机器学习时代，神经科学家如何阅读和解码人类的思想(15)

上述特点使得 DecNef 成为了开发新的临床应用的一种有效工具，特别是在神经精神疾病方面。除了面向临床的研究外，DecNef 还可以作为系统和认知神经科学的一个重要范式来研究大脑的基本功能。
不同的 DecNef 实验探究的是不同的认知过程或心理表征，但所有研究都采用了相同的基本设计逻辑（如图 13a）。(1)最初的环节是获取 fMRI 数据，用于训练机器学习算法—MVPA 或解码器构建环节。（2）随后的神经反馈阶段，持续 2 到 5 天不等。在解码器构建环节，受试者完成了简单的动作，包括视觉（研究 2、3）、偏好（研究 1）、知觉（研究 4）或记忆任务（研究 5），在神经反馈环节，所有程序几乎都是相同的（图 13b）。在神经反馈训练中，要求受试者调节或操纵他们的大脑活动，以最大限度地扩大反馈盘（feedback disc）的大小。

图 13. 实验设计的示意性概述。(a) 每项研究都包括一段 fMRI，用于获得构建 "解码器" 所需的数据，这是一个机器学习的大脑活动模式分类器。(b) 所有的研究都有相同的基本实验设计
到目前为止，全世界只有少数研究小组有机会完成这种技术上具有挑战性的实验。作者介绍，他们已经发表了关于如何运行解码神经反馈实验这部分工作的介绍[10]。不过，关于 DecNef（以及一般的神经反馈）的一个关键问题仍未解决：潜在神经机制究竟是什么？一些近期的研究工作已经开始聚焦于这个问题，并应用了元分析、计算模型、神经网络等工具。表 2 总结了已有的部分研究，包括相关出版物、神经反馈过程训练目标等内容。

表 2. 纳入数据收集的研究摘要
3.2 数据分析
关于本文提供的源数据，表 3 给出所有研究中使用的扫描参数的技术细节，以及不同研究之间的差异。