1.一种基于模体结构的大脑默认网络有向连接分析方法，包括以下步骤：(1)将采集到的fMRI数据进行读取和格式转换，再进行预处理(包括：时间校正、头动校正、空间配准、标准化和平滑等)，最后进行低频滤波，降低低频漂移及高频噪音。

(2)选定一种标准分区模板(如：AAL分区模板、CH2分区模板等)将大脑划分为若干脑区，每个脑区对应脑功能网络中的一个节点，并且与预处理后的fMRI进行匹配。

(3)对预处理后的fMRI数据进行ALFF计算，将去除线性漂移后的时间序列经过带通滤波器进行滤波，滤波后经快速傅里叶变换后得到功率谱，功率谱平均平方根即为ALFF。

(4)提取默认网络相关脑区的时间序列进行Granger因果分析。若一个时间序列可以通过线性模型由另一个时间序列的当前值和过去值来预测，则认为这两个时间序列构成了因果关系。在默认网络中，若节点X和节点Y的时间序列分别为xt和yt，两个变量的时域回归模型表示为：

由式(1)、式(2)可知，可由节点X或Y过去的状态分别预估X或Y的t时刻状态。考虑变量之间的相互联系，节点X和Y有如下回归模型：

式中，D(a2t)＝U2，D(b2t)＝V2为误差项的方差。

将Y对X的作用以及X对Y的作用分别定义为：

F1＝ln(U1/U2)       (5) F2＝ln(V1/V2)       (6) 经过Granger因果分析，得到所选取节点的有向连接关系。

(5)搜索默认网络中存在的模体结构。对于不同节点数的子图g，若该子图在随机网络中出现的次数高于在实际大脑默认网络中出现的次数的概率即为p值，通常p值为小于0.01的值。若子图g的p值小于0.01，且在实际默认网络中出现的次数高于在随机网络中出现的次数，则可认为该子图是选取脑区构建的默认网络的模体，相反则不是默认网络的模体。

(6)计算模体在实际大脑默认网络中出现的频率。对于有n个节点的子图g，在实际默认网络中出现的次数为n(g)，所有具有n节点的子图出现的总次数为N，则子图g出现的频率为：

(7)计算默认网络中出现的模体的Z得分，分析模体在网络中的重要性。对于模体Mi，在真实网络中出现的次数为Nreali，在随机网络中出现的次数为Nrandi，Nrandi的平均值记为＜Nrandi＞，标准差为σrandi，则模体Mi在真实网络中的Z得分为：

Z得分越大，表示该模体在默认网络中越重要。

(8)利用节点度确定模体中节点的作用程度。节点度可分为节点出度和入度，研究模体中节点的出度、入度，了解相关默认脑区在网络中的有向连接强度。若网络G中有n个节点，节点vi的度为wi，则节点vi的出度、入度分别为 和 则有：

节点的度越大，表明该节点在默认网络中的作用程度越大；若节点只有出度或入度，表明该节点在网络中的连接强度相对较弱。

(9)计算模体中节点的距离，分析信息在模体和默认网络中的信息传递速率。定义模体中节点vi到vj的距离dij为节点vi到vj所要经历的边的最小数目，它的倒数1/dij为节点vi到vj的效率，记为εij。模体的效率Lc定义为：

模体中节点的距离越大，则节点间的效率越小，模体结构的效率就越低。

(10)对患者组与正常人组的fMRI数据进行统计分析，通过模体分布情况找出默认网络有向连接的显著差异。

①单样本t检验

式中， 为脑区时间序列X的均值，S为标准差，为总体脑区时间序列的均值。

针对每一组被试者ALFF处理的结果，分析哪些脑区显著高于大脑均值，若相关默认脑区显著高于其它脑区，表明这些脑区静息态时在网络中的有向连接强度较大。

②两独立样本t检验

式中， 分别为患者和正常人默认脑区时间序列的均值，Sx2、Sy2为二者的均方差。

针对两组不同的被试者(如脑疾病患者与正常人)，分析二者脑区间的有向连接是否有显著差异。对于相同默认脑区，若患者显著高于正常人的值，则表明患者该部分的有向连接强度较大，相反则有向连接强度较小。