做脑网络分析的人，大概率都经历过那个“想砸电脑”的阶段：预处理一堆参数不敢动，功能连接矩阵算完不知道怎么导出，图论指标更是翻着文献一个公式一个公式对照，最后在群里小心翼翼问“有没有不用写代码的脑网络分析工具”。DPABINet就是为这个痛点设计的。它是DPABI系列里专门做脑网络与图论分析的工具包，面向MATLAB环境，用图形界面把预处理、功能连接矩阵构建、图论计算和统计比较串成了一条完整流水线，全程不需要你自己写命令行代码。这篇教程我会从软件安装、数据整理、预处理、连接矩阵、图论指标，一直讲到结果解读和报错排查，基本按照“今天拿到数据，明天能出图”的节奏来写，适合刚接触脑网络的新手，也适合以前用脚本被劝退、想回头用GUI提效的人。

1. 为什么选DPABINet：零代码设计替你搞定了什么

1.1 零代码不等于没门槛：DPABINet的真实定位

很多人第一次看到“零代码”三个字，会以为这是个一键全自动的傻瓜软件，装上之后点两下就出结果。真实情况是，DPABINet省掉的是“写脚本”这个环节，但并没有省掉“理解分析逻辑”这个环节。你不需要会MATLAB编程，甚至不需要看得懂for循环，但你必须知道每个面板上的参数在干什么，否则很容易跑出一堆数值却不知道对不对。

这就像开自动挡汽车，你不需要会踩离合换挡，但还是要明白油门刹车、仪表盘上的故障灯什么意思。DPABINet的作用，是把脑网络分析里反复出现的步骤封装成可视化模块，让你从“编程思维”跳转到“菜单思维”。它的底层其实还是MATLAB脚本和SPM12函数，运行的时候照样会弹出命令行输出，只是你不需要跟它们打交道而已。

也正因为这样，DPABINet特别适合两类人：一类是临床医生和研究生，本身工作重心在数据解读和科研产出上，没有时间系统学编程；另一类是对MATLAB有一定了解、但懒得重复写脚本的科研人员，用它来做快速原型验证，等确认分析思路有效后再写定制化脚本深入挖掘。这个定位非常务实——脑网络分析的门槛原本就高，DPABINet没有把门槛完全拆掉，而是把门槛降到了“你只需要搞懂脑网络概念”这个水平。

1.2 从BOLD信号到脑网络的完整链条

要把DPABINet用明白，必须先弄清楚脑网络分析到底在分析什么。功能磁共振成像测的不是神经元放电本身，而是血氧水平依赖信号，也就是BOLD信号。BOLD信号随时间波动，不同脑区之间的波动模式如果存在一致性，我们就说这两个脑区之间存在功能连接。把所有脑区两两之间的连接关系放在一起，就构成一张脑网络图：节点是脑区，边是连接强度。

图论计算处理的就是这张网络图。节点数少则几十个，多则几百个，边数可能成千上万条，单靠肉眼根本看不出规律，只能靠图论指标来做数学上的刻画。比如聚类系数告诉你网络局部聚集程度高不高，特征路径长度告诉你信息跨网络传输快不快，小世界属性告诉你网络在“局部聚集”和“全局高效”之间取了多少平衡点。

DPABINet整合的正是这条完整链条：从原始影像数据开始，先做时间层校正、头动校正、空间标准化等预处理，再按模板把大脑划分为若干感兴趣区，提取每个脑区的时间序列，计算功能连接矩阵，然后在这个矩阵上算图论指标，最后还能做组间统计和与临床量表的相关分析。整个过程在同一个界面里完成，数据在不同模块之间自动交接，你不需要手动把中间结果搬到另一个软件里。

这也是我推荐DPABINet的另一个原因：它强制你把分析过程串成一个可追溯的流程。中间每个结果都会落到对应文件夹里，这一步输出什么、下一步读取什么，清清楚楚。即便后续文章被质疑，你也可以按流程逐步复现，这在科研里比“能出漂亮图”重要得多。

1.3 对比GRETNA和手动脚本：DPABINet的优势和局限

在DPABINet出现之前，国内很多课题组用的是GRETNA。GRETNA本身也是一个很优秀的脑网络图论分析工具，界面也还算友好，但它主要聚焦在图论指标计算这一块，前期的预处理和功能连接矩阵构建还得靠DPARSF或者其他软件做，中间的文件格式和命名需要自己协调。DPABINet相当于把“预处理+连接矩阵+图论+统计”整个流程收拢到一个工具里，文件的交接逻辑是内置的，新手不容易在中间环节掉链子。

手动写脚本的灵活度当然是最高的，你想怎么处理负连接、怎么定义阈值、用哪种网络稀疏度，都可以按自己的需求定制。问题在于，脑网络分析的坑非常多，一个参数的微小差异就可能导致结果完全不同。你写出来的脚本可能只在自己电脑上能跑，换一台电脑、换一个MATLAB版本，路径和工具箱就乱套。对大多数研究而言，用DPABINet这种成熟工具保证结果的可复现性和可解释性，比在脚本上实现“技术自由”更划算。

局限也很明显。DPABINet不是一个万能工具箱，它的很多实现遵循固定套路，如果你想用一些最新文献里的复杂方法，比如时变动态脑网络的高阶分析、特定的去噪策略，它在界面层面往往露不出来，最后还是得回到MATLAB脚本。所以正确的策略不是“用DPABINet代替所有工具”，而是“用DPABINet解决80%的常规问题，为剩下20%的定制留好后路”。这也是我后续会讲到的思路：先用它跑通标准流程，再考虑扩展。

2. 开工前的准备：环境、数据、参数一个都不能省

2.1 安装DPABINet：版本、路径和依赖

安装DPABINet本身不难，但有几个前置条件没满足的话，后面会非常痛苦。首先是MATLAB版本。DPABINet依托于SPM12运行，SPM12对MATLAB版本有硬性要求，太老的MATLAB（比如R2014a之前）和太新的MATLAB都存在兼容性风险。我自己实测下来，R2018b到R2022b这个区间比较稳，如果你电脑上装的是R2023a以后的新版本，建议先去DPABINet的发布说明里确认支持的版本矩阵，避免装完后启动报一堆缺函数的错。

第一步，下载DPABINet工具包，解压后放到一个绝对路径里，这个路径最好不要包含中文、空格和特殊符号。很多莫名其妙的报错，根源就是路径里有中文字符，MATLAB对中文路径的处理一向不友好。我建议直接在D盘或者E盘建一个英文文件夹，比如D:\Tools\DPABINet。

第二步，启动MATLAB，设置路径。你既可以在主页工具栏里点击“设置路径”，把DPABINet文件夹及子文件夹添加进去，也可以在命令窗口直接运行：

addpath(genpath('D:\Tools\DPABINet')); savepath;

这里genpath会把所有子文件夹都加载进来，避免遗漏。运行完savepath之后，以后每次打开MATLAB就不用重新设置了。

第三步，安装SPM12。DPABINet的运行依赖SPM12的很多函数，所以SPM12必须同样添加到MATLAB路径里。安装好后，在命令窗口输入spm，能弹出SPM的图形界面就说明路径没问题。接下来运行dpabinets，看到DPABINet的主界面弹出来，安装就算完成了。如果这一步就报错，优先检查工具箱路径是否设置正确，再看是不是MATLAB版本兼容问题。

提示：很多人在这一步把工具包路径设到了MATLAB默认的工作目录之外，但工作路径本身还是默认目录，导致数据文件找不到。建议在开始分析前，把MATLAB的当前文件夹切到你的项目根目录，养成数据、脚本、结果分离的习惯。

2.2 数据目录整理与命名规范

数据整理是整个过程里最琐碎、却也最影响心情的一步。DPABINet对文件夹结构有一定要求，最标准的方式是每个被试一个文件夹，文件夹命名建议用Sub_001、Ctrl_001这样的规范格式，不要用病人1、对照2这种带中文或空格的名字。功能像和结构像分开存放，比如每个被试文件夹下面再建func和t1两个子文件夹。

