El modelado causal dinámico ( DCM ) es un marco para especificar modelos, ajustarlos a los datos y comparar su evidencia utilizando la comparación de modelos bayesianos . Utiliza modelos de espacio de estados no lineales en tiempo continuo, especificados mediante ecuaciones diferenciales estocásticas u ordinarias . El DCM se desarrolló inicialmente para probar hipótesis sobre la dinámica neuronal . [1] En este contexto, las ecuaciones diferenciales describen la interacción de poblaciones neuronales, que directa o indirectamente dan lugar a datos de neuroimagen funcional, por ejemplo, resonancia magnética funcional (fMRI), magnetoencefalografía (MEG) o electroencefalografía (EEG). Los parámetros en estos modelos cuantifican las influencias dirigidas o la conectividad efectiva entre poblaciones neuronales, que se estiman a partir de los datos utilizando métodos estadísticos bayesianos .
Procedimiento
El modelo de comparación de patrones de conexión (DCM) se utiliza normalmente para estimar el acoplamiento entre regiones cerebrales y los cambios en el acoplamiento debido a cambios experimentales (por ejemplo, tiempo o contexto). Se especifica un modelo de poblaciones neuronales en interacción, con un nivel de detalle biológico que depende de las hipótesis y los datos disponibles. Esto se combina con un modelo directo que describe cómo la actividad neuronal da lugar a respuestas medidas. La estimación del modelo generativo identifica los parámetros (por ejemplo, la fuerza de la conexión) a partir de los datos observados. La comparación de modelos bayesianos se utiliza para comparar modelos en función de su evidencia, que luego se puede caracterizar en términos de parámetros.
Los estudios de DCM generalmente implican las siguientes etapas: [2]
Diseño experimental. Se formulan hipótesis específicas y se lleva a cabo un experimento.
Preparación de datos. Los datos adquiridos se procesan previamente (por ejemplo, para seleccionar características relevantes de los datos y eliminar factores de confusión).
Especificación del modelo. Se especifican uno o más modelos de avance (DCM) para cada conjunto de datos.
Estimación del modelo. El modelo o los modelos se ajustan a los datos para determinar su evidencia y parámetros.
Comparación de modelos. La evidencia de cada modelo se utiliza para la comparación de modelos bayesianos (a nivel de sujeto único o a nivel de grupo) para seleccionar el mejor modelo o los mejores. El promedio de modelos bayesianos (BMA) se utiliza para calcular un promedio ponderado de las estimaciones de parámetros de diferentes modelos.
A continuación se repasan brevemente las etapas clave.
Diseño experimental
Los experimentos de neuroimagen funcional suelen estar basados en tareas o examinan la actividad cerebral en reposo ( estado de reposo ). En los experimentos basados en tareas, las respuestas cerebrales son provocadas por entradas deterministas conocidas (estímulos controlados experimentalmente). Estas variables experimentales pueden cambiar la actividad neuronal a través de influencias directas en regiones cerebrales específicas, como los potenciales evocados en la corteza visual temprana, o mediante una modulación del acoplamiento entre poblaciones neuronales; por ejemplo, la influencia de la atención. Estos dos tipos de entrada (impulsiva y moduladora) se parametrizan por separado en DCM. [1] Para permitir una estimación eficiente de los efectos impulsores y moduladores, a menudo se utiliza un diseño experimental factorial 2x2 , en el que un factor actúa como entrada impulsora y el otro como entrada moduladora. [2]
Los experimentos en estado de reposo no incluyen manipulaciones experimentales durante el período de registro de neuroimagen. En cambio, se prueban hipótesis sobre el acoplamiento de fluctuaciones endógenas en la actividad neuronal o en las diferencias de conectividad entre sesiones o sujetos. El marco de trabajo del DCM incluye modelos y procedimientos para analizar datos en estado de reposo, que se describen en la siguiente sección.
