ScholarGate
Βοηθός

Σύγκριση μεθόδων

Εξετάστε τις επιλεγμένες μεθόδους δίπλα-δίπλα· οι γραμμές που διαφέρουν επισημαίνονται.

Ανάλυση Ομοιότητας Αναπαραστάσεων×Δυναμική Αιτιακή Μοντελοποίηση×
ΠεδίοΝευροαπεικόνισηΝευροαπεικόνιση
ΟικογένειαProcess / pipelineProcess / pipeline
Έτος προέλευσης20082003
ΔημιουργόςNikolaus KriegeskorteKarl J. Friston
ΤύποςfMRI similarity structure comparisonCausal modeling pipeline for neuroimaging
Θεμελιώδης πηγήKriegeskorte, N., Mur, M., & Bandettini, P. A. (2008). Representational similarity analysis—connecting the branches of systems neuroscience. Frontiers in Systems Neuroscience, 2, 4. DOI ↗Friston, K. J., Harrison, L., & Penny, W. (2003). Dynamic causal modelling. NeuroImage, 19(4), 1273–1302. DOI ↗
Εναλλακτικές ονομασίεςRSA, representational geometry, similarity structure analysisDCM, Dynamic Causal Model
Συναφείς32
ΣύνοψηRepresentational Similarity Analysis (RSA) is a framework for comparing representational geometry across brain regions, computational models, and behavioral measures. Introduced by Kriegeskorte and colleagues in 2008, RSA measures how similarly a brain region represents different stimuli or concepts by examining pairwise similarity structure rather than absolute activity patterns.Dynamic Causal Modeling (DCM) is a Bayesian framework for specifying and inverting generative models of brain connectivity from neuroimaging data. Introduced by Karl Friston and colleagues in 2003, DCM treats brain regions as dynamical systems and estimates effective connectivity by fitting observed fMRI time series to a biophysically plausible model of neuronal interactions.
ScholarGateΣύνολο δεδομένων
  1. v1
  2. 2 Πηγές
  3. PUBLISHED
  1. v1
  2. 2 Πηγές
  3. PUBLISHED

Μετάβαση στην αναζήτηση Λήψη διαφανειών

ScholarGateΣύγκριση μεθόδων: Representational Similarity Analysis · Dynamic Causal Modeling. Ανακτήθηκε στις 2026-06-18 από https://scholargate.app/el/compare