Dynamische Causale Modellering
Dynamische Causale Modellering (DCM) is een Bayesiaans raamwerk voor het specificeren en inverteren van generatieve modellen van hersenconnectiviteit uit neuroimaging-data. Geïntroduceerd door Karl Friston en collega's in 2003, behandelt DCM hersengebieden als dynamische systemen en schat het effectieve connectiviteit door waargenomen fMRI-tijdreeksen te fitten aan een biofysisch plausibel model van neuronale interacties.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Methodenkaart
De omgeving van verwante methoden — selecteer een knooppunt om te verkennen.
Bronnen
- 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Dynamic Causal Modeling for fMRI Brain Networks. ScholarGate. https://scholargate.app/nl/neuroimaging/dynamic-causal-modeling
Welke methode?
Plaats deze methode naast haar naaste verwanten en lees ze naast elkaar — de bibliotheek legt de boeken op tafel; de keuze is aan u.
- Grafische Netwerkanalyse van de HersenenNeuro-imaging↔ vergelijken
- Structurele vergelijkingsmodelleringOnderzoeksstatistiek↔ vergelijken
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →