DCM笔记

之前提到Ten simple rules for dynamic causal modeling这篇文章，最近因为要处理数据所以仔细看了一下。文章提到了很具体的操作建议，而且对一些常见疑问进行了回答。下面是我的笔记。

1 DCM的因果关系不只来源于观测信号的先后关系，还和模型的设置有关系 (主要是外部输入信号)。
2 使用DCM模型主要是为了做两类推测。推测模型空间vs.推测具体的模型参数。
3 DCM没有给出模型与数据的拟合性指标。即使整体拟合程度不好，仍然可以比较哪一个模型更好一些。
4 即使目的是估计一两个具体的模型参数，第一步仍然要做模型选择bayesian model selection。
5 DCM模型最适合估计连通性受实验操纵的改变 (modulatory effect)。
6 连接强度的改变可能源于膜兴奋性改变 (membrane exitability)或突触可塑性的改变。
7 所有的模型都是错的，但是有些是有用的“Essentially, all models are wrong, but some are useful.”-Box
8 要系统的定义模型空间。
9 模型选择的组分析。FFX假设每个被试的最佳模型是相同的；RFT每个被试的模型可能是不同的。
10 不同数据的模型不能用BMS比较。因此对于fMRI来说，区域数量不同的模型是不能比较的，因为观测数据就是区域的时间序列。但对于EEG/MEG，可以通过对比找到最合适的源。
11 对具体参数进行组分析需要注意多重比较校正。
12 优化fMRI实验的策略同样适用于DCM。但DCM最适用于参数设计，最好可以区分driving effect和modulatory effect。
13 扫描不同层信号的采集时间不同，但1s范围内的时间差别是可以忍受的。因此，TA最好限制在2s以内，并且用中间层作为分析的参照。基于上面的原因，最好采用升序或降序采集，而不是interleaved采集。
14 DTI纤维束可以作为DCM模型中连接的先验知识。解剖连接的发育会限制effective connectivity，但并不是完全决定effective connectivity。
15 计算模型的参数也可以用来建模DCM，比如prediction error。

&rftStephan, K., Penny, W., Moran, R., den Ouden, H., Daunizeau, J., & Friston, K. (2010). Ten simple rules for dynamic causal modeling NeuroImage, 49 (4), 3099-3109 DOI: 10.1016/j.neuroimage.2009.11.015