Abstract
Dynamic Causal Modelling (DCM) is an approach first introduced for the analysis of functional magnetic resonance imaging (fMRI) to quantify effective connectivity between brain areas. Recently, this framework has been extended and established in the magneto/encephalography (M/EEG) domain. DCM for M/EEG entails the inversion a full spatiotemporal model of evoked responses, over multiple conditions. This model rests on a biophysical and neurobiological generative model for electrophysiological data. A generative model is a prescription of how data are generated. The inversion of a DCM provides conditional densities on the model parameters and, indeed on the model itself. These densities enable one to answer key questions about the underlying system. A DCM comprises two parts; one part describes the dynamics within and among neuronal sources, and the second describes how source dynamics generate data in the sensors, using the lead-field. The parameters of this spatiotemporal model are estimated using a single (iterative) Bayesian procedure. In this paper, we will motivate and describe the current DCM framework. Two examples show how the approach can be applied to M/EEG experiments
چکیده
مدلسازی علّی پویا (DCM) راهکاری است که نخست برای تجزیه و تحلیلِ تصویربرداری کاربردی با استفاده از تشدید یا رزونانس مغناطیسی (fMRI) جهت تعیین ارتباط موثر میان نواحی مغز مطرح شده بود. این چهارچوب به تازگی توسعه یافته و در حوزه مغزنگاری با استفاده از سیگنال های مغناطیسی (M/EEG) محقق شده است. مدلسازی علی پویا برای M/EEG، شامل وارون سازی یک مدلِ فضایی-زمانیِ کامل از واکنش های فراخوانی شده، در شرایطی متعدد می باشد. این مدل، ازلحاظ داده های الکتروفیزیولوژیکی، متکی به یک مدل مولدِ بیوفیزیکی و نوروبیولوژیکی می باشد. مدل مولد، درواقع دستورالعملی برای نحوه ایجاد یا تولید داده می باشد. وارون سازیِ DCM چگالی هایی شرطی برروی پارامترهای مدل و درواقع برروی خود مدل فراهم می کند. این چگالی ها ها فرد را قادر به پاسخگویی به سوالات کلیدی دربارۀ سیستم مربوطه می کند. DCM متشکل از دو بخش می باشد؛ یک بخش خصوصیات دینامیکی موجود درداخل منابع نورونی و میان آنها را توصیف می کند و دیگری نحوه ایجاد داده ها در حسگر ها توسط خصوصیات دینامیکی منبع را با استفاده از فیلد راهنما (Lead Field) (مترجم: ماتریسی که شامل اطلاعات هندسی است، ماتریس فیلد راهنما نامیده می شود) توصیف می کند. پارامترهای این مدل فضایی - زمانی با استفاده از یک روش بیزیِ منفرد (تکراری) برآورد می شوند. در این مقاله، طرح کنونیِ DCM را بررسی می کنیم. دو مثال، نشان می دهند که این روش چطور برای آزمایش های M/EEG قابل بکارگیری هستند.
1-مقدمه
در ادامه، نخست چندین مورد از پیشرفت های روش شناختی را مطرح می کنیم که بعقیدۀ ما برای روش های نوین آنالیز M/EEG حائز اهمیت هستند. هدف این است که مقدمه حالتی عمومی و کلی داشته باشد. مولفه های کلیدی با استفاده از مثال های عینیِ مدلسازی علی پویا (DCM)، بعداً ارائه خواهد شد. آنالیز داده هایِ MEG و EEG از زوایای مختلفی قابل انجام است. برای محققان تازه کار و متخصص، تنوعِ روش ها به یک اندازه ساده باشد. بااینحال، اکثر محققان، نوعاً از انتخاب های مکرر میان روش ها جلوگیری می کنند، زیرا شناخت روش ها می تواند هزینه زیادی را موجب شود...