Especificación del modelo
Todos los modelos en DCM tienen la siguiente forma básica:
La primera igualdad describe el cambio en la actividad neuronal con respecto al tiempo (es decir, ), que no se puede observar directamente utilizando modalidades de imágenes funcionales no invasivas. La evolución de la actividad neuronal a lo largo del tiempo está controlada por una función neuronal con parámetros y entradas experimentales . La actividad neuronal, a su vez, causa las series temporales (segunda igualdad), que se generan a través de una función de observación con parámetros . El ruido de observación aditivo completa el modelo de observación. Por lo general, los parámetros neuronales son de interés clave, que, por ejemplo, representan las fortalezas de la conexión que pueden cambiar en diferentes condiciones experimentales.
Para especificar un DCM es necesario seleccionar un modelo neuronal y un modelo de observación y establecer valores previos apropiados sobre los parámetros; por ejemplo, seleccionar qué conexiones se deben activar o desactivar.
Resonancia magnética funcional
El modelo neuronal en DCM para fMRI es una aproximación de Taylor que captura las influencias causales generales entre las regiones cerebrales y su cambio debido a las entradas experimentales (ver imagen). Esto se combina con un modelo biofísico detallado de la generación de la respuesta dependiente del nivel de oxígeno en sangre (BOLD) y la señal de MRI, [1] basado en el modelo Balloon de Buxton et al., [3] que se complementó con un modelo de acoplamiento neurovascular. [4] [5] Las adiciones al modelo neuronal han incluido interacciones entre poblaciones neuronales excitatorias e inhibidoras [6] e influencias no lineales de poblaciones neuronales en el acoplamiento entre otras poblaciones. [7]
El DCM para estudios de estado de reposo se introdujo por primera vez en el DCM estocástico [8] , que estima tanto las fluctuaciones neuronales como los parámetros de conectividad en el dominio del tiempo, utilizando el filtrado generalizado . Posteriormente se introdujo un esquema más eficiente para los datos de estado de reposo que opera en el dominio de la frecuencia, llamado DCM para la densidad espectral cruzada (CSD). [9] [10] Ambos se pueden aplicar a redes cerebrales a gran escala al restringir los parámetros de conectividad en función de la conectividad funcional. [11] [12] Otro desarrollo reciente para el análisis del estado de reposo es el DCM de regresión [13] implementado en la colección de software Tapas (consulte Implementaciones de software). El DCM de regresión opera en el dominio de la frecuencia, pero linealiza el modelo bajo ciertas simplificaciones, como tener una función de respuesta hemodinámica fija (canónica). Esto permite una estimación rápida de redes cerebrales a gran escala.
EEG / MEG
El DCM para los datos de EEG y MEG utiliza modelos neuronales biológicamente más detallados que fMRI, debido a la mayor resolución temporal de estas técnicas de medición. Estos pueden clasificarse en modelos fisiológicos, que recapitulan los circuitos neuronales, y modelos fenomenológicos, que se centran en reproducir características particulares de los datos. Los modelos fisiológicos pueden subdividirse en dos clases. Los modelos basados en conductancia derivan de la representación del circuito equivalente de la membrana celular desarrollada por Hodgkin y Huxley en la década de 1950. [14] Los modelos de convolución fueron introducidos por Wilson y Cowan [15] y Freeman [16] en la década de 1970 e implican una convolución de la entrada presináptica por una función de núcleo sináptico. Algunos de los modelos específicos utilizados en el DCM son los siguientes:
Modelos fisiológicos:
Modelos de convolución:
DCM para respuestas evocadas (DCM para ERP). [17] [18] Este es un modelo de masa neuronal biológicamente plausible, que extiende el trabajo anterior de Jansen y Rit. [19] Emula la actividad de un área cortical utilizando tres subpoblaciones neuronales (ver imagen), cada una de las cuales se basa en dos operadores. El primer operador transforma la tasa de disparo presináptico en un potencial postsináptico (PSP), mediante la convolución de la entrada presináptica con una función de respuesta sináptica (kernel). El segundo operador, una función sigmoidea , transforma el potencial de membrana en una tasa de disparo de potenciales de acción.
