Pemodelan Kausal Dinamik
Pemodelan Kausal Dinamik (DCM) ialah rangka kerja Bayesian untuk menentukan dan menterbalikkan model penjanaan keterhubungan otak daripada data neuroimej. Diperkenalkan oleh Karl Friston dan rakan-rakan pada tahun 2003, DCM menganggap kawasan otak sebagai sistem dinamik dan menganggarkan keterhubungan berkesan dengan memadankan siri masa fMRI yang diperhatikan kepada model interaksi neuronal yang munasabah secara biofizikal.
Baca kaedah sepenuhnya
Log masuk dengan akaun percuma untuk membaca bahagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- Friston, K. J., Harrison, L., & Penny, W. (2003). Dynamic causal modelling. NeuroImage, 19(4), 1273–1302. DOI: 10.1016/S1053-8119(03)00202-7 ↗
- Stephan, K. E., & Mathys, C. (2015). Computational approaches to neuroscience. Current Opinion in Neurobiology, 25, 85–92. link ↗
Cara memetik halaman ini
ScholarGate. (2026, June 3). Dynamic Causal Modeling for fMRI Brain Networks. ScholarGate. https://scholargate.app/ms/neuroimaging/dynamic-causal-modeling
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Analisis Jaringan Otak GrafPengimejan Neuro↔ compare
- Pemodelan Persamaan StrukturStatistik Penyelidikan↔ compare
Dirujuk oleh
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →