神经自适应脑电图：一项婴儿群体的原理验证研究

功能神经成像的一个核心目标是研究环境如何在大脑中被处理。主流范式涉及同时测量对一小部分参照既往研究或理论框架预先选定的环境特征所产生的大范围脑响应。作为补充，我们反转了这一思路，允许研究者记录预先选定的脑响应受大范围环境特征调制的情况。当理论框架或既往实证数据匮乏时，我们的方法是最优的。通过使用预设的闭环设计，该方法解决了脑研究中可重复性与泛化性的根本挑战。在发育中大脑的研究中，这些条件尤为严峻：我们基于成人脑功能建立的理论可能从根本上误判婴儿认知的地形分布，且数据获取存在大量实际困难。我们的方法采用机器学习来映射神经特征在实验刺激空间上的调制。我们的方法实时收集、处理并分析脑电图（EEG）脑数据；并使用神经自适应贝叶斯优化算法，依据给定被试的先前样本调整所呈现的刺激。未采样刺激可通过沿数据集拟合高斯过程回归进行插值。我们表明，该方法可通过在线记录婴儿对人脸连续体的Nc脑响应，自动识别出其母亲的面孔。我们能够为每个被试提取个体化响应的模型统计量，从而为早期识别非典型发育打开大门。该方法在婴儿研究及更广泛领域中，对提升脑功能个体认知地形映射的效能与泛化性具有巨大潜力。