简介：Brain Connectivity Toolbox（BCT）是一套面向神经科学与复杂网络研究的MATLAB工具箱，适合具备一定MATLAB基础、从事脑连接组学或网络分析的研究生与科研人员使用。它围绕大脑功能与结构连接，提供连接矩阵计算、网络属性统计、模块检测、随机网络生成及可视化等核心能力，可支撑fMRI、DTI等神经影像数据的处理需求。资源包共143个文件，以133个.m函数脚本和10个.mat数据文件为主，前者覆盖社区检测、零模型、生成模型等算法实现，后者便于直接加载示例数据，压缩包约943KB，体积轻便、便于随取随用。目前已有1749人学习下载，说明其在脑网络分析群体中具有较高认可度。借助这套工具，读者可快速搭建从连接矩阵构建到网络属性分析、再到模块识别与结果可视化的完整流程，为阿尔茨海默病、自闭症等神经精神疾病的脑网络异常研究提供可复用的分析脚本与算法参考。
1. 从一次脑网络分析翻车说起：BCT 到底解决什么问题
如果你做过脑影像、功能连接或者任何图论方向的科研，大概率听过 BCT 这个名字。全称 Brain Connectivity Toolbox，是一个用 MATLAB 写的复杂网络分析工具箱，专门处理节点和边构成的图结构数据。我第一次用它是在一个脑电功能连接项目里，当时手里有一份 64 通道的相干性矩阵，想算聚类系数、特征路径长度、模块度这些指标，自己手写循环跑了半小时还没出结果，后来换成 BCT 的函数，几秒钟就出来了。这个工具箱的核心价值在于：它把复杂网络领域几十年积累的度量方法，封装成了 MATLAB 函数，你只要把邻接矩阵喂进去，就能拿到节点级和全局级的网络指标。适合谁用？做神经影像、脑网络、基因调控网络、社交网络分析的科研人员和工程师，尤其是那些不想从零推导图论公式、只想快速拿到可靠结果的人。但要注意，BCT 不是万能的，它的函数签名和参数设计有很强的领域假设，用错了方向，结果会非常离谱。
2. BCT 的安装、目录结构与核心函数选型
2.1 获取与添加到 MATLAB 路径的正确姿势
BCT 不是一个需要编译的 mex 工具箱，它是一堆 .m 文件的集合。常见做法是从官方渠道下载压缩包，解压后得到一个类似BCT的文件夹，里面按功能分了子目录，比如centrality、clustering、modularity、similarity等。不要直接把整个文件夹拖进 MATLAB 当前目录就跑，那样路径管理会乱。我一般会把它放在一个固定的工具目录下，比如D:\matlab_tools\BCT，然后用addpath(genpath(...))把所有子目录加进去。
% 假设 BCT 解压在 D:\matlab_tools\BCT bct_path = 'D:\matlab_tools\BCT'; addpath(genpath(bct_path)); % 验证是否添加成功，检查一个典型函数是否存在 which charpath % 如果返回类似 D:\matlab_tools\BCT\...\charpath.m 就说明路径没问题逻辑说明：genpath会递归包含所有子文件夹，省得你一个个手动加。参数说明：bct_path换成你自己的实际路径，路径里尽量不要有中文和空格，MATLAB 对中文路径的支持时好时坏，这是血泪经验。验证那一步很关键，因为 BCT 里有些函数名和 MATLAB 自带工具箱重名，比如efficiency，如果不确认which的返回路径，你可能调用的根本不是 BCT 的版本。
2.2 邻接矩阵的格式要求与预处理检查
BCT 几乎所有函数都要求输入一个方阵，行和列代表节点，元素值代表边的权重或连接状态。对于二值网络，矩阵里只有 0 和 1；对于加权网络，元素是连续的连接强度。但这里有一个巨大的坑：BCT 默认的加权网络处理方式是基于距离还是基于强度，不同函数假设不一样。比如distance_wei函数，它期望输入的是连接强度，然后内部会转换成距离（通常是取倒数），而charpath又期望输入的是距离矩阵。如果你把强度矩阵直接丢给charpath，算出来的路径长度会完全错误。