DCM para LFP (potenciales de campo local). [20] Amplía DCM para ERP agregando los efectos de canales iónicos específicos en la generación de picos.
Microcircuito canónico (CMC). [21] Se utiliza para abordar hipótesis sobre conexiones ascendentes y descendentes específicas laminares en el cerebro, que sustentan la explicación de la codificación predictiva de las arquitecturas cerebrales funcionales. La población de células piramidales únicas del DCM para ERP se divide en poblaciones profundas y superficiales (ver imagen). Se ha aplicado una versión del CMC para modelar datos de MEG y fMRI multimodales. [22]
Modelo de campo neuronal (NFM). [23] Extiende los modelos anteriores al dominio espacial, modelando cambios continuos en la corriente a través de la capa cortical.
Modelos de conductancia:
Modelo de masa neuronal (NMM) y modelo de campo medio (MFM). [24] [25] Estos tienen la misma disposición de poblaciones neuronales que el DCM para ERP, mencionado anteriormente, pero se basan en el modelo de Morris-Lecar de la fibra muscular del percebe, [26] que a su vez deriva del modelo de Hodgin y Huxley del axón del calamar gigante. [14] Permiten la inferencia sobre el flujo de iones excitatorios (Na+) e inhibidores (Cl-) regulados por ligando, mediado por receptores glutamatérgicos y GABAérgicos rápidos. Mientras que el DCM para fMRI y los modelos de convolución representan la actividad de cada población neuronal mediante un único número (su actividad media), los modelos de conductancia incluyen la densidad total (distribución de probabilidad) de la actividad dentro de la población. El "supuesto de campo medio" utilizado en la versión MFM del modelo supone que la densidad de la actividad de una población depende únicamente de la media de otra. Una extensión posterior agregó canales iónicos NMDA regulados por voltaje. [27]
Modelos fenomenológicos:
DCM para acoplamiento de fase. [28] Modela la interacción de las regiones cerebrales como osciladores débilmente acoplados (WCO), en los que la tasa de cambio de fase de un oscilador está relacionada con las diferencias de fase entre él mismo y otros osciladores.
Estimación del modelo
La inversión o estimación del modelo se implementa en DCM utilizando Bayes variacional bajo el supuesto de Laplace . [29] Esto proporciona dos cantidades útiles: la probabilidad marginal logarítmica o evidencia del modelo es la probabilidad de observación de los datos bajo un modelo dado. Generalmente, esto no se puede calcular explícitamente y se aproxima mediante una cantidad llamada energía libre variacional negativa , a la que en el aprendizaje automático se hace referencia como Límite inferior de evidencia (ELBO). Las hipótesis se prueban comparando la evidencia de diferentes modelos en función de su energía libre, un procedimiento llamado comparación de modelos bayesianos.
La estimación de modelos también proporciona estimaciones de los parámetros , por ejemplo, la fuerza de las conexiones, que maximizan la energía libre. Cuando los modelos difieren solo en sus valores a priori, se puede utilizar la reducción de modelos bayesiana para derivar la evidencia y los parámetros de los modelos anidados o reducidos de manera analítica y eficiente.
Comparación de modelos
Los estudios de neuroimagen suelen investigar los efectos que se conservan a nivel de grupo o que difieren entre sujetos. Hay dos enfoques predominantes para el análisis a nivel de grupo: selección de modelos bayesianos de efectos aleatorios (BMS) [30] y Bayes empírico paramétrico (PEB). [31] El BMS de efectos aleatorios postula que los sujetos difieren en términos de qué modelo generó sus datos; por ejemplo, al extraer un sujeto al azar de la población, podría haber una probabilidad del 25 % de que su cerebro esté estructurado como el modelo 1 y una probabilidad del 75 % de que esté estructurado como el modelo 2. El proceso de análisis para el procedimiento del enfoque BMS sigue una serie de pasos:
Especificar y estimar múltiples DCM por sujeto, donde cada DCM (o conjunto de DCM) encarna una hipótesis.
Realizar BMS de efectos aleatorios para estimar la proporción de sujetos cuyos datos fueron generados por cada modelo
Calcule los parámetros de conectividad promedio entre los modelos mediante el promedio de modelos bayesianos. Este promedio se pondera según la probabilidad posterior de cada modelo, lo que significa que los modelos con mayor probabilidad contribuyen más al promedio que los modelos con menor probabilidad.
Como alternativa, se puede utilizar el método Bayes empírico paramétrico (PEB) [31] , que especifica un modelo jerárquico sobre parámetros (por ejemplo, fortalezas de conexión). Evita la noción de diferentes modelos a nivel de sujetos individuales y supone que las personas difieren en la fortaleza (paramétrica) de las conexiones. El método PEB modela distintas fuentes de variabilidad en las fortalezas de conexión entre sujetos utilizando efectos fijos y variabilidad entre sujetos (efectos aleatorios). El procedimiento PEB es el siguiente:
Especifique un único DCM 'completo' por sujeto, que contenga todos los parámetros de interés.
Especifique un modelo lineal general bayesiano (GLM) para modelar los parámetros (la densidad posterior completa) de todos los sujetos a nivel de grupo.
Pruebe las hipótesis comparando el modelo a nivel de grupo completo con modelos a nivel de grupo reducido donde se han desactivado ciertas combinaciones de conexiones.
Validación
Los avances en DCM se han validado utilizando diferentes enfoques:
La validez aparente establece si los parámetros de un modelo pueden recuperarse a partir de datos simulados. Esto suele realizarse junto con el desarrollo de cada nuevo modelo (p. ej., [1] [7] ).
La validez de constructo evalúa la coherencia con otros métodos analíticos. Por ejemplo, el DCM se ha comparado con el modelado de ecuaciones estructurales [32] y otros modelos computacionales neurobiológicos. [33]
La validez predictiva evalúa la capacidad de predecir efectos conocidos o esperados. Esto incluye pruebas con iEEG/EEG/estimulación [34] [35] [36] [37] y con tratamientos farmacológicos conocidos. [38] [39]
Limitaciones / inconvenientes
El DCM es un enfoque basado en hipótesis para investigar las interacciones entre regiones de interés predefinidas. No es ideal para análisis exploratorios. [2] Aunque se han implementado métodos para buscar automáticamente en modelos reducidos ( reducción de modelos bayesianos ) y para modelar redes cerebrales a gran escala, [12] estos métodos requieren una especificación explícita del espacio del modelo. En neuroimagen, enfoques como el análisis de interacción psicofisiológica (PPI) pueden ser más apropiados para uso exploratorio; especialmente para descubrir nodos clave para el análisis DCM posterior.
Los métodos bayesianos variacionales utilizados para la estimación de modelos en DCM se basan en el supuesto de Laplace, que trata los parámetros posteriores como si fueran gaussianos. Esta aproximación puede fallar en el contexto de modelos altamente no lineales, donde los mínimos locales pueden impedir que la energía libre sirva como un límite estricto en la evidencia del modelo logarítmico. Los métodos de muestreo proporcionan el estándar de oro; sin embargo, requieren mucho tiempo y, por lo general, se han utilizado para validar las aproximaciones variacionales en DCM. [40]
Implementaciones de software
DCM se implementa en el paquete de software Statistical Parametric Mapping , que sirve como implementación canónica o de referencia (http://www.fil.ion.ucl.ac.uk/spm/software/spm12/). Se ha vuelto a implementar y desarrollar en la colección de software Tapas (https://www.tnu.ethz.ch/en/software/tapas.html Archivado el 3 de febrero de 2019 en Wayback Machine ) y en la caja de herramientas VBA (https://mbb-team.github.io/VBA-toolbox/).
Referencias
^ abcd Friston, KJ; Harrison, L.; Penny, W. (agosto de 2003). "Modelado causal dinámico". NeuroImage . 19 (4): 1273–1302. doi :10.1016/s1053-8119(03)00202-7. ISSN 1053-8119. PMID 12948688. S2CID 2176588.
