简介：GRETNA 2.0.0 Release 是北京师范大学研发、面向 MATLAB 环境的脑成像数据分析插件，主要服务于脑电（EEG）与脑磁图（MEG）方向的神经科学研究人员及具备一定 MATLAB 编程基础的研究生。它集成滤波去噪、源定位、功率谱与相干性分析、独立成分分析等算法，可处理视觉诱发电位、听觉诱发电位及事件相关电位等实验数据，并支持头皮电位图与源定位图像的可视化，帮助研究者从复杂信号中提取大脑网络的动态连接模式。资源包共 845 个文件，约 27.51MB，以 387 个 .m 脚本、51 个 .hpp 与 24 个 .c 源码构成核心算法，配合 41 个 .mat 数据、24 个 .nii 影像及多平台 mex 二进制文件，另有 png、fig、html 等文档与示例资源，目录结构完整，便于按模块查阅与二次开发。目前已有 524 人学习下载，适合需要系统开展脑电分析、批量处理实验数据并深入理解算法实现的研究者参考使用。
1. 从一份 MATLAB 脑网络分析包说起：GRETNA-2.0.0 能解决什么
如果你在做静息态功能磁共振（rs-fMRI）的脑网络分析，大概率绕不开一个现实问题：从原始影像到“图论指标”之间，横着预处理、脑区划分、时间序列提取、功能连接矩阵构建、网络属性计算这一长串步骤，每一步都有各自的工具和格式要求。GRETNA-2.0.0_release.zip 就是冲着这条链路来的——它是一套基于 MATLAB 的图论网络分析工具箱，把功能连接矩阵的构建和后续的图论指标计算打包在一起，让研究者不用在多个脚本之间来回倒腾数据。这套东西适合两类人：一是刚进脑影像组、需要快速跑通一套标准流程的新手；二是已经有预处理管线、只想找个稳定模块算网络属性的熟手。它不负责最前端的 DICOM 转换和头动校正，那是 SPM、DPABI 那类工具的活，GRETNA 的定位是“拿到时间序列之后的事”。
2. 环境准备与目录结构：把 MATLAB 路径这关先过了
2.1 版本选择与依赖确认
GRETNA 是纯 MATLAB 实现，不依赖编译型 mex 文件（部分图论指标有内置函数），所以对操作系统不挑，Windows、Linux、macOS 都能跑。真正要确认的是 MATLAB 版本。2.0.0 这个版本号对应的代码里用了一些较新的语法特性，我一般建议 R2016b 及以上，R2018a 之后更稳。低于 R2014b 的版本在图形句柄和部分函数签名上会报错，别硬试。
依赖方面，GRETNA 自身是自包含的，但它读数据、写结果会用到 MATLAB 基础工具箱里的统计和矩阵函数，这些默认都有。唯一需要额外留意的是，如果你的预处理在 DPABI 或 SPM 里做，确保它们的路径也在 MATLAB 搜索路径中，因为 GRETNA 的某些批处理入口会调用它们生成的中间文件（比如以.nii或.mat形式存的时间序列）。不需要额外装 Python 或 R，所有计算都在 MATLAB 内完成。
2.2 解压后的目录该看哪几个
把 zip 解压到一个不含中文和空格的路径下，这是血泪经验——MATLAB 对含空格路径的处理在某些load、save调用里会出玄学问题。解压后你会看到类似这样的结构：
GRETNA-2.0.0/ ├── GRETNA.m % 主入口，运行后弹出 GUI ├── gretna_*.m % 各功能模块的顶层函数 ├── GUI/ % 图形界面相关 ├── Functions/ % 核心计算函数 ├── Templates/ % 脑区模板、坐标文件 ├── Examples/ % 示例数据 └── ...关键入口是GRETNA.m。在 MATLAB 命令窗口里cd到解压目录，然后直接运行：
% 切换到 GRETNA 根目录（替换成你自己的路径） cd('D:/Tools/GRETNA-2.0.0'); % 把 GRETNA 及其子目录加入搜索路径 addpath(genpath(pwd)); % 启动主界面 GRETNA;addpath(genpath(pwd))这一步不能省，否则 GUI 里点任何按钮都会提示函数未定义。运行GRETNA后弹出的界面是后续所有操作的起点，它把功能分成了几个大块：数据准备、网络构建、网络分析、统计比较。第一次打开建议先点Examples里的示例数据跑一遍，确认环境没问题再上自己的数据。
提示：如果你在 Linux 服务器上没有图形界面，GRETNA 也支持纯命令行调用，直接调
gretna_*.m里的顶层函数并传参数即可，不必强开 GUI。
