生物行移动版

美国加州大学伯克利分校的神经学家杰克·加朗教授领导的研究小组，利用功能核磁共振成像（fMRI）扫描仪和电脑模型，成功对脑神经信号进行解码，并确定了受试者刚刚看到的图片。这一成果意味着，未来通过电脑重现人脑中的梦境、想象或记忆画面成为可能。相关研究发表于2011年的《自然》杂志子刊。

在研究中，两名受试者首先观看了1750张涵盖动物、建筑、食物、室外风景、室内景物、人造物体等类别的图片。同时，fMRI扫描仪记录了其大脑视觉皮层（特别是V1、V2等早期视觉区域）的血氧水平依赖（BOLD）信号。研究团队基于这些数据构建了一个数学模型，用于分析大脑对不同视觉特征（如边缘朝向、颜色、纹理等）的响应模式。该模型通过机器学习算法——特别是线性回归与稀疏编码——将fMRI信号与视觉刺激的低级和高级特征进行关联。

在第二阶段，受试者观看了120张全新的图片，fMRI继续记录其大脑活动。通过数学模型的反向推断，电脑预测了受试者所见图片的内容：对第一名受试者的预测准确率达到92%，第二名则为72%。这一结果首次证明，大脑视觉皮层的fMRI信号包含足够丰富的空间和时间信息，足以重构出与原始刺激高度相似的图像。

该研究的技术核心在于：fMRI并非直接测量神经元活动，而是通过检测血氧水平变化间接反映神经活动（即神经-血管耦合机制）。视觉皮层对不同视觉特征的选择性响应，使得每个视觉特征在皮层上形成特定的激活模式。电脑模型通过学习这些模式，实现了从大脑信号到视觉内容的“逆向工程”。

此后十年间，该领域取得了显著进展。例如，2016年日本京都大学团队利用生成对抗网络（GAN）从fMRI信号中重构出更逼真的自然图像；2022年瑞士洛桑联邦理工学院（EPFL）的科学家甚至能够从EEG信号中重建视觉图像。尽管如此，当前技术仍存在局限性：fMRI的时间分辨率较低（约1-2秒），且模型严重依赖受试者预先观看大量训练图片，跨个体解码仍面临泛化瓶颈。此外，梦境或记忆的复杂性远超静态图片，涉及情感、时序与语义整合，因此真正实现“梦境重现”仍需长期突破。

该研究的范式为脑机接口（BMI）提供了新思路。若与脑电图（EEG）或近红外光谱（fNIRS）等便携式技术结合，未来或可应用于神经反馈训练、无创通信辅助设备，以及精神疾病（如创伤后应激障碍）的视觉记忆重建治疗。

参考文献：
1. Naselaris, T., Prenger, R. J., Kay, K. N., Oliver, M., & Gallant, J. L. (2009). Bayesian reconstruction of natural images from human brain activity. Neuron, 63(6), 902-915.
2. Kay, K. N., Naselaris, T., Prenger, R. J., & Gallant, J. L. (2008). Identifying natural images from human brain activity. Nature, 452(7185), 352-355.