机器学习时代，神经科学家如何阅读和解码人类的思想

原创 Synced 机器之心
机器之心分析师网络
作者：Jiying
编辑：Joni
这篇文章围绕机器学习（ML）和功能性磁共振成像（fMRI）的应用问题，以三篇最新的研究型论文为基础，探讨基于统计学中 ML 的 fMRI 分析方法。
本文主要讨论的是机器学习（ML）和功能性磁共振成像（fMRI）的应用问题。fMRI 主要用来检测人在进行各种脑神经活动时（包括运动、语言、记忆、认知、情感、听觉、视觉和触觉等）脑部皮层的磁力共振讯号变化，配合在人脑皮层中枢功能区定位，就可研究人脑思维进行的轨迹，揭示人脑奥秘。其基本原理是利用 MRI 来测量神经元活动所引发之血液动力的改变。所以，利用 ML 连接 fMRI 图像，以了解人脑正在观察和思考的物件是理论上可行的。以本文讨论的问题为例，神经科学家现在可以通过像数据科学家一样运行计算模型来预测并准确地将神经功能与认知行为联系起来。不过，这些技术与人工智能模型有着相同的偏见（biases）和局限性（limitations），需要严格的科学方法加以应用[1]。
虽然神经科学家在 20 世纪初就注意到了大脑血流有明显的变化，但是却一直没有找到合适的方法来测量这些变化。20 世纪 80 年代出现了一种有效的方法：正电子发射体层摄影(术) （position emissiom tomography，PET）。有了这种技术，研究人员能够通过放射性追踪和检测光子（phonto）发射来观察神经元活动的变化。由于这些光子在神经元消耗最多葡萄糖的地方降解得最多，因此它们可以显示出神经元的活动。然而，早期使用这种方法时面临着一个问题：每个人的大脑都有不同的尺寸和结构，差异和变化非常大。此外，PET 扫描的空间和时间图像分辨率非常低。它们检测的区域至少有一毫米宽，需要 10 秒钟才能收集到足够的数据来形成图像。所以该技术的早期应用范围相当有限。
磁共振成像（magnetic resonance imaging，MRI）可以在原子核振动的基础上构建更准确的大脑图像。由于 MRI 扫描仪以不同的速度向许多位置发送信号，它可以通过解码不同的频段来成像。不过在 MRI 成像时需要使用一种造影剂，这种造影剂可能对受试者的健康有危险。幸运的是，在注意到核磁共振信号对大脑中血液循环的含氧量敏感后，许多研究小组在 90 年代提出了检测大脑活动的功能性磁共振成像（fMRI）的概念。