【讲座速递】运用脑成像和人工智能算法解码大脑

在讲座的开始，涂博士从科幻电影情节、犯罪现场重现、人的梦境这几个不同的场景介绍现代脑科技如何可以在一定程度上复现电影中所出现场景、罪犯脑中所留存的犯罪现场以及人在梦境中所思所想。由此涂博士提醒各位师生：目前虽然大脑解码技术仍处于初步阶段，解码质量仍有待提高，但此领域相关技术已经可以有所作为，在将来也应大有可为。作为研究者我们不应该忽略此方面的重要进展。

大脑解码

随后，涂博士介绍了现有脑数据的收集手段，并特别强调核磁、脑磁、脑电等非侵入式手段以及它们在时间分辨率与空间分辨率上不同的优缺点。而在脑数据的分析技术上，传统技术一般计算不同大脑区域中均值的差别，此类计算多数仅仅关注了不同脑机制的泛化差异（如信号的大小、体积的大小等）。与之不同的是，运用人工智能算法，研究者可以找到不同外在刺激在大脑区域中可能特别具有的模态（如不同连接方式、不同表征方式）。而解码大脑正是依据后者所提取出来的这种具体模态与特征。

涂博士介绍，解码大脑需要以下几个基本步骤：信号提取、降维、构建模型（Predication Map）、交叉验证、预测/解码。为提取某个脑事件的有效特征信号，我们必须先对数据进行降噪，并去除异常值；然后可以采用ICA主成分分析法这种“无监督”方法来降维。或为了高精确度，可以采用添加类标签的方式来实现“有监督”方法降维（常用手段有包装、过滤、嵌入等）；在这些准备工作后，可以借助机器学习方法（如线性判别分析、支持向量机等）来训练样本数据并构建与特定脑事件相匹配的模型。而现有训练后模型一般可分为分类模型、回归模型两类，两者在被构建后都需要进行交叉验证，并采用准确率、均方误差或敏感度/特异性来评估。而如此训练并验证后的模型可以用来在新数据集中完成预测、分类等工作。

在应用方面，涂博士介绍了如何利用视觉诱发的脑电响应（特征信号）来进行视觉编码（出现为1，未出现为0），由此计算机可以通过检测上述脑特征来实现较为简单的脑机接口。而涂博士借助自己关于疼痛的研究，详细说明了如何利用机器学习来评定较为主观的疼痛感受，对偏头痛病人进行诊断与分类，并在对正常人与偏头痛病人的临床区分上达到了84%的正确率。

在讲座的最后，涂毅恒研究员回答了线上线下师生关于社会性疼痛与生理性疼痛、汉字笔画的解码问题、脑数据预处理、特征提取与机器学习等学术与技术问题。参加本场讲座的实验室成员与线上线下师生都觉得获益匪浅，也很喜欢大家积极讨论的氛围。大家认为这次系列讲座提供了一个校内与校外交流的好平台。讲座在大家热烈的掌声中结束。

【预告】系列讲座五：语言加工中事件认知的汉法对比研究

欢迎各位老师和同学莅临参加！

北京第二外国语学院

人工智能与语言认知实验室

2021年6月2日