基于小世界网络分析的小球类专项学生运动员脑网络可塑性变化研究

发布时间：2021-09-08 07:04

　　目的:基于小世界分析方法,探测小球类专项学生运动员大脑的结构网络及功能网络的可塑性变化。方法:收集小球类专项学生运动员和与之匹配的普通被试作为对照组,采集静息态,3DT1及DTI磁共振数据。首先根据DTI纤维追踪结果构建结构网络,根据功能连接构建功能网络。进一步计算不同稀疏度下的结构及功能网络的网络属性。结果:通过计算其网络属性发现,小球类专项学生运动员与普通被试的结构及功能网络都具有小世界特性。小球类专项学生运动员组的结构网络及功能网络的聚类系数和局部效率比对照组高,在部分稀疏度下存在明显差异。其中,结构和功能网络的全局聚类系数显著相关。结论:小球类专项学生运动员大脑的结构网络及功能网络的聚类系数和局部效率比普通被试高,且结构和功能网络的全局聚类系数显著协变,说明小球类专项学生运动员的脑连接比普通被试多,脑区之间通信更加迅速有效,信息容错能力更强,且小球类专项学生运动员的脑结构、功能网络具有一致的可塑性变化。 

【文章来源】：中国体育科技. 2020,56(06)北大核心CSSCI

【文章页数】：6 页

【部分图文】：

功能网络聚类系数以及局部效率随稀疏度变化图

杨成波，等：基于小世界网络分析的小球类专项学生运动员脑网络可塑性变化研究3讨论小世界网络兼具规则网络的高聚类系数和随机网络的低特征路径长度的特点，是一种稀疏且高效的网络。小世界网络与随机网络相比，具有较大的全局聚类系数和较短的平均路径长度；与规则网络相比，具有较短的特征路径长度（Wattsetal.，1998）。一般将标准化后的聚类系数和特征路径长度的比值σ作为衡量一个网络是否为小世界网络的标准。若σ趋于1，则该网络为小世界网络图4功能网络聚类系数以及局部效率随稀疏度变化图Figure4.TheClusteringCoefficientandLocalEfficiencyofFunctionalNetworkwithDifferentSparsity注：*表示在该阈值下，学生运动员组和对照组的网路属性存在显著差异，下同。图1结构网络小世界属性随稀疏度变化图Figure1.TheSmall-worldPropertyofStructuralNetworkwithDifferentSparsity图2功能网络小世界属性随稀疏度变化图Figure2.TheSmall-worldPropertyofFunctionalNetworkwithDifferentSparsity图3结构网络聚类系数以及局部效率随稀疏度变化图Figure3.TheClusteringCoefficientandLocalEfficiencyofStructuralNetworkwithDifferentSparsity59

杨成波，等：基于小世界网络分析的小球类专项学生运动员脑网络可塑性变化研究3讨论小世界网络兼具规则网络的高聚类系数和随机网络的低特征路径长度的特点，是一种稀疏且高效的网络。小世界网络与随机网络相比，具有较大的全局聚类系数和较短的平均路径长度；与规则网络相比，具有较短的特征路径长度（Wattsetal.，1998）。一般将标准化后的聚类系数和特征路径长度的比值σ作为衡量一个网络是否为小世界网络的标准。若σ趋于1，则该网络为小世界网络图4功能网络聚类系数以及局部效率随稀疏度变化图Figure4.TheClusteringCoefficientandLocalEfficiencyofFunctionalNetworkwithDifferentSparsity注：*表示在该阈值下，学生运动员组和对照组的网路属性存在显著差异，下同。图1结构网络小世界属性随稀疏度变化图Figure1.TheSmall-worldPropertyofStructuralNetworkwithDifferentSparsity图2功能网络小世界属性随稀疏度变化图Figure2.TheSmall-worldPropertyofFunctionalNetworkwithDifferentSparsity图3结构网络聚类系数以及局部效率随稀疏度变化图Figure3.TheClusteringCoefficientandLocalEfficiencyofStructuralNetworkwithDifferentSparsity59


本文编号：3390352