La complexité de la connaissance humaine est révèlée dans l'organisation spatiale et temporelle de la dynamique du cerveau. Nous pouvons connaître cette organisation grâce à l'analyse des signaux dépendant du niveau d'oxygène sanguin (BOLD), lesquels sont obtenus par l'imagerie par résonance magnétique fonctionnelle (IRMf). Nous observons des dépendances statistiques entre les régions du cerveau dans les données BOLD. Ce phénomène s' appelle connectivité fonctionnelle (CF). Des modèles computationnels sont développés pour reproduire la connectivité fonctionnelle (CF). Comme les études expérimentales précédantes, ces modèles assument que la CF est stationnaire, c'est-à-dire la moyenne et la covariance des séries temporelles BOLD utilisées par la CF sont constantes au fil du temps. Cependant, des nouvelles études expérimentales concernées par la dynamique de la CF à différentes échelles montrent que la CF change dans le temps. Cette caractéristique n'a pas été reproduite dans ces modèles computationnels précédants. Ici on a augmenté la non-linéarité de la dynamique locale dans un modèle computationnel à grande échelle. Ce modèle peut reproduire la grande variabilité de la CF observée dans les études expérimentales. / The complexity of human cognition is revealed in the spatio-temporal organization of brain dynamics. We can gain insight into this organization through the analysis of blood oxygenation-level dependent (BOLD) signals, which are obtained from functional magnetic resonance imaging (fMRI). In BOLD data we can observe statistical dependencies between brain regions. This phenomenon is known as functional connectivity (FC). Computational models are being developed to reproduce the FC of the brain. As in previous empirical studies, these models assume that FC is stationary, i.e. the mean and the covariance of the BOLD time series used for the FC are constant over time. Nevertheless, recent empirical studies focusing on the dynamics of FC at different time scales show that FC is variable in time. This feature is not reproduced in the simulated data generated by some previous computational models. Here we have enhanced the non-linearity of local dynamics in a large-scale computational model. By enhancing this non-linearity, our model is able to reproduce the variability of the FC found in empirical data.