阈值与加权

得到 $N\times N$ 的相关矩阵后，很多图论指标要求一个二值网络，于是需要阈值化。这一步看起来是技术细节，实际上对结果影响极大：同一数据，不同阈值，得到的是不同的网络。

为什么要关心密度？因为几乎所有图论指标都随密度变化：密度越高，聚集系数越高、路径越短、效率越高。如果患者组整体 FC 偏弱，用绝对阈值时患者网络更稀疏，于是“效率降低”可能只是密度降低的副产品（van Wijk 等, 2010, PLoS ONE）。比例阈值消除了密度差异，但也有代价：当某组整体 FC 偏弱时，为了凑够同样的边数，会把更多接近噪声的弱连接纳入网络，反过来让该组网络看起来更“随机”（van den Heuvel 等, 2017, NeuroImage）。两种阈值偏差的量级估计见数学推导与算法。

实际研究中常见的折中方案：

• 扫描一段密度范围（如 5%–40%），在每个密度上计算指标，报告曲线或曲线下面积（AUC），而不是只挑一个阈值；
• 直接用加权网络，计算加权聚集系数、加权效率等，避免阈值（见加权脑网络指标与归一化）；
• 保证连通性：先保留最小生成树（MST），再按强度加边；
• 统计阈值：只保留在组水平显著不为零的边（需做多重比较校正），或对结构网络使用组一致性阈值；
• 负相关的处理：多数图论指标不直接支持负权，可以取绝对值、只看正相关、或分别分析正负网络，但必须说明选择。