技术和方法学挑战

前面的讨论提示，有可能应用非侵入性神经成像的信号，来解码某一个体神智状态的某些方面，而且还具有相当高的准确性和相当程度的时间分辨。虽然这是令人鼓舞的第一步，却不能够模糊这样一个事实：提出一个“一般性脑阅读机器”，那还仅是一个科学上的虚构而已。当前神经成像技术的局限性限制了它的空间和时间分辨。解释fMRI结果时还必须注意，BOLD信号的神经基础还不是完全清楚的，因此任何从fMRI信号解码出来的信息，可能并不反映神经元群体锋电位的活动。另外，fMRI和脑磁图仪都很昂贵，从而其潜在、真正的可用性受到严重限制。从当前的技术条件看，只有用EEG或红外波谱方法，在头皮的外表进行电记录或者光信号记录，这样的设备才是便于携带，而且在经济上能够承受得起的。但是即使高灵敏的、便于携带的记录技术设备，达到了与微电极记录同样的分辨率，使我们可以用在正常的人类受试者身上，也还会有一些关键性的方法学障碍，没法说我们有了一般性的“脑阅读设备”［6］。

“脑阅读”的重要基础来自脑-计算机界面(3)及对病人的侵入性记录。例如，可以训练人运用他们的脑活动来调控人工设施。这种脑-计算机界面设计的典型做法，并不是用来直接解码认知或者知觉状态；相反，是让经过广泛训练的个体能够有意识地调控已经被记录下来的脑活动的某些方面。例如，让受试者通过“成功/失败”学习的选择，学习随意地调控头皮记录的脑电图，如特异脑电图的频率带，或者皮层电位的慢偏转。即使让受试者在做单次快速走步动作时接受这种训练，也可有效。这种随意控制的脑信号，以后还能用来调控人工设备，使得对象可以在二维计算机显示屏上拼出字，或者移动光标。有趣的是，受试者甚至可以学习实时调节信号，而这个信号是应用功能性磁共振成像技术记录下来的。也有可能达到更好的解码，如果电极能够直接插入脑内，而这在猴子中是可以做到的，偶尔在病人中也可以做到。从原理上讲，不仅运动命令，也包括知觉，都可以根据人和动物的单个神经元锋电位的活性而被解码。但是如果想用于健康的人类参加者，这种侵入性记录必然要经过外科手术进行电极埋植，而这在当前还是不可行的［6］。在fMRI基础上做认知神经刺激（cognitive neurostimulation），也是一种有可能实现的研究工作前景。例如应用神经反馈理论，在fMRI技术的基础上，J. J. Macinnes和K. C. Dickerson等能够成功地使受试健康人学会持续激活自己的中脑多巴胺系统［7］。

通常的神经成像方法，其典型的做法是测定一个特定的知觉或认知状态，看它是如何被脑活动所编码的。所用的方法是测定哪个脑区参与了这项作业，然后分析每一个位点。为此目的，需要重复测定几千个脑位点的活动，然后在每个收集样品的脑位点，改变两个或更多个神智状态，这样就产生了量度的差别。从理论上讲，如果某一脑区的反应在两个神智状态之间有区别，那么应该有可能测定该脑区的活动，来确定这两个神智状态中的哪一个反映这人的思考。但是实际上，要发现某个脑位点，而此位点在条件不同的时候区别足够大，因而允许我们下一个结论和得到有效的解码，这常常是困难的，但也不是完全不可能。这种方法称为“单变量”研究途径［6］。

