大脑信号解码技术已走进现实(3)

主观疼痛状态解码
慢性疼痛是世界范围内导致残疾的主要原因之一，但它极难控制。由于无法客观地衡量慢性疼痛，医生必须依靠患者的自我报告进行诊断。
在研究解码疼痛状态的进程中，研究人员一直在使用功能磁共振成像和机器学习技术识别慢性疼痛难以捉摸的神经系统“特征”。2013年，美国科罗拉多大学的研究人员开发出一种灵敏度高、特异性高的用于区分疼痛和非疼痛程度的解码方法。在这项研究发现的基础上，他们采用相同方法解码了一个人正在经历的灼热或剧烈疼痛的程度，并且确定了与慢性疼痛相关的大脑活动模式，这似乎与由伤害性疼痛引起的大脑活动模式不同。研究人员充分意识到这些技术隐含的意义，并希望通过他们的方法能够进一步了解疼痛的大脑机制。

视觉神经解码
尽管现有的视觉信息解码模型在对大脑信号的分类、识别任务上表现良好，但是试图通过大脑视觉皮层信号精确重建视觉刺激内容仍然非常困难。为此，研究人员通过人工智能技术开启了对视觉大脑活动模式解码的研究工作。研究结果显示，大脑活动模式重建的准确性可以在人工智能技术的助推下越来越高。最近，又有研究人员利用深度学习方法从大脑活动中解码视觉刺激内容。例如，研究人员利用卷积神经网络已经实现了对感知图像精确地重建，这使得人们对人脑神经表征的功能有了新的认识。
实际上，在大规模图像数据集上预训练的卷积神经网络的层次视觉特征已经在神经解码领域中被用来近似代替人类视觉系统的神经表征。2017年，美国普渡大学的研究人员利用卷积神经网络重建被试者在功能磁共振扫描仪中观看的电影片段，而不必将解码后的活动模式与之前生成的其他活动模式进行比较。2018年，日本京都大学的研究人员使用了预训练的卷积神经网络来解码和重建看到的、想象的视觉图像的神经活动。同年，我们研究团队提出了一种基于贝叶斯深度学习的视觉神经信息解码方法，能够根据记录到的脑活动信号重建被试者所感知到的视觉刺激内容，如手写数字、字母等图案。2020年，针对复杂自然视觉刺激的神经信息解码问题，我们团队又提出了一种结构化神经信息解码方法（如图所示）。该方法包括两个级联阶段：在第一阶段，我们构建了一个同时考虑输入体素、解码任务和输出节点之间的协方差结构的结构化多输出回归模型；