机器学习时代，神经科学家如何阅读和解码人类的思想(14)

图 12. 图 6 性别解码。（a）基本线性分类器；（b）解码准确度
3、AI 解码大脑神经反馈动力学 - 用于解码神经反馈实验的数据

本文是来自日本 ATR 国际学院计算神经科学实验室的研究人员发表在《Scientific Data》2021 上的一篇文章[9]，主要为利用 AI 解码大脑神经反馈以读取和识别大脑中特定信息的方法提供实验所需的数据。解码神经反馈（Decoded neurofeedback，DecNef）是一种闭环 fMRI 神经反馈与机器学习方法相结合的形式，意思是分析 fMRI 的状态改变外围不同设备（比如被测者面前的显示器）的刺激。这是对操纵大脑动力学表现或表征这一长期目标的更细化的呈现。本文针对 DecNef 实验，提供了可应用的数据来源。作者发布了一个大型的、可公开访问的神经影像学数据库，其中包括 60 多个接受 DecNef 训练的人。这个数据库由大脑的结构和功能图像、机器学习解码器和额外的处理数据组成。
作者在文中描述了编译数据库时采用的协议，包括源数据中常见的和不同的扫描参数、元数据、结构，以及匿名化、清理、排列和分析等处理方式。
3.1 DecNef 背景分析
在单变量（univariate）方法中，人们具体测量一个感兴趣区域（ROI）的整体活动水平。与此不同，多体素模式分析（multivoxel pattern analysis，MVPA）则是学会对分布在活动模式中的信息进行解码。DecNef 利用了 MVPA 而不是使用单变量方法，因此它具有很高的目标特异性。此外，尽管受试者清楚解码神经反馈实验的存在，但他们并不知道具体的内容和目的，从而有助于减少由于认知过程或对被操纵维度的了解而产生的混淆。此外，解码神经反馈实验甚至可以通过一种称为 "超边界（hyperalignmen）" 的方法，根据受试者间接推断出目标神经表征。通过这样的功能排列方法，将不同受试者的神经活动模式通过一组线性变换构建了一个共同的、高维的空间。这些转换是有效的参数，可以用来将任何新的数据模式带入 / 带出个人的大脑坐标系统和模型空间坐标。