| name | griffiths-phase-brain-criticality |
| version | 1.0.0 |
| description | 脑临界性的 Griffiths 相框架。扩展的临界区域解释个体变异，
平衡鲁棒性与灵活性。结合结构网络模块性和区域异质性。
触发词：脑临界性、Griffiths相、临界点、个体变异、鲁棒性与灵活性、
brain criticality, Griffiths phase, critical point, individual variability。
|
Griffiths Phase Brain Criticality
核心方法论
问题定义
传统假设： 大脑在单一临界点运作以实现最优性能
挑战： 无法解释神经动力学和认知功能的广泛个体变异
解决方案： Griffiths 相（GP）- 扩展的临界区域框架
关键概念
1. 脑临界性假说
核心观点： 大脑在临界点附近运作，实现最优信息处理
| 特性 | 临界态 | 亚临界态 | 超临界态 |
|---|
| 信息传输 | 最优 | 局限 | 过度激活 |
| 稳定性 | 边缘 | 高 | 低 |
| 灵活性 | 高 | 低 | 高 |
2. Griffiths 相（GP）
定义： 由网络异质性协同诱导的扩展临界区域
两种异质性：
- 区域异质性： 局部兴奋性差异
- 连接异质性： 结构网络模块性
3. 鲁棒性-灵活性权衡
┌─────────────────────────────────────────────────────┐
│ Griffiths Phase 框架 │
├─────────────────────────────────────────────────────┤
│ │
│ 结构网络模块性 + 区域兴奋性异质性 │
│ ↓ │
│ 协同作用 → Griffiths 相 │
│ ↓ │
│ ┌─────────────────────────────────────┐ │
│ │ 扩展的全局兴奋性范围 │ │
│ │ ┌───────────────┐ │ │
│ │ │ 亚临界 │ GP │ 超临界 │ │ │
│ │ │ 稳定 │ 最优 │ 灵活 │ │ │
│ │ └───────────────┘ │ │
│ │ ↑ 最优点（平衡全局/局部传输） │ │
│ └─────────────────────────────────────┘ │
│ ↓ │
│ 个体化临界景观 → 独特认知特征 │
│ │
└─────────────────────────────────────────────────────┘
技术要点
GP 特性
| 特性 | 说明 |
|---|
| 扩展范围 | 全局兴奋性范围广泛延伸 |
| 嵌入最优点 | 平衡全局/局部信息传输 |
| 个体特异性 | GP 内位置决定网络动力学 |
| 认知关联 | 功能连接配置决定认知特征 |
三种功能连接模式
| 模式 | 说明 | 认知功能 |
|---|
| 分离 | 局部处理增强 | 专门化任务 |
| 整合 | 全局通信增强 | 复杂推理 |
| 平衡 | 分离与整合平衡 | 认知灵活性 |
应用场景
| 场景 | 说明 |
|---|
| 个体差异研究 | 解释认知功能变异 |
| 脑疾病诊断 | GP 位置偏移作为生物标志 |
| 脑网络建模 | 全脑动力学模拟 |
| 认知预测 | 从网络特征预测认知能力 |
数据验证
Human Connectome Project 数据
- 结构网络：DTI 纤维束追踪
- 功能连接：静息态 fMRI
- 认知测量：多维度认知测试
发现：
- GP 内位置与认知特征相关
- 个体化临界景观解释认知变异
- 鲁棒性-灵活性权衡的进化适应机制
技术实现
全脑建模
import numpy as np
class GriffithsPhaseModel:
def __init__(self, structural_network, regional_excitability):
"""
structural_network: 结构连接矩阵
regional_excitability: 区域兴奋性参数
"""
self.A = structural_network
self.h = regional_excitability
def compute_gp_range(self):
"""
计算 Griffiths 相范围
"""
modularity = compute_modularity(self.A)
heterogeneity = np.std(self.h)
gp_range = self._estimate_gp_extent(modularity, heterogeneity)
return gp_range
def locate_in_gp(self, global_excitability):
"""
定位全局兴奋性在 GP 中的位置
"""
gp_range = self.compute_gp_range()
position = (global_excitability - gp_range[0]) / (gp_range[1] - gp_range[0])
return np.clip(position, 0, 1)
def predict_cognitive_profile(self, position):
"""
预测认知特征
"""
segregation = self._compute_segregation(position)
integration = self._compute_integration(position)
balance = segregation / (segregation + integration)
{
: segregation,
: integration,
: balance
}
与传统临界性框架对比
| 特性 | 传统临界点 | Griffiths 相 |
|---|
| 假设 | 单一临界点 | 扩展临界区域 |
| 个体变异 | 视为噪声 | 核心特征 |
| 鲁棒性 | 低 | 高 |
| 解释力 | 有限 | 广泛 |
相关技能
time-varying-brain-connectivity - 时变脑网络分析weighted-brain-community-detection - 加权脑网络社区检测
来源
- 论文： Optimal Griffiths Phase in Heterogeneous Human Brain Networks: Brain Criticality Embracing Stability and Flexibility across Individuals
- arXiv： 2512.03409
- 效用评分： 0.9
- 学习日期： 2026-03-21
Activation Keywords
- 脑网络分析
- 神经科学方法
- 计算神经科学
- 脑连接建模
Tools Used
- read: Read skill documentation and references
- exec: Run analysis scripts and data processing
- web_fetch: Fetch papers and resources
Instructions for Agents
- Read the skill documentation carefully
- Understand the methodology and key concepts
- Apply the techniques to the specific problem
- Document results and insights
Examples