^ abc Stephan, KE; Penny, WD; Moran, RJ ; den Ouden, HEM; Daunizeau, J.; Friston, KJ (febrero de 2010). "Diez reglas simples para el modelado causal dinámico". NeuroImage . 49 (4): 3099–3109. doi :10.1016/j.neuroimage.2009.11.015. ISSN 1053-8119. PMC 2825373 . PMID 19914382.
^ Buxton, Richard B.; Wong, Eric C.; Frank, Lawrence R. (junio de 1998). "Dinámica de los cambios en el flujo sanguíneo y la oxigenación durante la activación cerebral: el modelo del globo". Resonancia magnética en medicina . 39 (6): 855–864. doi :10.1002/mrm.1910390602. ISSN 0740-3194. PMID 9621908. S2CID 2002497.
^ Friston, KJ; Mechelli, A.; Turner, R.; Price, CJ (octubre de 2000). "Respuestas no lineales en fMRI: el modelo de globo, núcleos de Volterra y otros hemodinámicos". NeuroImage . 12 (4): 466–477. doi :10.1006/nimg.2000.0630. ISSN 1053-8119. PMID 10988040. S2CID 961661.
^ Stephan, Klaas Enno; Weiskopf, Nikolaus; Drysdale, Peter M.; Robinson, Peter A.; Friston, Karl J. (noviembre de 2007). "Comparación de modelos hemodinámicos con DCM". NeuroImage . 38 (3): 387–401. doi :10.1016/j.neuroimage.2007.07.040. ISSN 1053-8119. PMC 2636182 . PMID 17884583.
^ Marreiros, AC; Kiebel, SJ; Friston, KJ (enero de 2008). "Modelado causal dinámico para fMRI: un modelo de dos estados". NeuroImage . 39 (1): 269–278. CiteSeerX 10.1.1.160.1281 . doi :10.1016/j.neuroimage.2007.08.019. ISSN 1053-8119. PMID 17936017. S2CID 9731930.
^ ab Stephan, Klaas Enno; Kasper, Lars; Harrison, Lee M.; Daunizeau, Jean; den Ouden, Hanneke EM; Breakspear, Michael; Friston, Karl J. (agosto de 2008). "Modelos causales dinámicos no lineales para fMRI". NeuroImage . 42 (2): 649–662. doi :10.1016/j.neuroimage.2008.04.262. ISSN 1053-8119. PMC 2636907 . PMID 18565765.
^ Li, Baojuan; Daunizeau, Jean; Stephan, Klaas E; Penique, voluntad; Hu, Dewen; Friston, Karl (15 de septiembre de 2011). "Filtrado generalizado y DCM estocástico para resonancia magnética funcional" (PDF) . NeuroImagen . 58 (2): 442–457. doi : 10.1016/j.neuroimage.2011.01.085. ISSN 1053-8119. PMID 21310247. S2CID 13956458.
^ Friston, Karl J.; Kahan, Joshua; Biswal, Bharat; Razi, Adeel (julio de 2014). "Un DCM para fMRI en estado de reposo". NeuroImage . 94 (100): 396–407. doi :10.1016/j.neuroimage.2013.12.009. ISSN 1053-8119. PMC 4073651 . PMID 24345387.
^ Razi, Adeel; Kahan, Joshua; Rees, Geraint; Friston, Karl J. (febrero de 2015). "Validación de la construcción de un DCM para fMRI en estado de reposo". NeuroImage . 106 : 1–14. doi :10.1016/j.neuroimage.2014.11.027. ISSN 1053-8119. PMC 4295921 . PMID 25463471.
^ Seghier, Mohamed L.; Friston, Karl J. (marzo de 2013). "Descubrimiento de redes con DCM grandes". NeuroImage . 68 : 181–191. doi :10.1016/j.neuroimage.2012.12.005. ISSN 1053-8119. PMC 3566585 . PMID 23246991.
