ScholarGate
Asystent
Process / pipelineGenerative Bayesian

Dynamic Causal Modeling

Dynamic Causal Modeling (DCM) to bayesowska struktura do specyfikowania i odwracania modeli generatywnych łączności mózgu na podstawie danych neuroobrazowych. Wprowadzone przez Karla Fristona i współpracowników w 2003 roku, DCM traktuje obszary mózgu jako systemy dynamiczne i szacuje łączność efektywną poprzez dopasowanie obserwowanych szeregów czasowych fMRI do modelu interakcji neuronalnych zgodnego z zasadami biofizyki.

Otwórz w MethodMindWkrótceWideoWkrótceDownload slides

Przeczytaj pełny opis metody

Tylko dla członków

Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.

Zaloguj się

Method map

The neighbourhood of related methods — select a node to explore.

Źródła

  1. Friston, K. J., Harrison, L., & Penny, W. (2003). Dynamic causal modelling. NeuroImage, 19(4), 1273–1302. DOI: 10.1016/S1053-8119(03)00202-7
  2. Stephan, K. E., & Mathys, C. (2015). Computational approaches to neuroscience. Current Opinion in Neurobiology, 25, 85–92. link

Jak cytować tę stronę

ScholarGate. (2026, June 3). Dynamic Causal Modeling for fMRI Brain Networks. ScholarGate. https://scholargate.app/pl/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.

Compare side by side

Cytowana przez

ScholarGateDynamic Causal Modeling (Dynamic Causal Modeling for fMRI Brain Networks). Pobrano 2026-06-15 z https://scholargate.app/pl/neuroimaging/dynamic-causal-modeling · Zbiór danych: https://doi.org/10.5281/zenodo.20539026