La magnetocencefalografía con magnetómetro bombeado ópticamente (OPM-MEG) representa un método novedoso para registrar señales neurales en el cerebro, ofreciendo el potencial de medir características neuroimagenológicas críticas como las redes cerebrales efectivas. Las redes cerebrales efectivas describen las relaciones causales y el flujo de información entre regiones cerebrales. Al construir redes cerebrales efectivas utilizando la causalidad de Granger, se asume típicamente que el ruido en el modelo autorregresivo multivariado (MVAR) sigue una distribución gaussiana. Sin embargo, en mediciones experimentales, las características estadísticas del ruido son difíciles de determinar. En este artículo, se propone un método de causalidad de Granger basado en un filtro de partículas de referencia de costo (CRPF) para construir redes cerebrales efectivas bajo condiciones de ruido desconocidas. Los resultados de simulación muestran que los errores de estimación promedio de los coeficientes del modelo MVAR utilizando el método CRPF se reducen en un 53.4% y un 82.4% en comparación con el filtro de Kalman (KF) y el filtro de máxima correntropía (MCF) bajo ruido gaussiano, respectivamente. El método CRPF reduce los errores de estimación promedio en un 88.1% y un 85.8% en comparación con el MCF bajo ruido de distribución alfa-estable y el método KF bajo condiciones de ruido rosa, respectivamente. En un experimento, el método CRPF recupera las características latentes de la conectividad efectiva de datos de estimulación somatosensorial de referencia en ratas, movimiento de dedos humanos y paradigmas de rareza auditiva medidos utilizando OPM-MEG, lo cual está en excelente acuerdo con la fisiología conocida. Los resultados de simulación y experimentales demuestran la efectividad del algoritmo propuesto y OPM-MEG para medir redes cerebrales efectivas.