基于分类器的 MVPA（上图中的 a）涉及学习区分与不同认知状态相关联的fMRI模式（例如，面对面对场景）的边界。另一方面，基于相似性的MVPA（上图中 b）涉及计算fMRI模式之间的成对距离的矩阵，并且（可选地）比较该矩阵与其他相似性矩阵——例如，来自关于概念相似性的认知理论的预测。

　　2. 实时功能磁共振成像（实时 fMRI）分析

　　按照正常工作流程中，fMRI 数据被收集后，从扫描仪传输到服务器，接下来会在数周、数月或数年的时间内进行离线的分析。这种时间上的之后推动了该领域当前的一大研究热点——在收集数据期间能够做什么，也即实时功能磁共振成像（fMRI）的研究。

　　作为一种研究工具，直播，实时功能磁共振成像带来很多新的实验设计和训练方法。其中，特别需要指出的是，通过实时分析数据得到的神经结果可以用于调整正在进行的实验。

　　上图中展示了实时数据被用于调整试验的过程。在收集、预处理和分析脑体积后，得到的结果会在下一次获取完成之前，被用于更新实验代码。神经结果一般会以三种方式得到整合。首先，神经结果可以被直接显示给参与者观看，这种做法的原理是，这种神经反馈能让参与者改进他们的策略，并学习控制哪些脑区或表征是活跃的。第二，实验者可以使用神经结果触发试验的开始，从而测试假设，这些假设是关于区域的活动（或不活动）对感兴趣的认知过程或行为有什么贡献。第三，实验者可以使用神经结果来调整实验参数，从而研究脑区的选择或重复试验。不管方法如何，最终结果是一个时间步长的大脑活动可以影响参与者在下一个时间步里获得的体验，这反过来会影响参与者的大脑活动及其体验。TR是指重复时间，也即下一次体积采集的开始。

　　3. 基于模型的分析

　　fMRI中，计算模型在一项关键用途是定义感兴趣的假设信号。靠近边缘的过程，例如视觉感知，通常涉及具体的、可量化的变量，这些变量能够相对直接地用于概念化、操纵和测量。举例说，设计一个实验来测试大脑区域在颜色视觉中的参与了多少，相比测试更加抽象的构造（如预测误差或置信度）要清晰很多。这不仅仅是颜色更加直观，也是因为视觉的心理学和神经科学早已建立了坚实的计算基础，通过形式主义（如信号检测理论）得到指导。这些理论最初来自工程学，但现在在实验设计和分析中也得到广泛和深入的应用，对于知觉的关键步骤以及如何评估它们的操作给出了明确的指南。

　　基于模型的 fMRI 允许研究人员超越局部化大脑中的模型变量。一旦知道了位置，这些信号可以在以后的实验中读出，并用于独立于行为的参数估计，通过模型比较来判断参与者正在使用哪些计算过程以及上面讨论的各种实时设计。

　　上图是基于模型的 fMRI 示意图。计算模型（顶部；误差驱动的奖励学习模型）可被用于生成内部变量的候选时间序列（V 代表值，用蓝色显示，预测误差是δ，红色显示）。在平滑解决血液动力学滞后（中间）之后，这些变量可被用于回归分析，寻找脑中的相关 BOLD 活动（下），产生可以被认为是用于执行或跟踪模型中的相应计算的候选者的区域。α代表学习率参数。

　　4. fMRI 实时云 Saas

　　接下来，作者介绍了提升这些 fMRI 分析的手段，我们在这里就重点介绍上文里提到的实时分析技术。