以一组两组被试的研究为例，我通常这样组织：

D:\MyStudy\ RawData\ Sub_001\ func\SUB_001_task.nii t1\SUB_001_T1.nii Sub_002\ func\SUB_002_task.nii t1\SUB_002_T1.nii Ctrl_001\ func\CTRL_001_task.nii t1\CTRL_001_T1.nii Covariates.xlsx

这里有一个关键点：fMRI数据如果是DICOM格式，建议先统一转成NIFTI格式再放进上述结构里。转换可以借助SPM12自带的DICOM Import功能，也可以用dcm2nii这类独立工具。转完之后务必检查每个被试的NIFTI文件维度是否一致、是否有损坏，批量转换时常出现个别被试少几个文件的情况，这一步偷懒的话后面跑到一半才发现少数据，返工成本非常高。

协变量表也要提前准备好。DPABINet的统计分析模块需要一份包含分组标签、年龄、性别、头动均值（mean FD）等信息的表格，格式可以是CSV或Excel。第一列通常是被试编号，必须和文件夹命名严格一致；后面每一列是一个协变量。这里我吃过一次亏：被试编号写了SUB_001，协变量表里却是1，软件直接匹配不上。这种低级错误非常消耗热情，所以命名一致性这一条，怎么强调都不为过。

2.3 理解GUI里的关键参数

打开DPABINet主界面，你会看到预处理、功能连接、图论、统计等功能模块。每个模块里都有大量参数，刚开始容易看花眼。我的经验是，不要试图一次性理解所有参数，先抓住几个决定性的参数，其他用默认值即可，跑完再回头微调。

预处理面板里有几个参数几乎每个研究都要动：

• Slice Timing（时间层校正）：需要设置扫描的层数和层顺序。不同机器的层采集顺序不一样，常见的有隔层扫描和顺序扫描，参数填错了整个预处理就废了。哪找这个信息？扫描序列的DICOM头文件里或设备的操作说明书上。
• Realign（头动校正）：一般默认即可，但记得勾选输出头动参数文件，后面统计时要作为协变量。
• Normalize（空间标准化）：推荐使用DARTEL，虽然比普通标准化慢很多，但配准质量确实更好。如果被试脑部有明显病灶导致配准困难，可能需要先做病变掩膜。
• Smooth（平滑）：FWHM一般设置6mm或者8mm，如果研究关注小脑区，可以适当减小到4mm。
• Filter（滤波）：静息态通常设置为0.01–0.1Hz。
• Scrubbing（头动剔除）：建议开启，阈值的经验值是FD大于0.5mm的时间点会被剔除。如果剔除太多，样本量会明显下降，需要结合数据情况调整。

功能连接面板里，最重要的是ROI模板的选择。DPABINet内置了AAL、Harvard-Oxford、Schaefer等多个模板，AAL90是很多中文文献里的默认选择，脑区划分清楚，结果好解释；Schaefer模板可以选100、200、400个节点等不同尺度，适合做高分辨率网络分析。模板的选择没有绝对的对错，关键是和你之前的研究、别人的结果对比时保持一致的脑区定义。

提示：如果某项指标没有绝对把握，我的做法是先在默认参数下跑一版完整结果，作为“基线流程”。之后每调一个参数，单独跑一版对比，观察结果变化是否合理。这样即使参数选错了，也能知道是哪个环节导致的。

3. 保姆级实操：从原始数据到脑网络一站式跑通

3.1 数据预处理流程设置

预处理是整个流程里耗时最长、最容易出问题的一步。DPABINet把预处理整合成了一个模块，你只需要在界面上选好参数，点运行，然后等它跑完即可。但这里有个常见误解：预处理的运行时间不是按分钟算的，是按小时算的。一组20个被试，如果开了DARTEL标准化，跑一晚上是家常便饭，所以别守着电脑等，建议下午启动后让它过夜。

在DPABINet的预处理面板里，首先在数据输入部分选择数据根目录，软件会自动扫描下面的被试文件夹。注意，如果功能像和T1像的文件名不符合默认规则，界面上的“Select”按钮可能找不到文件，这时需要手动指定文件名关键词。比如功能像都叫*_task.nii，就在文件过滤器里填_task.nii，T1像填_T1.nii。这一小步经常被忽略，结果软件报“找不到数据”，很多人还以为数据损坏了。