% 假设 W 是 64x64 的功能连接强度矩阵，对角线为 0 W = abs(randn(64)); W = (W + W') / 2; % 对称化 W(1:65:end) = 0; % 对角线置零 % 检查是否有负值，BCT 大多数函数不接受负权重 if any(W(:) < 0) warning('存在负权重，需要先处理'); end % 对于加权网络，通常先转成距离矩阵再算路径长度 D = distance_wei(W); % 内部会做 1/W 的处理，注意 Inf 的处理 % 如果 W 中有 0，distance_wei 会产生 Inf，这是正常的，表示无连接逻辑说明：distance_wei是 BCT 里加权距离转换的标准入口，它会处理零元素并返回 Inf。参数说明：输入矩阵必须是非负的，对角线通常置零。如果你的连接矩阵里有负值（比如某些偏相关结果），要么取绝对值，要么先做阈值化，否则后续很多函数会报错或者给出无意义的结果。这一步检查花不了几秒钟，但能避免后面几个小时的调试。
2.3 二值化还是加权：阈值选择的实际影响
这是 BCT 使用中最关键的决策之一。二值网络计算简单，很多指标有明确的零模型对照，但会丢失连接强度的信息。加权网络保留了强度，但指标的解释更复杂，而且对噪声更敏感。我一般会先看数据质量：如果连接矩阵的信噪比不高，或者样本量小，优先做二值化，选一个稀疏度（比如 10% 到 20%）来保留最强的边。如果数据质量好，而且你关心的是连接强度的差异，那就用加权。
% 二值化示例：按稀疏度阈值保留最强的 15% 的边 n = size(W, 1); sparsity = 0.15; threshold = prctile(W(:), 100 * (1 - sparsity)); W_bin = double(W > threshold); W_bin = (W_bin + W_bin') > 0; % 确保对称 W_bin(1:n+1:end) = 0; % 检查二值化后的边密度 density = sum(W_bin(:)) / (n * (n - 1)); fprintf('实际边密度: %.4f\n', density);逻辑说明：prctile取的是所有元素的分位数，但注意对角线上的零会拉低分位数，所以更稳妥的做法是只对非对角线元素取分位数。参数说明：sparsity是你要保留的边的比例，常见范围 0.1 到 0.3。实际边密度那一步是验证，因为对称化操作可能会让实际密度略高于设定值。如果密度偏差太大，说明你的阈值选得有问题，或者矩阵本身不对称。
3. 用 BCT 计算网络指标的完整流程与参数调优
3.1 全局指标：聚类系数、路径长度与效率
全局指标是描述整个网络拓扑的标量。最常用的三个是聚类系数（Clustering Coefficient）、特征路径长度（Characteristic Path Length）和全局效率（Global Efficiency）。聚类系数衡量网络的局部聚集程度，路径长度衡量信息传递的平均步数，效率则是路径长度的倒数形式，对不连通网络更鲁棒。
% 假设 W_bin 是二值邻接矩阵，D 是距离矩阵 C = clustering_coef_bu(W_bin); % 二值无向聚类系数，返回每个节点的值 C_global = mean(C); % 全局聚类系数取平均 % 路径长度和效率 L = charpath(D); % 特征路径长度，注意输入是距离矩阵 E_global = efficiency_wei(W_bin); % 全局效率，输入是二值或加权连接矩阵 fprintf('全局聚类系数: %.4f\n', C_global); fprintf('特征路径长度: %.4f\n', L); fprintf('全局效率: %.4f\n', E_global);逻辑说明：clustering_coef_bu的bu后缀表示 binary undirected，BCT 的函数命名有规律，b是二值，w是加权，u是无向，d是有向。参数说明：charpath的输入必须是距离矩阵，如果你只有二值矩阵，可以用distance_bin转换。efficiency_wei虽然名字带 wei，但二值矩阵也能用，它会自动处理。注意charpath还有一个可选参数diag，默认是'include'，但通常你应该设为'exclude'来忽略对角线。
3.2 节点级指标：度、介数中心性与节点效率
节点级指标告诉你每个节点在网络中的重要性。度（Degree）是最简单的，就是节点的连接数。介数中心性（Betweenness Centrality）衡量节点作为“桥梁”的程度，但计算量大，节点多了会很慢。节点效率（Nodal Efficiency）是节点到其他所有节点平均距离的倒数，比介数中心性快很多，适合大网络。
