继美国、欧盟、日本之后,中国于2016年提出中国脑计划,神经性疾病的早期诊断是中国脑计划的一个重要研究方向。癫痫是由脑神经的异常放电引起的神经性疾病,其发作频率高且严重影响患者生活质量与生命安全。癫痫患者中有30%为耐药性癫痫,其治愈手段是采用外科手术来切除癫痫病灶,决定手术成功与否的关键是如何在术前评估阶段有效地识别癫痫病灶与正常功能区。在众多术前评估手段中,颅内脑电图（i EEG,intracerebral Electro Encephalo Graphy）因其能够精准捕获大脑活动的快速状态,而成为临床诊断癫痫的金标准。本文从频域和时域两个方面对大脑连通性算法进行研究,随后将这些算法对记录到的癫痫发作时各相关区域的i EEG进行分析,得到癫痫发作过程中不同大脑区域间的效应连通性网络,然后采用分组分析与中心性分析进行统计性分析来区分病灶区和大脑功能区,从而为外科手术中癫痫病灶的精确定位提供有力依据。NPDC（Nonlinear Partial Directed Coherence）算法是一种在频域上有效检测信号之间的线性和非线性因果关系的算法,它基于自回归模型对数据建模,通常使用FROLS（Forward Regression Orthogonal Least Squares）算法对模型参数进行估计。然而,FROLS算法抗噪性差,在高维数据上表现不佳。为了克服这一缺点,本文基于卡尔曼滤波器对FROLS算法进行改进,称为FROKF（Forward Regression Orthogonal Kalman Filter）算法。实验结果表明:在高维的线性和非线性模型仿真数据上,FROKF算法都表现出了较好的抗噪性和准确性,而采用FROKF方法来估计其模型系数的NPDC算法,也鲁棒地检测出信号间的线性和非线性因果关系。在时域上分析大脑连通性算法中,格兰杰因果（Granger Causality,GC）算法是一种经典并被广泛使用的算法。GC算法的鲁棒性严重地依赖于自回归模型参数（如模型阶数,也即信号间的时延等）的有效估计。针对这一问题,同时为了能有效地捕获信号间长时延对因果关系的影响,本文使用了在数据建模领域表现较优的一种神经网络:GRU（Gated Recurrent Unit）模型来对数据进行建模,替换掉经典GC算法中的自回归模型,称为GRU-GC（Gated Recurrent Unit-based Granger Causality）算法。自回归模型仿真实验和生理模型仿真实验都验证了GRU-GC算法在检测线性和非线性的大脑效应连通性的有效性和鲁棒性。最后,使用GRU-GC算法分析从真实癫痫患者疑似病灶区采集的i EEG的效应连通性,进而得到癫痫发作相关大脑区域的效应连通性网络。之后,采用分组分析方法对i EEG信号的12个通道（7个O组,5个P组）进行分类;同时采用中心性分析方法分析各个通道的重要性。实验结果显示,在癫痫发作阶段（ictal）只有一到两个通道与临床专家所给建议不一致,表明了该算法能作为癫痫术前评估的有效手段,为临床医生精确定位癫痫病灶提供强有力的依据。