ScholarGate
Ассистент
Process / pipelineGenerative Bayesian

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.

Открыть в MethodMindСкороВидеоСкороСкачать слайды

Читать метод полностью

Только для участников

Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.

Войти

Карта метода

Окружение родственных методов — выберите узел, чтобы перейти к нему.

Источники

  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

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.

Сравнить рядом

Упоминается в

ScholarGateDynamic Causal Modeling (Dynamic Causal Modeling for fMRI Brain Networks). Получено 2026-06-15 из https://scholargate.app/ru/neuroimaging/dynamic-causal-modeling · Набор данных: https://doi.org/10.5281/zenodo.20539026