接下来是设置上面第2.3节提到的那些参数。这里重点说一下头动剔除的触发条件。DPABINet会在预处理过程中自动计算每个时间点的FD值，如果FD大于你设定的阈值，这个时间点在后续分析里会被移除，同时会在输出文件夹里生成一份头动报告。跑完后，我强烈建议你打开报告，逐个体观看每个被试的平均FD和最大FD。如果一个被试平均FD接近0.3mm，在静息态研究里算偏大，图论指标很可能受头动污染，后面的统计结果也会很脆弱。

预处理完成后，DPABINet会输出一系列文件夹，里面包括标准化后的功能像、结构像分割结果、头动参数文件。到这一步你可能已经开始头晕，但别着急，这些中间文件不是你首要的关注对象，你只需要确认输出存在、且文件数量和被试数量对得上，就可以进入下一步了。

3.2 提取ROI信号并构建功能连接矩阵

预处理结束后的标准操作，是把全脑功能像按你选好的模板分割成若干脑区，提取每个脑区内所有体素的时间序列平均值，作为该脑区的代表信号。DPABINet里这一步通常在功能连接模块中完成，你选择模板，软件就会自动提取每个ROI的时间序列，并存成一个时间序列矩阵文件。

得到ROI时间序列之后，下一步是计算功能连接矩阵。最常用的指标是皮尔逊相关系数，也就是对任意两个ROI的时间序列做相关分析，得到一个相关系数r值。理论上讲，如果AAL模板有90个脑区，你会得到一个90×90的对称矩阵，对角线是1，每个非对角线元素代表两个脑区之间的连接强度。为了满足正态性假设，通常会再对相关系数做Fisher Z变换，这个变换在软件里是一个选项，建议勾选。

功能连接矩阵生成后，你首先应该做一个肉眼检查。怎么检查？用热图可视化。DPABINet会生成连接矩阵的热图图像，对角线应该是一条明显的亮带，两侧应该能看到一些成块的相对高连接区域，尤其是默认模式网络内部的连接应该比较强。如果你看到的矩阵一片均匀、或者对角线以外的数值全部接近0，那大概率是预处理环节出了问题，可能是配准错位、模板没对齐，也可能是头动太严重。这时候先别急着算图论，回头查预处理，不然算出来的指标毫无意义。

这一步还要考虑一个事：连接矩阵里存在负相关怎么办。静息态功能连接中，负相关是真实存在的现象，但不同研究对负连接的处理方式不同。有些人取绝对值后再做图论，有些人直接保留负值然后把负连接截断为0，有些人只用正连接。DPABINet默认会在阈值化时把低于阈值的边裁掉，但你需要在方法部分明确写清楚自己怎么处理负连接的。没有统一答案，但有统一原则：处理方式必须写在论文里，且最好做敏感性分析，证明你的结论不依赖于负连接的处理方式。

3.3 图论指标计算：阈值、稀疏度与指标选择

进入图论模块之前，你已经有了每个被试的功能连接矩阵。表面上看起来万事俱备，实际上这里藏着一个整个图论分析里最关键的决策点：怎么给网络定边。因为功能连接矩阵是全连通的，也就是任意两个脑区都有相关值，如果不做阈值化，每个节点的度都是89，聚类系数也全是1，任何图论指标都无法区分不同被试，分析等于白做。

所以要做阈值化，只保留连接强度比较高的边。阈值化有两种常见思路，一种是绝对阈值，比如把相关系数低于0.3的边全部置0；另一种是相对阈值，也叫稀疏度阈值，你设定一个“网络边密度”，比如0.2，然后保留每个被试连接矩阵里最强的20%的边。绝对阈值简单直观，但不同被试的连接强度整体水平可能有系统性差异，同一绝对阈值下，一个被试保留了30%的边，另一个被试只保留了15%的边，两者在网络密度上就不可比了。因此，组间比较研究更推荐用稀疏度阈值，保证所有被试的网络边数大致一致。

