静息态功能磁共振成像（rfMRI）为脑功能检测提供了先进技术。功能连通性是脑功能信号的基本特性,而功能连接和有效连接是评估脑功能连通性的科学指标。功能连接可对局部或全脑进行分析,但其只提供脑区相互作用的强弱信息,无法给出方向信息,即因果关系;有效连接可提供作用的强弱信息和方向信息,但其建模效果很大程度上取决于感兴趣区域（ROIs）的选取,而当前ROIs的选取常依赖于经验。为此,本文提出以健康人为对照的患者脑功能连接特异性分数模型,提取对疾病敏感的标志性脑区,并以此作为有效连接计算模型中ROIs的解决方案。将方法应用于事例1（患者发作侧的定侧）和事例2（健康人和MRI阴性癫痫患者的区分）中,以敏感性分析和机器学习分类精度检验ROIs选取的有效性,实现客观地选取有效连接计算模型ROIs的研究目的。选取40名癫痫患者（20名结构MRI阳性癫痫患者,依据发作侧分为左侧海马硬化组和右侧海马硬化组各10名;20名结构MRI阴性癫痫患者）和60名健康人（作为对照组,年龄与患者相当,扫描机器及参数严格一致）,在rfMRI数据预处理和质量检测完成后,进行以下工作:第一,以功能连接特异性分数模型客观地选取ROIs。使用AAL脑结构图谱（第一版）划分116个脑区并计算全脑皮尔森相关的功能连接,以健康人为对照,构建以脑区为单位的功能连接特异性分数模型,分析癫痫患者功能连接相对于健康对照组的偏移程度,以此分别在事例1和事例2中选取标志性脑区,利用敏感性分析（ROC和AUC）检验有效性,并将其作为有效连接建模的ROIs。第二,有效连接计算分析。提取ROIs的时间序列,构建适合于rfMRI数据的谱动态因果模型（spDCM）,分析两个事例中不同组被试的ROIs间有效连接差异,以探究这些区域间连接的方向信息,阐明其因果关系。第三,连通性算法验证。将皮尔森相关的传统功能连接模型、功能连接特异性分数模型以及spDCM提取到的ROIs特征分别作为特征向量,输入到随机森林、概率神经网络和支持向量机3种机器学习模型中,对两个事例中的不同被试组进行分类,以交叉验证获得的分类精度检验算法的准确性和有效性。结果:事例1中的ROIs为左眶部额中回、左岛盖部额下回、左三角部额下回、右杏仁核,功能连接特异性分数模型和spDCM所提取特征的分类准确率分别为75.0%和85.0%,高于皮尔森相关的传统功能连接模型（70.0%）;事例2中的ROIs为右内侧额上回、左内侧和旁扣带脑回、左海马、右顶下缘角回,功能连接特异性分数模型和spDCM所提取特征的分类准确率分别为77.5%和83.8%,高于皮尔森相关的传统功能连接模型（73.8%）。两个事例中,功能连接特异性分数模型所提取ROIs特征均好于皮尔森相关的传统功能连接模型,而结合功能连接特异性分数模型的spDCM所提取有效连接特征分类准确率最高。结论:功能连接特异性分数模型可较有成效地提取ROIs,增强了spDCM的有效连接分析脑功能的能力。