机器学习时代，神经科学家如何阅读和解码人类的思想(19)

4、小结
本文探讨了基于统计学中 ML 的 fMRI 分析方法。其中， 第一篇文章介绍了基于 SVM 的多变量模式分析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。具体的，作者引入一个 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。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，进而提升了大规模数据集中 fMRI 解码的准确度水平。第二篇文章具体探讨的是应用深度学习系统从人类的功能磁共振成像（fMRI）重建人脸图像。利用 VAE-GAN 模型，学习多体素 fMRI 激活模式和 1024 个潜在维度之间的简单线性映射。然后将这一映射应用于新的测试图像，将 fMRI 模式转化为 VAE 潜在编码，并将编码重建为人脸。
最后一篇文章发布了一个大型的、可公开访问的神经影像学数据库，该数据库中的数据是由解码神经反馈（Decoded neurofeedback，DecNef）实验训练得到的，除了面向临床的研究外，该数据库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。这一数据库的发布为推动解码神经反馈的研究发展提供了良好的数据基础。
ML 已经证明在图像处理和识别的广泛用途。利用 ML 连接 fMRI 图像，可以分类人脑正在观察和思考的状态，甚至重建正在联想的人脸内容。神经科学家正在借助机器学习技术解码人类大脑的活动、理解人类大脑的趋势方兴未艾，帮助我们更好的了解我们的大脑迷宫。
本文参考引用的部分文献：
[1] https://uxdesign.cc/how-neuroscientists-are-reading-and-decoding-human-thoughts-380474d0e8c1
[2] Xiaoxiao Wang, etc al. Decoding and mapping task states of the human brain via deep learning. Hum Brain Mapp. 2020 Apr 15; 41(6): 1505–1519. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC7267978/
[3] Van Essen, D. C., Smith, S. M., Barch, D. M., Behrens, T. E., Yacoub, E., Ugurbil, K., & Consortium, W.U.-M.H. (2013). The WU-Minn human connectome project: An overview. NeuroImage, 80, 62–79. https://doi.org/10.1016/j.neuroimage.2013.05.041