^ ab Razi, Adeel; Seghier, Mohamed L.; Zhou, Yuan; McColgan, Peter; Zeidman, Peter; Park, Hae-Jeong; Sporns, Olaf; Rees, Geraint; Friston, Karl J. (octubre de 2017). "DCM a gran escala para fMRI en estado de reposo". Neurociencia en red . 1 (3): 222–241. doi :10.1162/netn_a_00015. ISSN 2472-1751. PMC 5796644 . PMID 29400357.
^ Frassle, Stefan; Lomakina, Ekaterina I.; Razi, Adeel; Friston, Karl J.; Buhmann, Joaquín M.; Stephan, Klaas E. (julio de 2017). "DCM de regresión para resonancia magnética funcional". NeuroImagen . 155 : 406–421. doi : 10.1016/j.neuroimage.2017.02.090 . hdl : 20.500.11850/182456 . ISSN 1053-8119. PMID 28259780.
^ ab Hodgkin, AL; Huxley, AF (28 de abril de 1952). "Los componentes de la conductancia de la membrana en el axón gigante de Loligo". Revista de fisiología . 116 (4): 473–496. doi :10.1113/jphysiol.1952.sp004718. ISSN 0022-3751. PMC 1392209 . PMID 14946714.
^ Wilson, HR; Cowan, JD (septiembre de 1973). "Una teoría matemática de la dinámica funcional del tejido nervioso cortical y talámico". Kybernetik . 13 (2): 55–80. doi :10.1007/bf00288786. ISSN 0340-1200. PMID 4767470. S2CID 292546.
^ Freeman, Walter J (1975). Acción de masas en el sistema nervioso . doi :10.1016/c2009-0-03145-6. ISBN9780122671500.
^ David, Olivier; Friston, Karl J. (noviembre de 2003). "Un modelo de masa neuronal para MEG/EEG". NeuroImage . 20 (3): 1743–1755. doi :10.1016/j.neuroimage.2003.07.015. ISSN 1053-8119. PMID 14642484. S2CID 1197179.
^ Kiebel, Stefan J.; Garrido, Marta I.; Friston, Karl J. (31 de julio de 2009), "Modelado causal dinámico para respuestas evocadas", Análisis de señales cerebrales , The MIT Press, págs. 141-170, doi :10.7551/mitpress/9780262013086.003.0006, ISBN9780262013086
^ Jansen, Ben H.; Rit, Vincent G. (1995-09-01). "Electroencefalograma y generación de potenciales evocados visuales en un modelo matemático de columnas corticales acopladas". Cibernética biológica . 73 (4): 357–366. doi :10.1007/s004220050191. ISSN 0340-1200. PMID 7578475.
^ Moran, RJ; Kiebel, SJ; Stephan, KE ; Reilly, RB; Daunizeau, J.; Friston, KJ (septiembre de 2007). "Un modelo de masa neuronal de respuestas espectrales en electrofisiología". NeuroImage . 37 (3): 706–720. doi :10.1016/j.neuroimage.2007.05.032. ISSN 1053-8119. PMC 2644418 . PMID 17632015.
^ Bastos, Andre M.; Usrey, W. Martin; Adams, Rick A.; Mangun, George R.; Fries, Pascal; Friston, Karl J. (noviembre de 2012). "Microcircuitos canónicos para codificación predictiva". Neuron . 76 (4): 695–711. doi :10.1016/j.neuron.2012.10.038. ISSN 0896-6273. PMC 3777738 . PMID 23177956.
^ Friston, KJ; Preller, Katrin H.; Mathys, Chris; Cagnan, Hayriye; Heinzle, Jakob; Razi, Adeel; Zeidman, Peter (febrero de 2017). "Modelado causal dinámico revisado". NeuroImage . 199 : 730–744. doi :10.1016/j.neuroimage.2017.02.045. ISSN 1053-8119. PMC 6693530 . PMID 28219774.
^ Pinotsis, DA; Friston, KJ (marzo de 2011). "Campos neuronales, respuestas espectrales y conexiones laterales". NeuroImage . 55 (1): 39–48. doi :10.1016/j.neuroimage.2010.11.081. ISSN 1053-8119. PMC 3049874 . PMID 21138771.
