机器学习时代，神经科学家如何阅读和解码人类的思想(17)

图 15. 受试者结构扫描的匿名化（污损）处理示例
鉴于 DecNef 方法的细粒度、高空间分辨率的要求，用于在线反馈计算的大脑图像的功能排列需要具备非常高的会话间一致性。图像必须与原始解码器的结构对齐，而且这种对齐必须在（子）体素水平上是精确的。即使是微小的头部运动也很容易破坏这一前提条件，导致不完善的解码和反馈得分计算。为了满足这一要求，所有的研究都要求实时监测传入的大脑功能图像与原始解码器结构中的模板之间的对齐情况。尽管使用 Turbo BrainVoyager（TBV，Brain Innovation）实时校正头部运动，但并不能保证校正后的图像在解码方面是有意义的，尤其是在突然出现明显位移时。因此，在实时神经反馈实验中，对原始 DICOM 图像进行了以下处理步骤。首先，在诱导期测量的功能图像使用 TBV 进行三维运动校正。第二，从解码器识别的每个体素中提取信号强度的时间序列，并将其移位 6 秒以考虑到血流动力学延迟。
第三，从时间过程中去除线性趋势，并使用从每次 fMRI 运行开始后 10 秒测量的信号强度对每个体素的信号时间过程进行 Z-score 归一化处理。第四，计算反馈分数的数据样本是通过平均每个体素在诱导期的 BOLD 信号强度来创建的。
在目标体素的激活模式方面，控制数据质量的一个有效方法是首先计算它们的平均激活（用初始解码器构建会话的数据）。然后，在实时会话中，计算平均模式和传入活动模式之间的逐个相关性。这种方法确保了当体素的反应模式由于例如头部或身体运动而发生重大变化时，相关度的降低会迅速发生，从而可以被检测到。最佳水平的相关性水平应该在 r∈[0.85 1.00]的区间内，或 Fisher 变换的 z∈[1.26 Inf]。作者证实，所有的研究确实都能满足此条件（图 16）。平均来说，只有不到 2% 的实验的 z 值小于 1.26（研究 1：0.13%，研究 2：3.17%，研究 3：0.91%，研究 4：0.36%，研究 5：3.74%）。

图 16. 平均活动模式和实时活动模式之间的费舍尔转换相关性（Fisher transformed correlation）。较大值表明实时测量模式和解码器构造模式之间有更好的功能一致性。每个点代表一个实验的相关值。每个琴状图有 N（天）×M（受试者）×L（运行）×J（实验）个点。图中央的白圈代表中位数，粗灰线代表四分位数范围，细灰线代表相邻的数值。将 z<1.10 的数据点从图中删除