% 节点度 deg = degrees_und(W_bin); % 介数中心性，注意这个函数可能很慢 % 对于 64 节点还行，上千节点就要考虑近似算法 bc = betweenness_wei(D); % 输入距离矩阵 % 节点效率 nodal_eff = efficiency_wei(W_bin, 1); % 第二个参数 1 表示返回节点级 fprintf('平均节点度: %.2f\n', mean(deg)); fprintf('介数中心性最大值: %.4f\n', max(bc)); fprintf('节点效率均值: %.4f\n', mean(nodal_eff));逻辑说明：degrees_und直接返回每个节点的度。betweenness_wei的输入是距离矩阵，它内部用的是加权最短路径。参数说明：efficiency_wei的第二个参数设为 1 时返回节点级效率，设为 0 或不设时返回全局效率。介数中心性在加权网络上的计算复杂度是 O(n^3)，64 节点大概几秒，256 节点可能就要几分钟，上千节点基本跑不动，这时候要么用二值网络，要么用采样近似。
3.3 模块度与社区检测：如何避免随机性陷阱
模块度（Modularity）衡量网络划分成社区的好坏。BCT 提供了modularity_und和community_louvain等函数。Louvain 算法是启发式的，每次运行结果可能略有不同，因为它有随机初始化的步骤。我一般会跑多次取模块度最大的那次，或者用 consensus 方法。
% Louvain 社区检测，跑 100 次取最优 n_runs = 100; Q_max = -Inf; ci_best = []; for i = 1:n_runs [ci, Q] = community_louvain(W_bin); if Q > Q_max Q_max = Q; ci_best = ci; end end fprintf('最优模块度: %.4f\n', Q_max); fprintf('社区数量: %d\n', max(ci_best));逻辑说明：community_louvain返回两个值，ci是每个节点的社区标签，Q是模块度。参数说明：循环次数n_runs根据网络大小定，64 节点跑 100 次很快，上千节点可能跑 20 次就够了。注意community_louvain还有一个可选参数gamma，默认是 1，增大 gamma 会倾向于更多的小社区，减小 gamma 会倾向于更少的大社区。这个参数没有绝对标准，通常要在 0.5 到 2 之间试。
4. 避坑指南：BCT 使用中最容易翻车的五个地方
4.1 距离矩阵和连接矩阵搞混
现象：算出来的路径长度是 0 或者特别小，或者charpath报错说矩阵有 Inf。原因：charpath期望输入距离矩阵，但你给的是连接强度矩阵。连接强度越大表示越“近”，而距离越大表示越“远”，两者语义相反。解决：用distance_wei或distance_bin先转换，转换后再检查一下矩阵里 Inf 的数量是否合理。
4.2 对角线没有置零
现象：聚类系数接近 1，或者模块度异常高。原因：邻接矩阵对角线上的自连接被当成了真实的边。解决：在预处理阶段就执行W(1:n+1:end) = 0，并且每次调用 BCT 函数前都确认一下对角线是零。这个错误极其常见，而且不容易从结果数值上直接看出来。
4.3 阈值选择导致网络不连通
现象：特征路径长度是 Inf，或者效率非常低。原因：二值化阈值太高，网络被切成了多个不连通的部分。解决：降低阈值，或者改用效率指标代替路径长度。也可以先检查网络的连通分量数量，用get_components函数。
% 检查连通性 [comps, comp_sizes] = get_components(W_bin); if length(comp_sizes) > 1 fprintf('网络不连通，有 %d 个连通分量\n', length(comp_sizes)); fprintf('最大分量包含 %d 个节点\n', max(comp_sizes)); end4.4 加权网络中的零值处理