^ Marreiros, André C.; Daunizeau, Jean; Kiebel, Stefan J.; Friston, Karl J. (agosto de 2008). "Dinámica de poblaciones: varianza y función de activación sigmoidea". NeuroImage . 42 (1): 147–157. doi :10.1016/j.neuroimage.2008.04.239. ISSN 1053-8119. PMID 18547818. S2CID 13932515.
^ Marreiros, André C.; Kiebel, Stefan J.; Daunizeau, Jean; Harrison, Lee M.; Friston, Karl J. (febrero de 2009). "Dinámica poblacional bajo el supuesto de Laplace". NeuroImage . 44 (3): 701–714. doi :10.1016/j.neuroimage.2008.10.008. ISSN 1053-8119. PMID 19013532. S2CID 12369912.
^ Morris, C.; Lecar, H. (julio de 1981). "Oscilaciones de voltaje en la fibra muscular gigante del percebe". Revista biofísica . 35 (1): 193–213. Bibcode :1981BpJ....35..193M. doi :10.1016/s0006-3495(81)84782-0. ISSN 0006-3495. PMC 1327511 . PMID 7260316.
^ Moran, Rosalyn J. ; Stephan, Klaas E.; Dolan, Raymond J.; Friston, Karl J. (abril de 2011). "Predictores espectrales consistentes para modelos causales dinámicos de respuestas en estado estable". NeuroImage . 55 (4): 1694–1708. doi :10.1016/j.neuroimage.2011.01.012. ISSN 1053-8119. PMC 3093618 . PMID 21238593.
^ Penny, WD; Litvak, V.; Fuentemilla, L.; Duzel, E.; Friston, K. (septiembre de 2009). "Modelos causales dinámicos para el acoplamiento de fases". Journal of Neuroscience Methods . 183 (1): 19–30. doi :10.1016/j.jneumeth.2009.06.029. ISSN 0165-0270. PMC 2751835 . PMID 19576931.
^ Friston, K.; Mattout, J.; Trujillo-Barreto, N.; Ashburner, J.; Penny, W. (2007), "Bayes variacional bajo la aproximación de Laplace", Mapeo paramétrico estadístico , Elsevier, págs. 606–618, doi :10.1016/b978-012372560-8/50047-4, ISBN9780123725608
^ Rigoux, L.; Stephan, KE; Friston, KJ; Daunizeau, J. (enero de 2014). "Selección de modelos bayesianos para estudios grupales: revisitada". NeuroImage . 84 : 971–985. doi :10.1016/j.neuroimage.2013.08.065. ISSN 1053-8119. PMID 24018303. S2CID 1908433.
^ ab Friston, Karl J.; Litvak, Vladimir; Oswal, Ashwini; Razi, Adeel; Stephan, Klaas E.; van Wijk, Bernadette CM; Ziegler, Gabriel; Zeidman, Peter (marzo de 2016). "Reducción de modelos bayesianos y Bayes empírico para estudios de grupo (DCM)". NeuroImage . 128 : 413–431. doi :10.1016/j.neuroimage.2015.11.015. ISSN 1053-8119. PMC 4767224 . PMID 26569570.
^ Penny, WD; Stephan, KE; Mechelli, A.; Friston, KJ (enero de 2004). "Modelado de la integración funcional: una comparación de ecuaciones estructurales y modelos causales dinámicos". NeuroImage . 23 : S264–S274. CiteSeerX 10.1.1.160.3141 . doi :10.1016/j.neuroimage.2004.07.041. ISSN 1053-8119. PMID 15501096. S2CID 8993497.
^ Lee, Lucy; Friston, Karl; Horwitz, Barry (mayo de 2006). "Modelos neuronales a gran escala y modelado causal dinámico". NeuroImage . 30 (4): 1243–1254. doi :10.1016/j.neuroimage.2005.11.007. ISSN 1053-8119. PMID 16387513. S2CID 19003382.
