默认模式网络（default-mode network,DMN）是大脑中的一个分布式网络，它由空间上分散的多个脑区组成。它是一个特殊的大脑系统：它在大脑参与外部认知任务时失活，在大脑处于静息态时反而激活。然而，还没有微观模型从神经元层次上对DMN是如何在激活态和失活态之间切换的机制进行解释，即DMN在大脑静息态时激活，而在大脑参与外界认知任务时失活的机制依旧未知；另外，还没有用Hindmarsh-Rose（HR）神经元模型解释DMN工作模式和机制的工作，也还没有工作将神经元网络模型的死振与DMN的失活联系在一起。　　本文以大脑神经元网络的小世界特性作为实验基础，在HR神经元模型、小世界网络上的死振和全局耦合HR神经元网络的死振的理论基础上，采用HR神经元模型描写单个神经元的行为，用Newman-Watts（NW）二维小世界网络作为HR神经元之间相互耦合的模型，以二维NW小世界HR神经元的网络的全局死振和集体放电分别与DMN的失活和激活对应；在外界输入电流为高斯分布的情况下，通过大量的数值模拟计算，定量探讨死振随不同的动力学参数与网络拓扑结构参数变化的行为，以及网络模型在死振和激活之间切换的机制，得到了前人未曾发现的新的性质与规律：（1）加边概率p的增大，可以促进网络同步，但也会在一定条件下使网络的活跃程度降低；并且，当p增大到一定值时，网络活跃程度降低的速率大大加快，甚至会在耦合强度ε、外界输入电流的平均值μ和标准差ζ较小时发生死振。（2）ε的增大会使网络的活跃程度先大幅提高后急剧下降；并且，当耦合强度足够大时，p>0的网络发生死振。（3）当ζ较小时，网络容易进入死振态；当ζ的增大到一定值时，会使网络的活跃程度大幅提高；但是，随着ζ的继续增大，网络的活跃程度基本保持不变。（4）当p=0时，随着外界输入电流平均值μ的增大，网络的活跃程度线性地增大。对于p≠0的网络，当μ刚开始增大时，网络的活跃程度首先会迅速提高；当μ增大到一定程度后，随着μ的继续增大，网络的活跃程度呈现出线性地提高。（5）在相同参数下，初始平均度k0较大的网络的活跃程度较低，更容易发生死振。另外，网络中的随机长程边数目越多，网络的活跃程度越低。（6）在相同参数条件下，对于去输入比例η=0时死振的情况，在10-2范围内增大η，网络可以脱离死振而进入激活态。这样，在p、ε、μ和ζ值不变的情况下，当感知网络对DMN的电流输出减少，单一的DMN神经元网络就可以从死振态切换到激活态。我们的工作首次在神经元网络的层次模拟出DMN在大脑参与外界认知任务时失活而在静息态激活的现象。