随着神经科学的研究重点从大脑的某个区域转移到大脑的整个网络,统计推断的方法也逐渐面向网络分析。脑网络分析方法主要分为解剖连接,功能连接和效应连接三种。其中效应连接可以反映一个脑区对于另一个脑区的影响,可以得出脑区之间的因果关系。高空间分辨率的功能性磁共振成像(Functional Magnetic Resonance Imaging,fMRI)和高时间分辨率的脑电图(Electroencephalogram,EEG)是非侵入式脑成像技术的主要手段。本文采用自适应定向传递函数(Adaptive Directed Transfer Function,ADTF)和动态因果模型(Dynamic Casual Model,DCM)方法对fMRI和EEG数据进行分析,研究注意在视听整合过程中的作用,进而探索其反映的认知机制。研究内容主要包括以下三个方面:1.EEG数据分析:基于ADTF算法,对头表EEG数据构建时变网络并计算其网络属性。比较不同实验条件的网络属性随时间增加的变化规律并分析其脑机制。结果表明目标刺激出现后,外界信息传入大脑,大脑变得活跃,各节点之间的连接增多,信息传递速度加快。刺激出现一段时间后,大脑处于稳定状态,连接和信息传递速度相对稳定。2.fMRI数据分析:基于DCM算法,计算刺激间隔时间(Stimulus Onset Asynchrony,SOA)较长时,线索有效与线索无效的实验条件对注意和视听整合脑区之间信息流向的影响。结果表明线索无效时,信息从视听整合区域自下而上传入注意相关脑区。线索有效时,信息从注意相关脑区自上而下流入视听整合相关脑区。3.结合fMRI与EEG分析:将fMRI分析得到的精确坐标位置作为EEG数据分析的源空间。基于ADTF算法的方法,构建视觉,听觉,视听整合与注意相关脑区之间的时变网络。结果表明注意确实参与视听整合过程并且发生在视听整合之后。