机器学习时代，神经科学家如何阅读和解码人类的思想(7)

在验证关键超参数的选择，即 1×1×1 核通道的数量（NCh1）时，模型记录的准确值分别为 93.2%、91.5% 和 92.7%，NCh1=3、9 和 27（图 3c）。在 NCh1=1 的情况下，该模型无法在 30 个 epoch 内收敛。

图 3. HCP S1200 任务 fMRI 数据集上的深度学习分类结果
然后，为了确定对每个分类贡献最大的体素（Voxel，指一段时间内多次测量大脑某块区域），作者使用引导式反向传播法生成了模式图，以可视化模型学习到的模式。图 4 给出了对任务 COPE 的 GLM 分析的 Cohen"s d 效应大小的分组统计图（图 4a-g），以及 DNN 模式图的 Cohen"s d（图 4h-n）。如图所示，DNN 模式图上的 Cohen"s d 与 GLM COPEs 上的情感、语言、运动、社交和 WM 任务相似。例如，在语言条件下，GLMCOPEs（图 4c）和 DNN 模式图（图 4j）中的 bilateral Brodmann 22 区出现了较大的效应大小异常。同样，在运动任务的右手运动条件下，两个图（图 4d,k）显示在 Brodmann 4 和 bilateral Brodmann 18 区有类似的效应。

图 4. HCP S1200 数据集上的 HCP 组平均值（左栏）和 DNN 热图（右栏）的 Cohen"s d 效应
最后，关于迁移学习的问题，经过五次交叉验证，本文提出的 DNN 在测试中达到了 89.0±2.0% 的平均准确率（图 5a），平均 AUC 为 0.931±0.032（图 5b）。如图 5c 所示，通过双样本 t 检验，DNN 的准确性明显高于 SVM-MVPA 全脑（t[8]=9.14，p=.000017；平均 ±SD=55.6±7.9%）和 SVM-MVPA ROI（t[8]=7.59，p=.000064；平均 ±SD=69.2±5.4%）。