本文图片
Via：dribbble
这项技术真正地为后来从时间和空间上解码神经元活动信号提供了一种方法 。
02 脑内连接和数据科学
在研究大脑中负责面部感知的部分时 ， 神经科学家Jim Haxby[4] 注意到这些脑区对其他刺激也敏感 。 这些对人脸敏感的神经网络 ， 实际上并不只对人脸敏感 。
这个发现让Haxby意识到在研究过程中 ， 不仅要关注在特定条件下fMRI的活跃区域 ， 还要关注其他区域的信号 。
传统方法中 ， 神经科学家通过统计学上的选择区域确定最活跃的信号区域 。 现在 ， 我们的目标是推断这些选择性区域常见的活动模式的起到哪些作用 。
在测量每个脑区对不同物体的正常反应后 ， Haxby试图通过这些脑区对物体的反应来推测感知的物体 。
他让被试者对诸如椅子或瓶子等物体进行感知测试以保留神经元正常的感知结构 。
然后 ， 他试图通过和以往获得感知结构比较 ， 推断被试者感知的图像 。 通过这项细致的工作 ， 他有90%的准确率能够解码病人所感知的任何物体 。
Haxby总结到 ， 神经网络不会对仅某一个物体做出反应 ， 而是在统计学上以不同的比例对许多物体做出反应 。 神经网络的活动和感知的物体存在统计学上的相关关系 。
Bharat Biswal得出了同样的结论[5]， 当他注意到在fMRI期间躺着不动的病人的运动皮层仍然有相互关联的信号 。
本文图片
Via：giphy
这些区域是通过"功能连接"（functional connectivity）一起反应和产生动作电位 。 大脑中纵横交错着 "连接域"（connectdomes）[6]， 它的独特性在于它是不同脑区之间的结构连接 。
这些神经网络形成了一个 "小世界" ， 其中 ， 一些部分通过非常分散的连接形成了一个紧密相连的枢纽 。
这项研究工作在某种程度上促成了让我们能够通过fMRI预测大脑活动的技术 。
03 可视化大脑的想法
目前所提出的解码方式是通过与已经做过关于该物体的实验结果进行比较来猜测感知的物体 ， 而且是针对同一个人 。
罗格斯大学的神经科学团队试图将这一方法更进一步[7]， 通过更大的数据集训练一个计算模型来预测任何一个人感知的任何物体 。
这种基于机器和统计学习的方法旨在根据神经模型的交叉验证来预测人们的思维 。
他们收集了130名病人执行许多任务的数据 ， 并通过学习算法对其进行测试 。
推荐阅读
- 建设|这一次，我们用SASE为教育信息化建设保驾护航
- 技术|“2”类医械有重大进展：神经介入产品井喷、基因测序弯道超车
- 最新消息|中围石油回应被看成中国石油：手续合法 我们看不错
- 选型|数据架构选型必读：2021上半年数据库产品技术解析
- 技术|使用云原生应用和开源技术的创新攻略
- 技术|聚光科技旗下临床质谱仪获批医疗器械注册证
- Apple|苹果高管解读AirPods 3代技术细节 暗示蓝牙带宽可能成为瓶颈
- MateBook|深度解析：华为MateBook X Pro 2022的七大独家创新技术
- AirPods|苹果谈论AirPods 3：最大榨取蓝牙技术，希望获得“更多带宽”
- 人物|印度人接管硅谷的背后：技术军团整体作战