机器学习时代，神经科学家如何阅读和解码人类的思想(2)

神经科学家的传统方法是通过发现最活跃的信号区域来推断统计学上的选择性区域。现代研究目标则是推断出选择性区域的共性活动模式。研究人员发现，神经网络并不会对一个物体有特别的反应，但从统计学角度上分析，却分布着对许多物体的不同比例的反应。这是一种统计学上的相关关系。此外，现代神经科学家的另一个研究目标是通过训练一个计算模型，从更大的数据集中预测人类感知的物体。这种基于机器和统计学习的方法旨在根据神经模型的交叉验证来预测人们的思维。
但是，尽管取得了一些成功，但是对这些基于统计学的科学推论我们仍需要谨慎分析和讨论。fMRI 分析测量了数十万个称为体素（voxel）的小方块。为了从大脑的某个部分找到有意义的反应，而不是由于随机的变化，必须进行统计测试。因此，需要衡量真假阳性的风险，如研究人员在他们的一个实验中发现了一个重要的反应，但当这些实验被多次重复时，这一反应信号在一般的数据中却变得不明显。因此，人们必须能够将实验重复几百次甚至几千次，才能确定结果。使用 fMRI 统计的另一个问题是所谓的 "非独立性（non independence）" 统计错误。研究人员倾向于选择最适合他们研究的数据和结果。例如，在所有的统计测试中，他们可能会关注那些体素显示出最强关联性的实验，而这相对来说可以使他们的实验结果好得多。
我们在这篇文章中，围绕上面的主题，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。
1、通过深度学习对人脑的任务状态进行解码和映射

本文是来自中科大和北大的研究人员 2020 年发表在 Human brain mapping 中的一篇文章[2]。本文重点讨论基于支持向量机（SVM）的多变量模式分析（multivariate pattern analysis，MVPA）在基于人脑功能磁共振成像（fMRI）的特定任务状态解码中的应用。本文作者提出了一个深度神经网络（DNN），用于从大脑的 fMRI 信号中直接解码多个大脑任务状态，无需人工进行特征提取。
关于根据脑功能成像数据解码和识别人脑的功能的问题，SVM-MVPA 是一种应用最为广泛的方法。SVM-MVPA 是一种监督学习技术，可同时考虑多个变量的信息。不过，SVM-MVPA 在高维数据中的表现欠佳，往往依赖于专家选择 / 提取特征的结果。因此，作者在本研究中探索了一种开放式的大脑解码器，它使用的是人类的全脑神经成像数据。相对应的，具有非线性激活函数的 DNN 的分层结构使其能够学习比传统机器学习方法更复杂的输出函数，并且可以进行端到端的训练。由此，本文提出了一个 DNN 分类器，通过读取与任务相关的 4D fMRI 信号，有效解码并映射个人正在进行的大脑任务状态。