Aplikace dynamického kauzálního modelování a Grangerovy kauzality na fMRI data
Aktivitu mozku je možné nepřímo zaznamenat pomocí funkčního zobrazování magnetickou rezonancí (fMRI, Functional Magnetic Rezonance Imaging). Tato práce se zaměřuje na popis dvou metod zabývajících se odhadem efektivní konektivity mezi vybranými oblastmi v mozku, aktivně se zapojujících do úlohy séma...
Uloženo v:
| Hlavní autor: | |
|---|---|
| Další autoři: | |
| Typ dokumentu: | VŠ práce nebo rukopis |
| Jazyk: | Čeština |
| Vydáno: |
2014
|
| Témata: | |
| On-line přístup: | http://is.muni.cz/th/394495/prif_b/ |
| Shrnutí: | Aktivitu mozku je možné nepřímo zaznamenat pomocí funkčního zobrazování magnetickou rezonancí (fMRI, Functional Magnetic Rezonance Imaging). Tato práce se zaměřuje na popis dvou metod zabývajících se odhadem efektivní konektivity mezi vybranými oblastmi v mozku, aktivně se zapojujících do úlohy sémantického rozhodování (Semantic decision task, SDT) a jejich porovnáním. Metoda dynamického kauzálního modelování (DCM) u rčuje efektivní konektivitu na základě bayesovské statistiky a biofyzikálně relevantního modelu dynamiky neurálních populací. Grangerovo kauzální modelování (GCM) pro odhad využívá lineárního vektorového autoregresního modelu (VAR models). GCM je založeno na předpokladu, že hodnoty jednoho zdroje informace predikují následující hodnoty jiného zdroje informace. Hlavním cílem práce je porovnání DCM a GCM, jejich odhadů a určení míry shody a neshody odhadnutých modelů konektivity. The brain activity is possible to register indirectly by a method called fMRI, Functional Magnetic Resonance Imaging. This thesis is focused on descritpion of two methods dealing with estimation of effective connectivity between selected areas in brain actively participating in the Semantic Decesion Task (SDT) and their comparison. A method called Dynamic Causal Modelling (DCM) determins the effective connectivity based on bayesian statistics and biophysicaly relevant model of neural population dynamics. A method called Granger Causal Modelling (GCM) uses Vector AutoRegressive models (VAR models) to determine the estimation. GCM is based on an assumption that previous values of one information source predict next values of another information source. Main goal of this thesis is a comparison of DCM and GCM, their estimations and to determine the rate of correspondence and difference between estimated connectivity models. |
|---|---|
| Popis jednotky: | Vedoucí práce: Martin Gajdoš |
| Fyzický popis: | 80 l. |