合作的结果之一是创建了一个称为脑成像分析套件（BrainIAK）的软件工具包，该软件工具箱可通过互联网公开提供给任何想要处理fMRI数据的研究人员。该团队正在致力于构建实时分析服务。 “我们的想法是，即使研究人员无法访问高性能计算机，或者不知道如何编写软件在这些计算机上运行他们的分析，就可以使用这些工具来实时解码大脑的扫描数据。“ Li说。

　　受益于即时反馈，这些科学家对大脑的了解最终可能会帮助个人克服注意力困难或其他问题。

　　例如，实时反馈可以帮助患者训练他们的大脑来削弱侵入性记忆。 虽然这种“大脑训练”方法需要额外的验证，以确保大脑正在学习新的模式，atv，而不只是变得擅长做训练，这些反馈方法还是为新疗法提供了可能，Cohen说。他说，大脑的实时分析也可以帮助临床医生做出诊断。

　　普林斯顿神经科学研究所心理学教授和 Kenneth Norman 说，实时解码大脑的能力也适用于基本的大脑研究。 “作为认知神经科学家，我们有兴趣了解大脑是如何产生思维的，”诺曼说。 “能够实时地做到这一点大大增加了我们可以的研究外延，”他说。

　　Norman 告诉我们，技术还可以被用于研究我们是如何学习的。 例如，当一个人听数学课时，某些神经模式被激活。 研究人员可以看看那些听得懂的人和听不懂的人在神经模式方面有什么不同。

　　这一进行中合作现在集中在改进技术以求更明确地知道人们在想什么，例如，能够识别人类思维的外化——表情。

　　计算机科学家必须克服的挑战之一是如何将机器学习应用于脑扫描生成的数据类型上。 人脸识别算法可以扫描数十万张照片，以了解如何分类新面孔，但研究人员对每个人的脑部扫描量一般只有几百张。

　　虽然扫描次数很少，但每次扫描都包含丰富的数据。 软件将大脑图像分成小的立方体，每个大约一毫米宽。 这些立方体称为体素，类似于二维图像中的像素。 每个立方体中的大脑活动都在不断变化。

　　我们看得更深入一些，是脑区域之间的连接是我们产生了各种各样的想法。典型的扫描可以涵盖100,000个体素，如果每个体素都和其他体素有对话，则可能的对话数量是极为巨大的。 这些对话逐秒变化。 英特尔和普林斯顿计算机科学家的合作克服了这一计算挑战。 李和计算机科学助理教授Barbara Engelhardt，以及于2016年在普林斯顿获得计算机科学博士学位、现在在英特尔实验室工作的Yida Wang，都参与了此项工作。

　　普林斯顿心理学教授 Nicholas Turk-Browne 说，在没有取得最近的这些进展之前，研究人员需要花费数月的时间来分析数据集。 随着实时核磁共振成像的出现，研究人员在实验进行中就可以对其进行调整。“如果我的假设涉及大脑的某个区域，而我实时检测到我的实验没有调动起该大脑区域，那么我们就可以改变对志愿者的要求，以期能够更好地调动该区域，潜在地节省宝贵的时间，加速科学发现。“Turk-Browne说。

　　“最终的目标是能够根据人们的想法创建图片，”Turk-Browne说, “如果你躺在一台扫描仪里，而且正在检索一个特殊的回忆，比如童年的经历。我们希望能过在屏幕上生成一个关于这一经历的照片。这是个遥远的目标，但我们正在取得良好的进展。“

　　回顾神经科学中的计算与分析

　　在神经科学中，计算的核心作用在过去十年对 fMRI 数据分析当中体现得越来越明显。

　　这些方法的基础都是计算机科学和工程学，比如机器学习、图论和控制论，当然也包括上述领域的进展，比如软硬件的优化和并行，后者令前者可以更加有效地、在大规模程度上运行。这些计算上的发展都对神经科学领域带来了定性和定量的影响，就此，普林斯顿大学的 Jonathan Cohen 等人在他们的综述里，有针对性地做了归纳和评析。

摘要

　　认知神经科学领域的分析方法并不总是能很好地处理丰富的 fMRI 数据。早期的方法重点关注估计单个体素（voxel）或脑区的神经活动。这种方法忽略了体素上神经表征的分布本质、任务过程中神经活动的连续动态、对多个参与者执行联合推理的统计学优势以及使用预测模型约束分析的价值。最近一些探索性和理论驱动的方法已经针对这一点重新思考并进行改善。新的方法强调了在 fMRI 分析中应用计算技术的重要性，尤其是机器学习、算法优化和并行计算。这些技术的采用正在实现新一代的实验和分析，并有望改变我们对一些大脑中最复杂的信号的理解，这些信号都是人类所独有的，比如思考、意图和记忆等认知行为。

　　文章评析的几种主要的 fMRI 分析方法如下。

　　1. 多体素模式分析（MVPA）

　　多体素模式分析分为两种：基于分类器的 MVPA 和基于相似性的 MVPA。