大脑是由多个相互连接的网络构成的复杂系统,其中相互关联的网络模块(如：皮质区域)具有不同的功能。一个基本问题是在这样的系统中是如何进行信息处理和网络如何生成对应的认知功能。为了研究这些问题,研究人员从不同的大脑区域同时记录神经信号。在这些记录的数据的基础上,一个重要的问题就是如何度量和估计大脑区域之间的功能性连接和信息的流向。在以往的研究中,已经提出了许多方法去计算系统之间的相互作用,如Granger因果关系,互信息等。但是,Granger因果关系及其相关的方法的一个缺点就是,假设系统之间的关系是线性的。从信息论的角度,利用互信息可以处理非线性的系统,但是,互信息并不能表示系统之间信息传递的方向性。转移熵是能够分析系统之间信息相互作用的一种有效工具,而且能够同时解决非线性和不对称的系统的问题。本文着重介绍了一种方便、简单且易操作的计算转移熵的模型,并通过仿真数据验证了该方法能正确地估算两个信号间的非线性耦合强度及信息传递的方向。我们进一步用这种方法计算了两个系统在特定频率内具有相互作用的转移熵。引入滤波器,使两个信号源在某个特定频率段内有信息传递,我们发现转移熵随着频率的变化而变化,因此转移熵可以进一步描述神经信号中不同频率的功能。我们还计算了在对猴子进行联想任务时,所记录到的猴子前额叶皮层(LPFC)和纹状体的局域场电位的转移熵。结果表明,从前额叶皮层到纹状体的转移熵的值大于纹状体到前额叶皮层的值,这也符合解剖学的知识：前额叶皮层的神经元直接和纹状体中的神经元相连接,而纹状体并没有直接到前额叶皮层的神经元。我们的研究结果表明,转移熵是能够正确地估计系统之间的功能性连接的强度以及系统之间信息转移的方向。