Z-score标准化 这是数据处理最常用的方法
* 目标：均值0，方差1
h(x1) = (h(x1)-mean(h(X))/squareroot(sum of h(xi)*h(xi))
标准化 (标准差置1)
* 目标：标准差为1
* 需要方法: PCA
* Tips: 图像不需要因为他们都是有界像素值，只需要中心化
h(x1) = h(x1)/squareroot(sum of h(xi)*h(xi))
中心化 （0均值化）
* 目标: 均值为0,增加基向量正交性
* 需要方法: PCA
h(x1) = h(x1) - mean(h(X))
Min-Max标准化（归一化）
* 目标: 把数据映射到0-1，但随着新加入的数据会导致max&min变化
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 （体素方法度中心性）时，两个体素之间X和Y的相关系数（peasrson相关）：
FC通常用Fisher r-z变换增加分析效率，z变换公式为：
类似于二元正态数据方差为1。因为当相关系数|r|过于接近1的时候，方差会非常小。
z-score标准化为：
DC，fALFF用z-score。计算方法为每个数据减去均值再除以标准差，大于均值为正小于均值为负。可以衡量某个体素值在分布中相对位置。
度：通过计算每个体素互相的pearson相关加权和。通过一定阈值，二值计算方法计算的是与该体素相关大于阈值的体素个数，权重计算方法计算所有体素与该体素的连接强度之和。通常用z-score来标准化。阈值通常设为0.2，严格可以考虑0.25.
根据研究目的选择positive，absolute或negative。
度中心度，为其他所有体素与该体素的平均连接强度：
Buckner对度中心度的研究比较多。
Liao et al. (2013) Neuroimage. 根据度中心度以75mm为连接距离，低于75mm对初级区域连接更加敏感，高于75mm的连接对功能整合更加敏感。
Sepulcre et al. (2010) Plos Computational Biology. 以14mm内为局部连接，大于14mm为长距离连接。
