他们排除了其中一个人的数据 ， 并试图通过其他129名病人的数据预测它（一种叫做"排除一个 "（leave it out）的方法） 。
通过这种方式 ， 他们有80%的准确率通过神经活动的模式猜出被试者在做什么 。
【可视化技术|可视化我们大脑的想法，神经科学家告诉你如何实现】
本文图片
Via：dribbble
伯克利大学的Thomas Naselaris和他的同事将这种技术应用于图像识别[8]。 他们收集被试者观看图片的fMRI数据 。
唯一不同的是他们将互联网上的数百万张图片作为先验知识输入模型 。 因此 ， 该模型能够通过将其与数据库中最相似的图像联系起来 ， 重新构建受试者看到的图像 。 因此 ， 它实际上读出了人的视觉思想 。 这一结果令人钦佩 。
04 解码大脑的局限
但是 ， 尽管获得了这些成功 ， 这些基于统计学的科学推论必须以认识论的方式谨慎对待 。
fMRI分析是测量数十万个称为“体素”（cube）的小方块 。
为了确定大脑某个部分的反应是有意义的而不是随机变化的 ， 我们必须进行统计检验 ， 并允许特定的误差范围 。 因此 ， 其中存在假阳性的风险[9]。
例如 ， 当研究人员在一个实验中发现了显著反应 ， 而在重复了几次实验后 ， 这一反应是不显著的 。
因此 ， 人们必须能够重复实验几百次甚至几千次 ， 以确保结果的准确性 。 但人们并不总是采取这种预防措施 。
fMRI统计方法的另一个问题是“非独立性”[10]。 研究人员倾向于选择最符合自己研究的数据和结果 。
例如 ， 在所有的统计测试中 ， 他们可能会关注那些体素具有最强相关性的实验 。 这让实验就实验结果相对更好 。
但这就是为什么研究人员有必要事先确定研究数据集和研究范围并独立于我们要计算的数据 。
尽管目前的研究面临着这些重要的问题 ， 当今的神经科学家已经可以通过计算方法弄清楚大脑结构和活动 。
人脑中大脑信号在不同神经网络结构中交繁往复 ， 我们可以通过统计学的手段处理并弄清楚它们的功能 。
而机器学习无益是最适合的方法 。 让机器学习读懂我们的能够学习的大脑！
本文图片
Via：dribbble
参考文献（点击滑动查看）
[1]https://www.radiologyinfo.org/en/info/fmribrain
[2]https://www.mayoclinic.org/tests-procedures/pet-scan/about/pac-20385078
[3]https://www.jeol.co.jp/en/products/nmr/basics.html
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