认知科学中,从功能整合角度研究大脑不同脑区间的交互作用具有重要的意义。在神经影像领域,功能磁共振成像(functional Magnetic Resonance Imaging,简称fMRI)凭借非侵入性,较高的空间分辨率成为从网络角度研究大脑功能的有效工具。在功能整合水平下,目前基于功能磁共振数据探测效应连接(effective connectivity)的动态因果模型(Dynamic Causal Modelling,简称DCM)和Granger因果映射(Granger Causality Mapping,简称GCM)长期竞争共存,都得到了广泛的关注。两种模型虽然基于不同的因果概念,但都是应用fMRI时间序列里时间信息来揭示脑区之间的有向的信息流动。基于这两种方法探测效应连接的过程中,模型选择是一个重要的问题。最优模型的选择,将会直接影响效应连接探测和结果的分析。DCM中,不能准确设定的生理学参数会对模型选择结果和效应连接强度产生影响。基于F检验的Granger因果映射也在模型选择问题上出现了困难。最小描述长度(Minimum Description Length,简称MDL)是一种将奥卡姆剃刀形式化后的一种形式,可以避免模型过适应问题,因此被普遍应用在统计模型选择领域。本文旨在通过仿真实验和真实数据实验,探索在DCM的反演中,静态血容积比率(%)对于感兴趣区之间效应连接强度和整个效应连接网络的影响。在传统Granger因果映射中,把自回归模型定阶和模型选择纳入到一个模型选择框架中,通过引入最小描述长度准则选择最优模型。利用仿真数据和六只老鼠失神性癫痫发作时的BOLD信号在个体水平和组水平上分别进行有效链接的探测。结果证明在一个框架中,基于MDL的模型选择过程可以有效的避免人为确定置信区间带来的误差,在多模型的选择中可以减少F检测两两比较带来的计算量过大问题,并且对于噪声不敏感,从而克服了传统Granger因果映射的缺陷。