Z-score標準化 這是數據處理最常用的方法
* 目標：均值0，方差1
h(x1) = (h(x1)-mean(h(X))/squareroot(sum of h(xi)*h(xi))
標準化 (標準差置1)
* 目標：標準差爲1
* 需要方法: PCA
* Tips: 圖像不需要因爲他們都是有界像素值，只需要中心化
h(x1) = h(x1)/squareroot(sum of h(xi)*h(xi))
中心化 （0均值化）
* 目標: 均值爲0,增加基向量正交性
* 需要方法: PCA
h(x1) = h(x1) - mean(h(X))
Min-Max標準化（歸一化）
* 目標: 把數據映射到0-1，但隨着新加入的數據會導致max&min變化
h(x1) = (h(x1)-mean(h(X)))/(max(h(X))-min(h(X)))
h(x1) = (h(x1)-min(h(X)))/(max(h(X))-min(h(X)))
在做FC或voxel-wise degree centrality （體素方法度中心性）時，兩個體素之間X和Y的相關係數（peasrson相關）：
FC通常用Fisher r-z變換增加分析效率，z變換公式爲：
類似於二元正態數據方差爲1。因爲當相關係數|r|過於接近1的時候，方差會非常小。
z-score標準化爲：
DC，fALFF用z-score。計算方法爲每個數據減去均值再除以標準差，大於均值爲正小於均值爲負。可以衡量某個體素值在分佈中相對位置。
度：通過計算每個體素互相的pearson相關加權和。通過一定閾值，二值計算方法計算的是與該體素相關大於閾值的體素個數，權重計算方法計算所有體素與該體素的連接強度之和。通常用z-score來標準化。閾值通常設爲0.2，嚴格可以考慮0.25.
根據研究目的選擇positive，absolute或negative。
度中心度，爲其他所有體素與該體素的平均連接強度：
Buckner對度中心度的研究比較多。
Liao et al. (2013) Neuroimage. 根據度中心度以75mm爲連接距離，低於75mm對初級區域連接更加敏感，高於75mm的連接對功能整合更加敏感。
Sepulcre et al. (2010) Plos Computational Biology. 以14mm內爲局部連接，大於14mm爲長距離連接。