DPABINet的图论参数面板里，你需要设置一个稀疏度范围，比如从0.05到0.5，步长0.05。这意味着你会从5%到50%的边密度，每隔5个百分点计算一次图论指标，最终得到每个被试在不同稀疏度下的指标序列。选择这个范围是有讲究的：太稀疏的话网络会碎成很多孤立的小团块，许多脑区的度为0，聚类系数和路径长度都算不准；太密的话网络又趋近于全连通，区分度下降。实际应用中，0.05到0.5是比较常见的区间，如果样本量小，可以考虑从0.1开始。

图论指标的选项让人眼花缭乱，但不要贪多。对于大多数静息态研究，我建议先看这几个核心指标：聚类系数、特征路径长度、全局效率、局部效率、小世界属性（sigma值）。如果研究目的是找核心枢纽节点，再看节点度、介数中心性；如果要做模块划分，就选择模块度分析。DPABINet会一次性把这些指标都算出来，你不需要手动筛选，但输出文件很多，别被淹没，先找到上面说的那几个核心指标对应的文件即可。

注意：加权重连和二值化网络的选择。加权网络保留边的强度信息，信息量更大，但对负值和噪声更敏感；二值网络只记录边存在与否，计算简单稳定，但丢掉了权重信息。我会建议同时跑两套结果，如果结论在两种网络下一致，说服力会显著增强；如果矛盾，正好说明结论对网络构建方式敏感，写文章时就需要认真讨论。

4. 结果怎么看才有意义

4.1 图论指标的含义速查表

算完图论指标，你会发现一个文件夹里躺着几十个文件。打开一个看，里面是一大堆数字，这时候最想问的问题是：这些数字到底在说什么？我用一个生活中容易理解的类比来解释。你可以把人脑网络想象成一个城市的交通网：脑区是站点，功能连接是站点之间的直达线路。

聚类系数就是问：你的朋友之间是不是互相也是朋友。你认识的所有人里面，有多少比例的人彼此也认识，这个比例就是聚集程度。脑网络里，聚类系数高，说明一个脑区的邻居们彼此之间也有紧密连接，局部信息处理能力强。特征路径长度则是在问：从城市的任意一个站点到另一个站点，平均要换乘多少次。路径越短，全局信息传递效率越高。把这两个放在一起看，如果网络既有很多三角形的小圈子，脑区之间又能快速到达，那就具备小世界属性，sigma值大于1时就认为该网络是小世界网络。

全局效率和局部效率跟路径长度是一对互补概念，效率高表示传输快，只是一个是看全局，一个是看局部。节点度和介数中心性都用于识别枢纽节点，节点度高的脑区连接很多，介数中心性高的脑区本身连接不见得多，但很多最短路径都经过它，相当于交通枢纽。为了直观对应，我整理了一张速查表：

理解这些指标后，你才能开始问科学问题。比如抑郁症患者和健康对照相比，如果患者组聚类系数下降、特征路径长度增加，说明大脑网络变得“松散了”，局部聚集减弱，全局传导变慢。这背后的神经生物学意义，才是审稿人关心的东西。

4.2 结果文件解读与常用导出

DPABINet输出文件比较讲究，文件夹命名就是一套线索。通常在结果目录下，你会看到NetworkMeasures、AUC、NodalMeasures等子文件夹。NetworkMeasures里面是每个被试在不同稀疏度下的全局指标，比如聚类系数、特征路径长度等，一般是二维表格，行是不同稀疏度，列是具体指标值。AUC文件夹里则是曲线下面积，也就是把不同稀疏度下的指标值合成了一个综合值，组间比较时优先用AUC，因为它不依赖于单一稀疏度阈值的选择，统计效力更高。NodalMeasures里面是节点水平的指标，比如每个脑区的节点度、节点介数，通常是三维数组，维度是稀疏度×脑区×被试，做节点级组间统计时才会用到。

我见过的常见误区是，新手拿着一版单一稀疏度下的结果就去做统计，然后发现某一组显著、另一组不显著，就兴高采烈地写进文章。这种做法不太稳健。你选的稀疏度是0.2，如果换成0.15结果就不显著了，审稿人问你为什么选0.2，你很难自圆其说。正确的做法是把AUC值作为主要分析指标，把单一稀疏度下的结果作为补充，或者在多个稀疏度下都做了统计后，把结果在一张图里展示出来，这样就能说明你的结论在不同网络密度下都成立。

