加州大学洛杉矶分校的研究团队在一个新研究里描述了这个领域里的几个重大改进，他们使用功能磁共振成像和机器学习方法对吸烟者渴望尼古丁的体验进行了“大脑阅读”。
诱惑" />
一项革命性机器学习方法预测神经认知的改变，类似于手机文本条目和因特网搜索引擎。
上周在西班牙，在大脑学习神经信息处理系统和解读神经影像学的研讨会上提出的这项研究，由国家药物滥用研究所提供资金支持。该研究所对帮助人们控制药瘾的这些方法非常感兴趣。
艾丽安娜-安德森博士说：“在这个成瘾和渴望的研究中，研究团队分类了从抽烟者那里获得的数据，这些数据是在他们观看引诱出尼古丁渴望的时候扫描获得的。目的是为了详细的了解大脑的哪个区域和哪个神经网络明确的抵抗或渴望尼古丁诱惑。“安德森博士是综合神经成像技术实验室的博士后研究员也是这项研究的主要作者。
安德森说：“我们对探测人类大脑结构和功能之间的关系非常感兴趣，特别是涉及到更高级别的认知，例如心理意象。实验室参与现代数据分析的积极开发，例如机器学习，特别注意揭示神经组织系统水平的方法。
在这项研究中，吸烟者有时候观看引诱渴望的视频，有时候看“中立”视频，有时候却完全没有视频。他们被指示当尼古丁出现的时候抵抗它的诱惑。
通过功能磁共振成像扫描从研究参与者身上获得的数据随后被进行了分析。传统的机器学习方法被马尔科夫过程所扩张，马尔科夫过程使用过去史来预测未来状况。
在扫描期间通过测试大脑网络随着时间的活跃性，机器学习算法的结果能够在被试者潜在的神经认知结构上发生预见的变化，高精度（某些模型测试达到 90%）的预测出他们正在注意的，就渴望而言，他们如何应对他们的渴望。
在加州大学洛杉矶分校读完统计学博士学位的的安德森说：“我们检测人们是否注意并抵抗诱惑，或者沉溺其中，或者观看与吸烟和渴望无关的视频。本质上说，我们一直预测和探知人们正在观看什么类型的视频，是否他们正在抵挡他们的渴望。”
其研究人员说，其实这种算法能够完成或者“预测”被试者的精神状态和思考方式，它同因特网搜索引擎或手机短信系统在使用者停止输入前预见或完成一个句子是以差不多的方式。基于马尔科夫过程的机器学习方法，展示了在传统方法上精准度的一个巨大的改进。
机器学习方法通常创造了一个“决策层”，本质上是把需要区分的不同阶层划分开的分界线。例如，边界一边的价值可以指出被试者相信各种各样的测试报告，在另外一边，被试者则不相信这些报告。
研究人员已经发现他们能够高精确度的探测到这些相信或者不相信的差异，实际上创造了一个测谎仪。在新研究中描述的革新是神经系统科学家创造这些可判断界限的方法，而不是更传统方法创造的通常的模糊边界，同样支持矢量机器学习。
共同研究者马克-S-科恩说：“在我们的研究中，这些边界线的目的是为了反映各种各样可辨认的大脑分支系统和网络的分配活动，例如视觉网络、情绪管理网络或者斗争监控网络。”科恩是加州大学洛杉矶分校的神经学、精神学和生物行为学教授，同时也是该学校纳米系统研究所的一名研究员。
同样管理加州大学洛杉矶分校神经工程训练计划的科恩补充说到：“把孤立的与渴望相关的特殊网络问题放置到神经学领域，这项技术做了更多的大脑状态分类，这事实上更好的帮助我们理解大脑忍耐渴望的方式。”
研究人员说：“非常明显，把这个问题放置到神经学领域，解码过程变得更加可信和精确。这是尤其重要的，特别是使用了之前的效果和状态来报告机器学习算法，并且由于对于大脑工作的未知性也使它成为大脑研究的特殊挑战。”
机器学习包含两步：“训练阶段“，这个阶段电脑评估了一组已知的结果，显示信赖或不信赖的被试者所做的一系列尝试。第二步“预测”，电脑根据认知建立一个分界线。”
神经系统科学家说：“在未来的研究中，我们将在一个生物反馈环境中使用这些机器学习方法，实时展示被试者的大脑数据来让他们了解他们什么时候体验渴望和这些渴望是如何的强烈，希望能训练他们控制并抑制那些渴望。”
研究人员说：“但是由于被试者的过程和认知状况明显的发生变化，他们可能够面对特殊的挑战，包括试图解码一个‘活动目标’和从‘预测’阶段分离出‘训练’阶段。”
相关文章