3. 从时间序列到功能连接矩阵：核心参数怎么设
3.1 输入数据的组织方式
GRETNA 对输入数据的组织有比较明确的要求。它期望的输入通常是每个被试一个文件夹，里面存放各脑区的时间序列文件，或者是一个已经提取好的.mat/.txt矩阵。常见做法是：先用 DPABI 或 SPM 完成预处理，然后用 AAL、Brainnetome 等模板做脑区划分，把每个脑区平均后的时间序列导出来。GRETNA 的Templates目录里自带了一些常用模板，可以直接用来做 ROI 提取。
假设你有 30 个被试，每个被试一个文件夹，命名如Sub001、Sub002，每个文件夹里有一个timeseries.mat，里面是一个T × N的矩阵（T 是时间点数，N 是脑区数）。在 GUI 里选“Network Construction”模块，指定被试文件夹的父目录，工具会自动遍历。
3.2 功能连接的计算与阈值选择
功能连接矩阵的计算本质上是脑区时间序列两两之间的相关性。GRETNA 默认用 Pearson 相关，也支持偏相关和部分相干。对大多数静息态研究，Pearson 相关是起点。计算完得到一个 N×N 的相关矩阵，值在 -1 到 1 之间。
接下来是阈值化，这一步最容易翻车。GRETNA 提供两种主流策略：
| 阈值策略 | 含义 | 适用场景 |
|---|---|---|
| 绝对阈值 | 保留相关系数大于某值的边 | 组间连接强度差异明显时 |
| 比例阈值（密度） | 保留最强的前 x% 的边 | 组间比较，控制网络密度一致 |
| 加权/二值 | 保留权重或转成 0/1 | 图论指标对二值/加权敏感 |
我一般推荐比例阈值，因为不同被试的绝对相关值分布受头动、噪声影响大，用密度能保证每个被试的网络边数一致，组间比较更公平。常见密度范围是 0.1 到 0.3，步长 0.01 或 0.05。GRETNA 允许你设一个密度区间，它会在这个区间内对每个密度分别算图论指标，最后得到指标随密度变化的曲线，这样比单点阈值稳健得多。
% 示例：命令行方式构建功能连接并做比例阈值 % 假设时间序列已存为 subj_ts（T×N 矩阵） % 计算 Pearson 相关矩阵 fc = corrcoef(subj_ts); % 设定密度阈值序列，从 0.1 到 0.3，步长 0.05 densities = 0.10:0.05:0.30; % 对每个密度做阈值化并计算图论指标 for d = 1:length(densities) % 按密度保留最强的边，其余置零 thr = prctile(fc(:), 100*(1 - densities(d))); fc_thr = fc; fc_thr(fc_thr < thr) = 0; % 对角线置零，避免自连接 fc_thr(1:N+1:end) = 0; % 此处可调用 GRETNA 的图论函数计算指标 % metrics = gretna_graph_metrics(fc_thr, ...); end这段代码的逻辑是：prctile找到对应密度下的相关系数分位点，低于该值的边全部砍掉，对角线清零防止自环。参数densities的选择要看你的网络规模——N 越大，可用的密度下限越低，因为边数多。如果 N 只有 90（AAL 模板），密度低于 0.1 时网络可能不连通，算出来的路径长度会变成 Inf，这是常见报错来源。
3.3 图论指标的选择与含义
GRETNA 能算的图论指标覆盖了大多数临床和认知研究的需求，常用的有：
- 全局效率（Eg）：衡量网络信息传递的整体效率，对网络断连敏感。
- 局部效率（Eloc）：衡量局部集群的信息传递能力。
- 聚类系数（Cp）：反映网络的局部聚集程度。
- 特征路径长度（Lp）：网络平均最短路径，越小越“小世界”。
- 小世界属性（Sigma）：Cp/Cp_random 与 Lp/Lp_random 的比值，大于 1 说明有小世界特性。
- 节点度、节点效率、介数中心性：节点层面的指标，用于定位关键脑区。
选哪些指标取决于你的假设。如果是探索性研究，建议全局和节点层面都算一遍，GRETNA 支持批量输出。注意，二值网络和加权网络算出来的同一指标不可直接比较，论文里要写清楚用的是哪种。GRETNA 的 GUI 里每个指标旁边有勾选框，勾多了计算时间会明显增加，30 个被试、90 个脑区、10 个密度点，全指标跑下来可能要十几分钟到半小时，取决于机器。
4. 批处理与统计比较：把 30 个被试一次跑完