^ David, Olivier; Guillemain, Isabelle; Saillet, Sandrine; Reyt, Sebastien; Deransart, Colin; Segebarth, Christoph; Depaulis, Antoine (23 de diciembre de 2008). "Identificación de impulsores neuronales con resonancia magnética funcional: una validación electrofisiológica". PLOS Biology . 6 (12): 2683–97. doi : 10.1371/journal.pbio.0060315 . ISSN 1545-7885. PMC 2605917 . PMID 19108604.
^ David, Olivier; Woźniak, Agata; Minotti, Lorella; Kahane, Philippe (febrero de 2008). "Plasticidad preictal a corto plazo inducida por estimulación intracerebral de 1 Hz" (PDF) . NeuroImage . 39 (4): 1633–1646. doi :10.1016/j.neuroimage.2007.11.005. ISSN 1053-8119. PMID 18155929. S2CID 3415312.
^ Reyt, Sébastien; Picq, Chloé; Sinniger, Valérie; Clarençon, Didier; Bonaz, Bruno; David, Olivier (octubre de 2010). "Modelado causal dinámico y factores de confusión fisiológicos: un estudio de resonancia magnética funcional de la estimulación del nervio vago" (PDF) . NeuroImage . 52 (4): 1456–1464. doi :10.1016/j.neuroimage.2010.05.021. ISSN 1053-8119. PMID 20472074. S2CID 1668349.
^ Daunizeau, J.; Lemieux, L.; Vaudano, AE; Friston, KJ; Stephan, KE (2013). "Una validación electrofisiológica de DCM estocástico para fMRI". Frontiers in Computational Neuroscience . 6 : 103. doi : 10.3389/fncom.2012.00103 . ISSN 1662-5188. PMC 3548242 . PMID 23346055.
^ Moran, Rosalyn J .; Symmonds, Mkael; Stephan, Klaas E.; Friston, Karl J.; Dolan, Raymond J. (agosto de 2011). "Un ensayo in vivo de la función sináptica que media la cognición humana". Current Biology . 21 (15): 1320–1325. doi :10.1016/j.cub.2011.06.053. ISSN 0960-9822. PMC 3153654 . PMID 21802302.
^ Moran, Rosalyn J. ; Jung, Fabienne; Kumagai, Tetsuya; Endepols, Heike; Graf, Rudolf; Dolan, Raymond J.; Friston, Karl J.; Stephan, Klaas E.; Tittgemeyer, Marc (2011-08-02). "Modelos causales dinámicos e inferencia fisiológica: un estudio de validación utilizando anestesia con isoflurano en roedores". PLOS ONE . 6 (8): e22790. Bibcode :2011PLoSO...622790M. doi : 10.1371/journal.pone.0022790 . ISSN 1932-6203. PMC 3149050 . PMID 21829652.
^ Chumbley, Justin R.; Friston, Karl J.; Fearn, Tom; Kiebel, Stefan J. (noviembre de 2007). "Un algoritmo Metropolis-Hastings para modelos causales dinámicos". NeuroImage . 38 (3): 478–487. doi :10.1016/j.neuroimage.2007.07.028. ISSN 1053-8119. PMID 17884582. S2CID 3347682.
Lectura adicional
Scholia tiene un perfil para el modelado causal dinámico (Q5318953).
Modelado causal dinámico en Scholarpedia
Comprender la DCM: diez reglas sencillas para el médico [1]
Masas y campos neuronales en el modelado causal dinámico [2]
^ Kahan, Joshua; Foltynie, Tom (diciembre de 2013). "Entender la miocardiopatía dilatada: diez reglas sencillas para el médico". NeuroImage . 83 : 542–549. doi : 10.1016/j.neuroimage.2013.07.008 . ISSN 1053-8119. PMID 23850463.
^ Moran, Rosalyn ; Pinotsis, Dimitris A.; Friston, Karl (2013). "Masas y campos neuronales en el modelado causal dinámico". Frontiers in Computational Neuroscience . 7 : 57. doi : 10.3389/fncom.2013.00057 . ISSN 1662-5188. PMC 3664834 . PMID 23755005.