（Bullmore and Sporns 2009）已被证明是根据不同发展阶段的函数进行调节的（Cao等人2017）和衰老（Meunier等人2009）以及各种神经和精神病病理学（Fornito等人2015）。量化给定的实验条件或人群之间大脑连通性的有意义差异，并确定哪种网络特性在其识别中很重要，是非平凡的任务，需要复杂的统计测试或计算强化的机器学习技术（Zanin等人2016），并且没有图形表示。这一困难的一个深层理由是关于以下事实：从所有尺度上，大脑连接性从大脑连通性出现了可观察到的脑活动动力学模式（Kozma and Freeman 2016）。同样，虽然大脑地形在大脑功能中起着重要作用，但拓扑网络特性本质上是统计的。网络神经科学文献通常强调牢固的联系引起的连通性和拓扑。然而，薄弱的环节已被证明对网络拓扑具有很大的影响，因为它们的包容性可以诱导从分形到小世界普遍性的过渡（Gallos等人。2012），但也涉及网络上发生的动态和过程（Csersely 2004； Karsai等人。2014）。综上所述，这些考虑表明，实验条件可能不仅可以通过牢固的联系引起的结构来识别，还可以通过