Динамическое каузальное моделирование
Динамическое каузальное моделирование (DCM) — это байесовский подход для спецификации и инверсии генеративных моделей коннективности мозга на основе нейровизуализационных данных. Представленный Карлом Фристоном и его коллегами в 2003 году, DCM рассматривает области мозга как динамические системы и оценивает эффективную коннективность путём подгонки наблюдаемых временных рядов фМРТ к биофизически правдоподобной модели нейронных взаимодействий.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Карта метода
Окружение родственных методов — выберите узел, чтобы перейти к нему.
Источники
- 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 ↗
Как цитировать эту страницу
ScholarGate. (2026, June 3). Dynamic Causal Modeling for fMRI Brain Networks. ScholarGate. https://scholargate.app/ru/neuroimaging/dynamic-causal-modeling
Какой метод?
Поставьте этот метод рядом с ближайшими родственными и прочитайте их бок о бок — библиотека выкладывает книги на стол, а выбор за вами.
- Анализ мозга как сети на основе теории графовНейровизуализация↔ сравнить
- Структурное моделирование (Structural Equation Modeling)Статистика исследований↔ сравнить
Упоминается в
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →