机器学习时代，神经科学家如何阅读和解码人类的思想(18)

接下来，作者建立了头部运动和模式相关度之间的关系。作者使用 SPM12 计算了头部运动参数，得出了 3 个平移参数和 3 个旋转参数。为了这个分析的目的，作者通过对相关的 3 个参数进行平均化处理来计算平均绝对旋转和平均绝对平移，在神经反馈实验中使用的 3 个 TR 来计算解码器的可能性和模式的关联性。作者将这两个头部运动指数（以毫米为单位）与所有研究中汇集的 Fisher 转换后的相关系数（即模式相关度）进行了对比（如图 17 所示）。为了进行统计分析，作者串联单次实验数据，使用线性混合效应（linear mixed effects，LME）模型进行分析（按照 Wilkinson 符号，指定为 y ~ 1 m (1 | st) (1 st | prt)；其中 y：模式相关性，1：
截距，m：运动参数，st：实验研究，prt：受试者）。具体来说，这些 LME 模型的设计是将运动作为固定效应，实验研究作为随机效应和协变量，个体受试者作为随机效应而嵌套在实验研究中。

图 17. 模式相关性与头部运动的关系。头部运动被计算为三维方向上的旋转（a）或三维方向上的平移（b），并与 Fisher 转换后的模式相关系数成图。使用不同颜色绘制来自不同研究的数据点。每个数据点表征一个特定受试者、运行和实验
最后，其他的生理噪声源（如心跳或呼吸）也会影响用于实时解码的多体素活动模式。这些来源在本研究中没有直接测量，因此作者只能猜测它们的影响。如果它们对所有体素的影响是相对均匀的，作者预计对模式相关的测量几乎没有影响，因为体素之间的关系将保持基本不变。如果各体素之间存在不均匀的影响，作者认为模式相关性会受到类似于头部运动的影响。人们可能会担心，在第一种情况下，将无法检测到数据的噪声失真，从而有可能造成反馈给受试者的目标真实性失效。但由于所有体素的活动首先经过基线归一化处理，然后通过计算体素的活动模式与权重向量之间的点积来确定反馈似然，因此重要的是体素的模式（体素活动之间的 "差异"）。由此，作者指出，由于 MVPA 的特殊性，额外的噪声源不太可能在不影响模式相关度的情况下显著影响体素活动模式的信息内容。