现象：distance_wei产生大量 Inf，后续计算全乱。原因：连接矩阵中有很多零，取倒数后变成 Inf。解决：这是正常的，Inf 表示无连接。但如果 Inf 太多，说明网络太稀疏，要么降低阈值，要么改用二值网络。不要试图把零替换成一个小常数，那样会引入虚假的弱连接。
4.5 函数版本不一致导致的参数差异
现象：同样的代码在别人的机器上跑通了，在你这里报错说参数太多或太少。原因：BCT 有多个版本，不同版本的函数签名可能不同。解决：用which确认你调用的函数路径，用help查看当前版本的参数说明。不要盲目复制网上的代码，尤其是那些没有标注版本号的。
5. 进阶技巧：用零模型和重复采样让结果更可信
5.1 生成零模型网络做统计对照
BCT 里最被低估的功能是零模型生成。你算出来的聚类系数是 0.5，这个值算高还是算低？单看没有意义，必须和随机网络对比。BCT 提供了randmio_und和null_model_und_sign等函数，可以生成保持度分布不变的随机网络。
% 生成 100 个保持度分布的随机网络 n_rand = 100; C_rand = zeros(n_rand, 1); L_rand = zeros(n_rand, 1); for i = 1:n_rand W_rand = randmio_und(W_bin, 10); % 第二个参数是交换次数 C_rand(i) = mean(clustering_coef_bu(W_rand)); D_rand = distance_bin(W_rand); L_rand(i) = charpath(D_rand); end % 计算归一化指标 C_norm = C_global / mean(C_rand); L_norm = L / mean(L_rand); fprintf('归一化聚类系数: %.4f\n', C_norm); fprintf('归一化路径长度: %.4f\n', L_norm);逻辑说明：randmio_und通过随机交换边来生成零模型，第二个参数控制交换次数，通常设为边数的 10 到 20 倍。参数说明：C_norm大于 1 表示网络比随机网络更聚集，L_norm接近 1 表示路径长度和随机网络差不多。小世界网络的特征就是C_norm >> 1且L_norm ≈ 1。
5.2 用自助法评估指标的稳定性
如果你的样本量不大，或者想报告指标的置信区间，可以用自助法（Bootstrap）。做法是从原始数据中有放回地重采样，每次重采样后重新计算网络指标，重复几百次后看分布。
n_boot = 500; C_boot = zeros(n_boot, 1); n_nodes = size(W, 1); for i = 1:n_boot % 对节点进行重采样，这里假设节点是可交换的 idx = randsample(n_nodes, n_nodes, true); W_boot = W(idx, idx); W_boot_bin = double(W_boot > threshold); W_boot_bin = (W_boot_bin + W_boot_bin') > 0; W_boot_bin(1:n_nodes+1:end) = 0; C_boot(i) = mean(clustering_coef_bu(W_boot_bin)); end ci = prctile(C_boot, [2.5, 97.5]); fprintf('聚类系数 95%% 置信区间: [%.4f, %.4f]\n', ci(1), ci(2));逻辑说明：randsample做有放回抽样，idx是抽样后的节点索引。参数说明：n_boot一般 500 到 1000 次，再多提升有限。注意这种对节点的重采样假设节点之间是可交换的，如果你的网络有明确的空间或功能分组，更合理的做法是分组重采样。这个技巧在写论文时特别有用，审稿人经常会问指标的稳定性，有了置信区间就好回答多了。
我自己用 BCT 这些年，最大的教训就是：不要把它当成黑匣子，每一步的输入输出格式都要亲自验证。尤其是距离矩阵和连接矩阵的转换，以及对角线置零这两件事，我见过太多人在这上面翻车。另一个习惯是，每次跑完一批数据，先拿一个已知结果的小网络（比如 5 个节点的简单图）测试一下函数调用是否正确，确认无误再跑大批量数据。这个习惯帮我省下了无数次的后悔药。希望帮到你。
本文还有配套的精品资源，点击获取