4.1 批处理的目录规范与脚本化
GUI 适合试跑，但真正处理几十上百个被试时，手动点不现实。GRETNA 的批处理依赖一套约定：父目录下每个被试一个子文件夹，子文件夹里放时间序列文件，文件名要一致。比如：
D:/Data/ ├── Sub001/ │ └── ts.mat ├── Sub002/ │ └── ts.mat └── ...然后在 GUI 里选父目录，指定文件名模式，工具会自动生成一个批处理脚本并执行。更稳的做法是自己写一个循环调用底层函数，这样出错了能定位到具体被试：
% 批量构建功能连接矩阵并保存 data_dir = 'D:/Data/'; subjects = dir(fullfile(data_dir, 'Sub*')); output_dir = 'D:/Results/'; if ~exist(output_dir, 'dir'); mkdir(output_dir); end for i = 1:length(subjects) subj_name = subjects(i).name; ts_file = fullfile(data_dir, subj_name, 'ts.mat'); if ~exist(ts_file, 'file') fprintf('跳过 %s：找不到时间序列文件\n', subj_name); continue; end load(ts_file); % 假设变量名为 ts fc = corrcoef(ts); % 保存功能连接矩阵，后续统一做阈值化和指标计算 save(fullfile(output_dir, [subj_name '_fc.mat']), 'fc'); fprintf('完成 %s\n', subj_name); end这段脚本的关键点是：先检查文件是否存在再加载，避免一个被试缺文件导致整个循环中断；每个被试的 FC 矩阵单独保存，方便后续换阈值策略时不用重算。corrcoef对含 NaN 的时间序列会返回 NaN 矩阵，如果预处理没做好，这里会静默产生一堆 NaN，所以跑完最好抽查几个矩阵的sum(isnan(fc(:)))。
4.2 组间统计比较的注意事项
GRETNA 自带了一些统计比较功能，比如两组被试的全局指标 t 检验、节点指标的 FDR 校正等。但实际研究中，组间比较往往还要控制头动、年龄、性别等协变量，这时候 GRETNA 的内置统计可能不够灵活，常见做法是把指标导出到 SPSS、R 或 Python 里做一般线性模型。
如果直接用 GRETNA 做统计，要注意两点：一是多重比较校正，节点层面有几十上百个脑区，不做校正的 p<0.05 基本不可信，GRETNA 提供 FDR 和 Bonferroni，选 FDR 更常用；二是效应量，光看 p 值不够，报告 Cohen's d 或 η² 能让结果更有说服力。GRETNA 的输出里一般会包含均值、标准差，效应量可以自己算。
注意：组间比较前先检查两组的基本信息（年龄、性别、头动参数）是否匹配，如果头动差异大，网络指标的组间差异可能只是头动的副产品，这是审稿人常问的点。
5. 避坑与排查：那些让我重跑过整批数据的坑
5.1 路径含中文或空格导致读取失败
现象：GUI 里选完目录，点运行后报错Invalid file identifier或直接闪退。原因：MATLAB 的fopen、load在部分版本对含中文或空格的路径处理不一致，GRETNA 内部拼接路径时没有做转义。解决：把所有数据、工具、输出路径都改成纯英文、无空格，比如D:/Data/而不是D:/我的数据/。这是最省事的办法，别跟路径较劲。
5.2 密度阈值过低导致网络不连通
现象：算路径长度时结果全是Inf或NaN，或者小世界属性算不出来。原因：比例阈值设得太低，保留的边太少，网络分裂成多个不连通的子图，最短路径不存在。解决：提高密度下限，或者先检查每个密度下网络的连通性。GRETNA 有些版本会输出连通性警告，看到警告就往上调密度。一般 N=90 时密度不低于 0.1，N=200 以上可以到 0.05。
5.3 时间序列含 NaN 或常数段
现象：功能连接矩阵出现整行整列 NaN，或者相关系数全是 0。原因：预处理时某些脑区的时间序列被全零填充，或者某个时间点有 NaN 没插值。解决：在构建 FC 之前加一步检查，sum(isnan(ts(:)))和std(ts)逐列看，标准差为 0 的脑区说明信号是常数，要么剔除该脑区，要么回预处理检查配准是否失败。
5.4 内存不足导致批处理中断
