空间导航是一个复杂的过程，涉及大脑中的分布式网络。我们的工作提出了一种使用FMRI数据对空间导航功能网络进行建模的综合方法。最优网络模型为理解网络中的大脑区域如何相互作用提供了新的见解。

网络模型还可以更好地捕捉健康和疾病行为的可变性。我们的方法也可以应用于研究或其他复杂的功能。例如，类似的程序可用于对语言和记忆的大脑网络进行建模。

首先，检查数据质量并排除缺少重新测试数据和头部运动过度的参与者。然后在 MATLAB 中打开图理论网络分析或 GRETNA 工具箱。点击“FC 矩阵构建”选项卡，选择功能数据集的路径以加载漂亮的文档。

执行管道选项中显示的步骤。接下来，要执行网络节点定义，请键入以下命令下载最新的 Neurosynth 数据库。然后从数据库生成新的数据集实例。

txt 并通过键入此命令向此数据添加要素。通过键入命令运行感兴趣术语（如导航）的元分析。接下来，通过从 FSL 键入此命令，通过合并元分析图谱和全脑宗包图集（如 AICHA 或 AAL）来定义感兴趣的聚类。

然后在 Python 中键入以下脚本以检查地图中每个区域的大小。之后，通过 FSL Maths 在 FSL 中将所有大脑区域集成到模板中。对于网络连通性估计，请单击 GRETNA 软件中的 FC 矩阵构造，然后单击静态相关。

将从网络节点定义中获得的节点上传为图谱，以计算每对区域的rs-fMRI信号的静态相关性，并将其转换为Fisher's Z分数。要获得具有管道选项中显示的步骤的正加权网络，请单击网络分析。然后将网络矩阵添加到大脑连接矩阵窗口中，并选择一个输出目录进行准备。

将小世界、全局效率、聚类系数、最短路径长度、度中心性和局部效率添加到 GRETNA 网络度量分析管道中。在矩阵符号中选择正数。在阈值方法中选择网络稀疏性，然后输入一组阈值序列。

选择加权网络类型。将随机网络号设置为 1， 000，然后单击运行。要确定网络中的最佳模块数，首先计算平均导航网络。

然后使用 MATLAB 中的函数 spectral cluster 将生成的平均网络分为 2、3、4 和 5 个模块。然后使用脚本对齐模块分区，procrustes_alignment。m，并计算在静息一和静息二中划分为同一模块的节点部分。

选择具有最高重复性的模块数量。要执行网络分析，请检查具有不同类型策略（如 NaviNet AICHA 和 NaviNet AAL）的两个网络之间这些网络指标的相似性。使用 MATLAB 中的函数 ICC 检查这些网络指标的测试重测可靠性。

在这项研究中，使用 AICHA 图谱确定了 27 个与空间导航相关的大脑区域。这些区域包括导航神经影像学研究中报道的内侧颞叶和顶叶区域。作为比较，AAL 地图集中的 20 个地区被纳入其中。

结果显示，两组之间有很大的重叠和相似的群落分布，包括两个网络中相似的腹侧和背侧模块。此外，除聚类系数外，六个指标中有五个指标显示出两个网络之间的显著相关性。几乎所有指标的相似性值都随着稀疏性阈值的增加而增加，这表明网络级分析可以反映稳定的个体差异，与节点定义选择无关，并且 0.30 到 0.40 的稀疏性阈值将在导航网络分析中产生更好的泛化性。

此外，对导航网络拓扑测量的其余重测信度的评估表明，大多数网络指标在AICHA中表现出一般到良好的可靠性，而AAL网络表现出相对较高的可靠性。此外，在FMRI数据预处理中包括全局信号回归可以带来高可靠性。这些结果表明，聚类系数和小世界是这些指标中最可靠的。

通过这种方法，研究人员可以研究功能特异性网络的发展轨迹。网络特性还为指导阿尔茨海默病等脑部疾病的早期识别提供了新的生物标志物。