Ten simple rules for dynamic causal modeling.
Ten simple rules for dynamic causal modeling.
复制标题
DOI：
10.1016/j.neuroimage.2009.11.015
复制
发表时间：
2010-02-15
期刊：
影响因子：
5.7
通讯作者：
Friston, K. J.
中科院分区：
文献类型：
--
作者：
Stephan, K. E.;Penny, W. D.;Moran, R. J.;den Ouden, H. E. M.;Daunizeau, J.;Friston, K. J.
关键词：
动态因果建模（DCM）是一种通用的贝叶斯框架，用于从大脑活动的测量结果推断隐藏的神经元状态。它提供了神经生物学可解释的量的后验估计，例如神经元群体之间的突触连接的有效强度及其上下文相关的调制。DCM越来越多地用于分析广泛的神经成像和电生理数据。考虑到DCM的相对复杂性，与传统的分析技术相比，需要对其理论基础有很好的了解，以避免其应用和结果解释中的陷阱。通过以十条简单规则的形式为DCM提供良好的实践建议，我们希望本文能够为不断增长的DCM用户社区提供有用的教程。
Dynamic causal modeling (DCM) is a generic Bayesian framework for inferring hidden neuronal states from measurements of brain activity. It provides posterior estimates of neurobiologically interpretable quantities such as the effective strength of synaptic connections among neuronal populations and their context-dependent modulation. DCM is increasingly used in the analysis of a wide range of neuroimaging and electrophysiological data. Given the relative complexity of DCM, compared to conventional analysis techniques, a good knowledge of its theoretical foundations is needed to avoid pitfalls in its application and interpretation of results. By providing good practice recommendations for DCM, in the form of ten simple rules, we hope that this article serves as a helpful tutorial for the growing community of DCM users.
登录
查看更多内容
DOI：
10.1016/j.physd.2009.08.002
发表时间：
2009-11-01
期刊：
Physica D. Nonlinear phenomena
影响因子：
--
作者：
Daunizeau J;Friston KJ;Kiebel SJ
通讯作者：
Kiebel SJ
影响因子：
7.8
作者：
Brodersen, Kay H.;Penny, Will D.;Stephan, Klaas E.
通讯作者：
Stephan, Klaas E.
影响因子：
5.7
作者：
Bullmore, ET;Horwitz, B;Sharma, T
通讯作者：
Sharma, T
DOI：
10.1093/cercor/bhn161
发表时间：
2009-05
期刊：
Cerebral cortex (New York, N.Y. : 1991)
影响因子：
--
作者：
den Ouden HE;Friston KJ;Daw ND;McIntosh AR;Stephan KE
通讯作者：
Stephan KE
DOI：
10.1098/rstb.2005.1622
发表时间：
2005-04-29
影响因子：
6.3
作者：
Friston, KJ
通讯作者：
Friston, KJ