现象：跑到一半 MATLAB 卡死或报Out of memory。原因：一次性把所有被试的 FC 矩阵读进内存做统计，被试多、脑区多时内存爆炸。解决：分步走——先逐个被试算 FC 并保存到磁盘，再逐个读取做阈值化和指标计算，最后只把指标汇总成小矩阵做统计。别在内存里囤大矩阵。
5.5 指标含义混淆导致结论错误
现象：论文里写“全局效率降低”，但实际算的是局部效率，或者二值网络的指标当成加权网络解释。原因：GRETNA 输出文件命名有时用缩写，不熟悉的人容易看错列。解决：跑完先看输出文件的表头或 README，确认每个指标的全称和计算方式。二值和加权网络的同一指标不可比，方法部分必须写明阈值策略和网络类型。
6. 进阶技巧：用脚本复现整条流水线并做结果验证
GUI 点一遍能出结果，但课题组的现实是：审稿人让你换一个密度区间重算，或者换一个模板重跑，你不可能每次从头点。我的习惯是把整条流水线写成一个可配置的脚本，参数集中放在开头，换参数只改几行。下面是一个简化框架：
%% 配置区 data_dir = 'D:/Data/'; % 被试父目录 out_dir = 'D:/Results/'; % 输出目录 template = 'AAL90'; % 模板名称，对应 Templates 里的文件 densities = 0.10:0.05:0.30; % 密度序列 metrics = {'Eg','Eloc','Cp','Lp','Sigma'}; % 要算的指标 %% 主循环 subjects = dir(fullfile(data_dir, 'Sub*')); all_metrics = cell(length(subjects), 1); for i = 1:length(subjects) subj = subjects(i).name; ts = load(fullfile(data_dir, subj, 'ts.mat')); fc = corrcoef(ts.ts); fc(1:size(fc,1)+1:end) = 0; % 对角线清零 subj_metrics = struct(); for d = 1:length(densities) fc_thr = threshold_fc(fc, densities(d)); % 自定义阈值函数 for m = 1:length(metrics) val = compute_metric(fc_thr, metrics{m}); % 自定义指标函数 subj_metrics.(metrics{m})(d) = val; end end all_metrics{i} = subj_metrics; fprintf('完成 %s\n', subj); end %% 汇总与验证 % 把 cell 转成矩阵，检查是否有 NaN 或 Inf for m = 1:length(metrics) mat = cellfun(@(x) x.(metrics{m}), all_metrics, 'UniformOutput', false); mat = cell2mat(mat); if any(isnan(mat(:))) || any(isinf(mat(:))) warning('指标 %s 存在 NaN 或 Inf，检查密度下限', metrics{m}); end % 保存供统计使用 save(fullfile(out_dir, [metrics{m} '.mat']), 'mat'); end这个框架的价值在于：threshold_fc和compute_metric可以替换成 GRETNA 的底层函数，也可以自己实现，方便做方法学对比。汇总阶段主动检查 NaN 和 Inf，能在跑统计之前就发现问题，省得后面返工。
验证结果是否合理，我一般做三件事：一是拿Examples里的示例数据跑一遍，看指标数值是否在文献常见范围内（比如小世界属性 Sigma 通常在 1.5 到 3 之间）；二是随机抽一个被试，手动用corrcoef和简单循环算一遍聚类系数，跟 GRETNA 输出对一下；三是把密度-指标曲线画出来，正常的小世界网络，Eg 和 Eloc 随密度上升而上升，Lp 随密度上升而下降，如果曲线走势反了，多半是阈值化或指标计算哪里搞错了。
从那以后我每次跑新数据集，都强制先用示例数据走一遍全流程，确认环境、路径、参数都没问题再上真实数据。这个习惯帮我省下了至少两次整批重跑的时间。希望帮到你。
本文还有配套的精品资源，点击获取
