC 沿着相邻的拓扑表征平滑变化，而联合皮层中网络边界常常突然切换，多个分布式网络在顶叶和前额叶相互交错。

Power 等（2011, Neuron）：先用任务激活的荟萃分析和静息态 FC 边界确定 264 个候选功能区，再在多个阈值下对这些节点构成的图做社团检测，得到与已知功能系统大体对应的子图（包括感觉运动、视觉、听觉、默认模式、额顶、扣带–岛盖、背侧与腹侧注意、突显、皮层下等），其中也有一些尚无明确功能身份的子图。作者还提出了去除可能来自邻近体素伪相关的体素级网络。

两种划分的一致性很高，但并非逐区相同；在边界区域（如岛叶、颞顶交界）分配常有差异。用系统标签解释结果时，应说明使用了哪一种划分。

从网络数据中检测模块

用自己的数据检测模块而不是直接套用已发表的系统标签时，以下几点值得注意（算法细节见社团结构与社区发现）：

1. 随机性与共识：Louvain、Leiden 等启发式算法每次运行可能给出不同划分，应多次运行后构建共识矩阵（两节点被分到同一模块的频率），再对共识矩阵聚类。
2. 分辨率：模块度有分辨率极限，可以引入分辨率参数 $\gamma$ 在多个尺度上扫描；脑网络的模块是层次化的，“正确的模块数”可能并不存在。
3. 负权：对带符号的 FC 矩阵，用非对称模块度 $Q^{*}$（Rubinov & Sporns, 2011）而不是简单丢弃负边。
4. 组水平与个体水平：组平均矩阵的模块往往比个体的更清晰，但会掩盖个体之间系统边界的差异（Gordon 等, 2017）。

节点角色：功能制图

确定模块后，可以用两个指标给每个节点分配“角色”（Guimerà & Amaral, 2005, Nature，最初用于代谢网络）：

Guimerà & Amaral 以 $z\ge 2.5$ 定义枢纽，再按 $P$ 把枢纽分为省内枢纽、连接枢纽与“交汇枢纽”（kinless hub），把非枢纽分为超外围、外围、非枢纽连接者等角色。在脑网络中，这一框架常用于区分“模块内的局部枢纽”和“模块之间的连接枢纽”。注意 $z\ge 2.5$ 等阈值来自大型网络的经验，在几十到几百个节点的脑网络中很少有节点满足，直接套用会得到“没有枢纽”的结论；通常更合理的是报告 $z$ 与 $P$ 的连续值或按百分位定义高值节点。