在中国,癫痫已成为神经科仅次于头痛的第二大常见病,它是一种反复发作的神经性疾病。在所有患者中,约有30%的是抗药性癫痫患者。对于这类患者,采用的治疗手段是通过外科手术来切除致痫区,而手术成功的关键在于精确定位致痫区。通过研究大脑的效应连通性算法,用这些算法来分析记录到的癫痫脑电信号,可以为术前评估中致痫区的精确定位提供有效的帮助。因此,本文主要致力于研究大脑效应连通性相关的模型和算法。Wiener-Granger因果方法(Wiener-Granger Causality Index, WGCI)是一种典型的数据驱动的效应连通方法。它是基于一个随机过程的线性自回归模型的方法,可以检测到多个时间序列之间的因果影响关系。从它推广出的PDC (Partial Directed Coherence)和NPDC (Nonlinear Partial Directed Coherence)方法可以在频率域中分别检测到信号之间线性和非线性的因果关系。这些方法都依赖于线性或者非线性自回归模型,因此,自回归模型的参数估计方法在其中起着至关重要的作用。OPS(Optimal Parameter Search)和FROLS (Forward Regression Orthogonal Least Squares)是分别针对于线性和非线性自回归模型的参数估计方法,但是OPS方法中存在两个地方的不足：1.算法的抗噪性不佳2.算法的计算过程中需要阈值来作为算法停止的条件,但阈值的选取没有理论上的方法。基于此本文提出了两种基于gAIC (generalized Akaike Information Criterion)和OPS方法的改进算法：1.对信号进行加窗处理,以减少噪声带来的影响。2.将所有候选项根据权重值分为高低两部分,选取高部分作为最终候选项,以解决阈值难以选取的问题。在实验部分,首先将OPS改进方法应用于线性自回归模型,并以此改进WGCI方法以提高原始方法的准确率,随后将FROLS方法应用在非线性自回归模型和生理模型,并在这个结果之上利用PDC和NPDC来检测其信号之间的线性或非线性影响。