导出结果用于后续统计时，一般需要把指标值整理成宽表：每一行是一个被试，每一列是一个指标。你可以在MATLAB里手动合并DPABINet输出的CSV文件，也可以直接在统计分析模块里填好协变量表，让软件内部完成这些合并工作。如果你打算用SPSS或R做后续分析，那就在DPABINet里把AUC指标导出为CSV，再导入统计软件，路径简单直接。

4.3 统计比较与多重比较校正

图论分析的最后一步通常是统计检验。最常见的设计是两组比较，比如患者组和健康对照组，用双样本t检验比较两组在聚类系数、特征路径长度、全局效率等指标上的差异。这时协变量表的用武之地就来了，年龄、性别、头动参数这些都应该作为协变量放进模型。尤其是头动参数，如果两组被试的头动水平本身有差异，你不加这个协变量，组间差异可能完全是头动造成的假象，这一点已经被很多研究反复证明过了。

除了组间差异，很多研究会把图论指标和临床量表做相关分析。比如想看看某个脑区的节点度跟抑郁评分有没有关系，就在统计模块里选择相关分析，把量表分数作为变量，脑区节点度作为因变量。这里需要注意多重比较校正的问题。你做了90个脑区的相关分析，纯靠运气也会有三四个假阳性，所以在报告中要报告校正后的结果。DPABINet提供了FDR校正和置换检验选项，置换检验默认几千次，计算时间会明显变长，但结果更稳健。我个人的习惯是，如果样本量不大，就直接用置换检验，FDR作为补充。

统计结果出来后，通常需要可视化。DPABINet会把显著的脑区或连接以表格形式导出，包括脑区名称、坐标、p值等。把这些信息导入BrainNet Viewer这类可视化工具，就能生成文章里的脑网络图。这一步很容易被忽视，因为很多人以为分析在统计结束后就完了，但脑网络研究对图的要求往往很高，一张直观的网络图能显著提升文章的可读性。

提示：我建议在统计前就明确假设和主要结局指标，不要在算出结果后再挑好看的指标讲。脑网络指标的个数很多，如果你挨个做检验，总能找到“显著”的结果，但这属于典型的多重比较陷阱。先注册分析计划、按计划执行，才算真正科学。

5. 常见报错和避坑实录

5.1 我踩过的五个坑与排查方法

操作DPABINet的过程中，我遇到的报错五花八门，但总结下来，绝大多数问题都集中在几个固定场景上。下面这份速查表，算是我拿无数个深夜换来的经验，你可以直接存下来对照排查。

内存不足是预处理阶段最容易遇到的硬伤。脑影像数据本身很大，同时处理多个被试时，MATLAB默认的并行计算池会占满所有物理内存。解决方法是把并行池大小调低，比如调成2，让两个被试依次跑而不是同时跑四个。如果完整数据集实在太大，可以分批次处理，每批跑5个被试，处理完一批再跑下一批，最后合并结果。虽然慢一点，但稳定。

头动剔除过度导致的空数据问题也值得特别提醒。如果阈值设置得太严格，比如FD大于0.2就剔除，很多被试可能只剩一半的时间点，这时候提取的ROI信号稳定性会非常差，功能连接矩阵变成噪声矩阵。我一般先看整组平均的FD分布，再决定阈值是0.5还是0.3，而不是盲目套用文献里的数值。遇到FD整体偏高的数据集，宁可加入头动参数作为协变量，也不要激进剔除导致数据量不足。

5.2 数据质量比参数更重要

这个观念我想单独拿出来说，因为技术人员在参数上调来调去，本质上是想用一个好方法弥补坏数据，但这是很难做到的。你必须对每一个进入分析的被试做出质量判断。我看QC文件的习惯是，先看每个被试的平均FD和最大FD，再看标准化后的功能像对模板的覆盖是否完整，最后抽查几个ROI的时间序列曲线，看有没有明显的尖刺或平台期。这三个检查加起来，只需要几分钟，但能筛掉隐患。

