近日，加州大學洛杉磯分校的研究團隊使用功能磁共振成像和機器學習方法對吸煙者渴望尼古丁的體驗進行了“大腦閱讀”。該研究所對幫助人們控制藥癮的這些方法非常感興趣。
研究團隊分類了從抽煙者那里獲得的數據，這些數據是在他們觀看引誘出尼古丁渴望的時候掃描獲得的。目的是為了詳細的了解大腦的哪個區(qū)域和哪個神經網絡明確的抵抗或渴望尼古丁誘惑。
在這項研究中，吸煙者有時候觀看引誘渴望的視頻，有時候看“中立”視頻，有時候卻完全沒有視頻。他們被指示當尼古丁出現的時候抵抗它的誘惑。通過功能磁共振成像掃描從研究參與者身上獲得的數據隨后被進行了分析。傳統(tǒng)的機器學習方法被馬爾科夫過程所擴張，馬爾科夫過程使用過去史來預測未來狀況。
在掃描期間通過測試大腦網絡隨著時間的活躍性，機器學習算法的結果能夠在被試者潛在的神經認知結構上發(fā)生預見的變化，高精度（某些模型測試達到90%）的預測出他們正在注意的，就渴望而言，他們如何應對他們的渴望。
研究人員已經發(fā)現他們能夠高精確度的探測到這些相信或者不相信的差異，實際上創(chuàng)造了一個測謊儀。在新研究中描述的革新是神經系統(tǒng)科學家創(chuàng)造這些可判斷界限的方法，而不是更傳統(tǒng)方法創(chuàng)造的通常的模糊邊界，同樣支持矢量機器學習。
研究人員說：“非常明顯，把這個問題放置到神經學領域，解碼過程變得更加可信和精確。這是尤其重要的，特別是使用了之前的效果和狀態(tài)來報告機器學習算法，并且由于對于大腦工作的未知性也使它成為大腦研究的特殊挑戰(zhàn)。”機器學習包含兩步：“訓練階段“，這個階段電腦評估了一組已知的結果，顯示信賴或不信賴的被試者所做的一系列嘗試。第二步“預測”，電腦根據認知建立一個分界線?！?/P>
在未來的研究中，將在一個生物反饋環(huán)境中使用這些機器學習方法，實時展示被試者的大腦數據來讓他們了解他們什么時候體驗渴望和這些渴望是如何的強烈，希望能訓練他們控制并抑制那些渴望。
下載文檔
