可视化我们大脑的想法，神经科学家告诉你如何实现

原创 Jean-marcBuchert 酷炫脑

Via：dribbble

以下为朗读小姐姐全文音频

作者 | Jean-marc Buchert

翻译 | 马欣悦

改写 | 伊俐

审校 | 严佳静

朗读 | 鸽仔

美工 | 老雕虫

编辑 | 因蓝

神经科学家如何解读人类的想法？通过fMRI，神经科学俨然成为数据科学。

自从神经元的发现以来，神经科学家们致力于开发可视化大脑活动模式的方法。fMRI技术[1] ，正是他们所需的解码大脑的工具。

现在，神经科学家已经可以像数据科学家一样通过运行计算模型，预测并将神经功能与认知行为准确地联系起来。

但根据Russell. A. Poldrack在 The New Mind Readers一书中说，这些技术与人工智能模型有相同的偏差和局限性，需要严谨的科学方法论来完善。

以下我们将介绍fMRI技术的历史和影响，以及它带给我们的关于大脑的启示。

01 脑部扫描技术的发展史

虽然早在20世纪初，神经科学家就注意到大脑的血流会产生显著变化，但当时还没有好的方法来测量这些变化。

Via：giphy

直到20世纪80年代，他们发明了“正电子发射型计算机断层显像”（positron emission tomography）技术[2] 。

有了这种技术，研究人员能够通过放射性追踪和检测光子放射来监测神经元活动的变化。由于在葡萄糖消耗最多的位置光子放射的最多，因此它们可以反映神经元的活动。

然而，首次采用这种技术的研究面临了一个很大的问题：每个人的大脑大小和结构都不尽相同，这为结果带来了相当大的差异。

此外，PET的空间和时间分辨率非常低，要求扫描区域至少一毫米宽，而且需要10秒钟才能收集足够的数据形成图像。因此该技术的应用范围仍然相当有限。

磁共振成像（MRI）[3] 基于原子核振动的原理，能够更精确地绘制大脑图像。

磁共振成像扫描仪以不同的速度向多个部位发送信号，再通过解码不同的频段形成图像。然而，研究人员使用的造影剂可能对受试者的健康有害。

幸运的是，观察发现核磁共振信号对大脑中血液循环的含氧量敏感，因此在90年代许多研究组提出采用核磁共振MRI检测大脑活动的想法。

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。

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。

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。

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！

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

[4]https://www.researchgate.net/publication/6888584_Beyond_Mind-Reading_Multi-Voxel_Pattern_Analysis_of_fMRI_Data

[5]https://www.pnas.org/content/107/10/4734

[6]https://www.researchgate.net/figure/Functional-connectivity-is-defined-as-the-temporal-correlation-of-a-neurophysiologic_fig1_266562372

[7]https://www.colelab.org/pubs/2020_ItoBrincat.pdf

[8]https://news.berkeley.edu/2011/09/22/brain-movies/

[9]https://rss.onlinelibrary.wiley.com/doi/full/10.1111/j.1740-9713.2017.01000.x

[10]https://www.researchgate.net/publication/242558815_Begging_the_Question_The_Non-Independence_Error_in_fMRI_Data_Analysis

酷炫脑长期征集脑科学、心理学类文章，欢迎投稿

投稿请发邮箱：2829023503@qq.com

原标题：《可视化我们大脑的想法，神经科学家告诉你如何实现》

阅读原文