头动不是唯一的质量隐患，还有图像伪影、信号漂移、电极等金属异物造成的信号丢失，这些不会在预处理报错里提示，但会污染数据。很多时候，图论指标组间差异不显著，不一定是疾病的效应不存在，而是头动、伪影这些噪声把真实信号掩埋了。所以，如果统计结果一片空白，我第一反应不是换统计方法，而是回去翻QC报告看质量。

这里再分享一个做QC时的实用技巧：把每个被试的平均FD和脑网络全局效率放在一张散点图里。如果两者存在强烈的负相关模式，基本可以判断你的网络指标被头动严重污染了，这时候要先处理头动，而不是急着解释结果。这也能帮你提前识别极端离群被试，在纳入统计前决定是保留还是剔除。

5.3 参数记录与分析日志

最后一个实操层面的建议跟工具没直接关系，但能帮你避免论文返修的痛苦：做好参数记录。DPABINet每跑一步，我都建议截图保存界面设置，包括预处理参数、连接矩阵参数、稀疏度范围、统计模型、协变量。这些截图不需要发给任何人，甚至不需要整理得很漂亮，只要在写论文方法部分时能准确回忆起自己当时用了什么参数即可。

你可以用一个简单的表格记录每个分析版本：日期、被试范围、预处理参数、是否开启全局信号回归、稀疏度范围、算法版本、结果文件夹名称。这个习惯看起来繁琐，但实际价值非常大。我曾经因为没做记录，回头找不到某个版本是用哪种阈值跑出的结果，不得不重跑一遍预处理，白白浪费了三天时间。而有了分析日志，复现结果、回答审稿人的参数质疑，都变得格外轻松。

提示：每次跑完一个分析版本，不要覆盖之前的输出文件夹。把输出目录命名为Results_20240110_v1这样的格式，保留所有版本。等你需要回溯时，就会感激这个习惯。

6. 零代码之后怎么办：进一步扩展与自主检查

DPABINet能帮你跑通大部分标准流程，但科学分析没有“一键完成”的时刻。算完图论指标、做完统计，你还需要对结果做几项自查。第一项自查是方向一致性：显著差异的方向是否和前人研究发现一致。如果你发现患者组的全局效率比对照组显著升高，而这个方向与多数同类文献相反，不要急着下结论，先回去核对协变量、头动、样本选择这些环节是否出了问题。可能是真实发现，但也可能是分析细节造成的。

第二项自查是结果的敏感性。你可以试着换一个模板，比如从AAL换成Schaefer100，再跑一遍同样的分析流程，看核心结论是否还成立。如果不同模板下结论相似，说明结果更可信；如果完全变了，说明你的结论对脑区定义方式非常敏感，写文章时至少要在讨论里说明这一点。这种分析不是必须的，但做了一定能让文章上一个档次。

第三项，也是最容易被新手忽视的，是把图论结果和原始连接水平的证据放在一起看。如果你说患者组的聚类系数下降，那么至少在功能连接水平上，患者组某些局部的连接强度应该能看到下降趋势。图论指标是连接矩阵的压缩表示，如果连接矩阵本身看不出任何模式，而图论指标报出高度显著，这很可疑，可能是计算Bug或阈值处理导致的假象。

零代码工具把我们从重复劳动中解放出来，但它也要求我们拥有更强的解释能力。DPABINet只是辅助你完成分析，不能代替你理解这门学科的基本逻辑。当你开始用图论指标回答科学问题时，这些指标的生物意义和数学定义，最终都需要你自己吃透。

我在实际使用中的体会是，DPABINet最可贵的不是它让你少写了多少行代码，而是它把脑网络分析的标准流程固化下来，让研究者可以把精力投放到更有价值的问题解释上。刚开始用它的时候，可能跑一个流程都会手忙脚乱；跑过两三个数据集之后，你会发现自己对脑网络的理解也跟着清晰了。最后再分享一个小技巧：拿到一个新数据集，不要急着跑完整分析，先用预处理的QC结果做一份完整报告，确认数据没问题后再启动全流程。这个习惯前几次可能显得多此一举，但等你遇到一批数据报废、白白跑了两周的时候，就会明白什么叫省钱省力。