前面讲的“单变量”途径，是以严格位置为基础的通常分析。与此不同，近来的工作显示，如果考虑全部空间的脑活动型式，同时测量脑的多个位点的活动，则人类神经成像的灵敏度可得到戏剧性的增高。与通常的“单变量”途径相比（它仅分析一个位点、一个时间），这种被称为“型式基础”或者叫作“多变量”分析的新方法具有几个优点。首先，通过同时记录多个空间位点的信息，每个位点所得到的微弱信息可以有效地累积起来。第二，即使各个脑区并不个别地携带关于认知状态的信息，但是当把它们联合起来进行分析的时候，它们有可能如此。第三，许多通常的研究方法所应用的加工步骤，例如空间平滑化，滤掉了细致的空间信息，而这种空间信息可能携带了属于个体的知觉或认知状态的信息。有关的信息在通常研究方法中被去掉了，但是如果应用新的方法，它们可以被显示。这种新方法就是同时分析多个点上脑的活动型式。第四，通常的研究方法探测的是一个平均活性，看看它在某一条件下所有作业次数当中的活性，是否与在另一个条件下的有明显区别。在典型情况下，这些研究获得了大量脑活动的样品，以求达到统计学灵敏度的最大化。但是在计算平均活性的时候，关于某一已知时间点上脑功能状态的信息就丢失了。相反，如果用“解码为基础”的研究方法，则可能增加敏感性，有潜在的可能估量一个人的知觉或认知状态，即使是类似于在线的或者说在实验当时的估量（图10-18）［6］。

图10-18　统计学的型式辨认

应用多变量型式的认知研究途径，可以分析空间型式（spatial pattern）。（a）功能性磁共振重复测量了大量小体积脑的活性，每几秒钟测一次，这个小体积就是体素（voxel）。每个体素仅数毫米大小。左边，从每个体素中测量出来的信号，反映了局部氧和脱氧血红蛋白的变化，此变化是由神经活动引起的。一组（N）体素（在这里显示了3×3个栅格）的联合活性组成空间型式，可以表达为一个型式向量（pattern vector）（右）。不同的型式向量反映了不同的神智状态。例如，与受试者看到不同图像相关的不同神智状态。每个型式向量可以解释为N维度空间上的一个点（显示在小图b—e的仅初始两个维度，红和蓝分别表明两个条件），每次测量对应于单个点上脑的活性的。一个成功的分类器学会辨别不同神智状态下测量出来的型式向量。（b）分类器可以在单个体素上操作，因为反应的分布（红和蓝的高斯式分布）是可以按照个别体素来区分的。（c）在单个体素中不可能区分两个类别，因为分布是大部分重叠的。然而，如果考虑把两个体素的反应结合起来，则反应的分布是有可能区分开来的。这里可以应用线性决策边界（linear decision boundary）(4)来区分两个二维反应的分布。（d）这个例子说明，这次实验用了线性决策边界。这还不够，需要用一个弯曲的决策边界（curved decision boundary；对应于非线性分类器）。（e）为了检测分类器的预测能力，数据分为训练的和测试的两套。训练数据（红和蓝的记号）是用来训练分类器的，然后应用分类器于一套新的、独立的测试数据。然后对这些独立数据按比例分类，或者是正确的（开放圆圈），或者不正确的（实心圆圈）。这样就给出了表明分类实施的测定结果。因为分类实施将会显著变坏，如果应用的体素数目超过数据点的数目，所以维度特性将会减少，例如主要组成部分分析、向下取样或者体素选择，按照不同的判据。一个有趣的策略是，要避免由于体素选择所产生的偏好，那就需要系统地搜索各个脑区，那些脑区具有局部成簇的体素信息。小图b—d根据另外的文献。（图引自［6］）

总的说来，基于型式的技术可以允许我们相当程度地增加通过测定脑活动来解码当前神智状态的信息量。于是焦点转移了，离开了通常以位置为基础的分析策略，转向解码神智状态。这种转移可能提出一些最好的方法，应用这些方法将可以从脑活动中提取信息。在对动物及病人的研究方面，已经有几个相关领域对“脑阅读”作出了重要的基础贡献。我们在这里仅聚焦研究途径，从这种途径人们得以推断意识和无意识的知觉以及认知的神智状态，通过非侵入性地测定人脑的活动。用这些技术间接地测量神经反应，通过头皮的电位记录，或者通过另一种方法——血氧水平依赖的（BOLD）方法，即fMRI信号。重要的是我们要记住，脑阅读所用的信号和实现此信号的神经活动之间的关系，可能很复杂，或者是间接的；当然就多数实用目的来看，关键的问题是，脑阅读可以预测认知或知觉状态到何等地步。重要的是，我们也要讨论新近出现的技术和方法学挑战，讨论涉及伦理学方面的问题［6］。