你在大学混日子,知道别人在干什么吗?
前几天接到一个大学同学的电话，他跟我说辞掉了在工厂里面做采购的工作，打算重新报补习班学习编程，然后跟我聊程序员这份工作的前进怎么样。
我一做广告的，也不懂程序，就跟他说了一下我自己知道的，我说：“我平时和程序员打教导，一般都是让他们做H5画面，再就是测试网站等。程序员的工作前景还是不错的，至少在我们公司一个个牛的要死。而且那些真正的IT公司，程序员是很牛的，开发应用，作游戏，做网站等等。虽然程序员和广告狗一样苦逼，但是也还是很有前途的一份工作。”至少比他在工厂开车送货强，我非常支持他去做。
他听我说完后，问我说：“你怎么懂这些东西？”我说：“我平时工作也跟程序员打交道啊，我也只是知道一点点而已。”然后我问他说：“你自己打算做程序员难道不会调查清楚程序员的各个工种么？你调查清楚了有目的的去学，这样以后找工作也好找啊。”
然后发现他真的没去调查了解。他又问我：“你怎么跑到广告公司去的，当初是怎么进那家公司的？”看过我其他文章的人应该都知道我从小到大是一个学渣，大学只是一个专科。但是在大学里，我们宿舍一共7个人，经常就是6个人晚上在网吧包夜，只有我一个人在宿舍看书。
因为我一直以来就知道想要什么，不想要什么，再就是一个人心中一旦有了目标，别人怎么看，怎么说都不会影响自己的决定。而且这种性格我一直延续到今天，现在每天下班回公司宿舍后，同事玩手机打游戏，我又是一个人在电脑面前写简书。从以前到现在，不是没听过嘲笑声，只是我都自动免疫了。
我以前就劝过他，让别他做什么工厂的司机，虽然在刚毕业那会一个月3000块还有回扣可拿，听上去不错，可是几年之后呢？你除了开车连个一技之长都没有。果然几年之后就给我打电话了，不过一个人只要做正确的事情，什么时候都不算晚。现在从新开始也来得及，我写简书，做公众号不也是刚刚开始么？
挂完电话后，我又回想起了我以前的大学时光，想起在别人异样的眼神中独自行走的孤独。那段时光真的很难熬，好在我现在走出来了。每个人都会有那么一段时光让你成长，要么是爱情，要么是事业。
大学是人生中很特殊的一个阶段，承上启下，告别了高中的懵懂，又即将迎来残酷的社会。我把自己的一些思考写下来，它们不是指引方向的路牌，只是一盏路灯而已，它的光芒也许只够照亮100米，100米以后的路，你要自己走。
1这个世界从来都不是公平的，你要坦然的接受它
我高考那年，一位与我要好的女生，考了500多分，第一志愿掉档，后来读了一个4批2的专科。而我的另外一位同学，因为家里在北京有户口，考了500多分，上了一个985。第一位女生现在月薪2,3千，去年在老家结了婚。第二位现在在北京一家大型国有企业上班，月薪1万多，经常在朋友圈发他出国旅游的照片。
这个世界从来都不是公平的。当你无法改变这个世界的时候，就只有改变自己。抱怨是没有用的，你必须得承认，有些人一生所追求的东西，就是有些人与生俱来的。
有些人在学校靠着助学金过活，有些人Iphone手机换了一个又一个。有些人从没坐过飞机，有些人出行一直是飞机。有些人在想着暑假去哪儿打工挣学费，有些人暑假了想着去哪里旅游。你觉得这个世界不公平对么？为什么有些人轻而易举就能获得你梦寐以求的东西？我想说，这个世界从来就是这样的。不管你乐意不乐意，它都不会变。
不要去抱怨这个世界，等你毕业了，工作了，结婚了，你会发现人与人之间本身就不是公平的。抱怨不能改变什么，只会让你的生活变得更差。我们要做的是努力让自己变得优秀，不要让自己曾经所经受的苦难浪费。
这个世界上没有谁能够真正的拯救你的生活，如果你想从生活的泥沼中挣脱出来，只能靠你自己。
2能力比文凭更重要，但也不要否认文凭的价值
我经常听到有些人在找工作的时候抱怨说，社会只看文凭，不看能力。仿佛他的失败就是因为文凭造成的。其实不是这样的，你的失败从来都是你自己造成的。
我自己只是一个专科毕业生，但我从不抱怨这一点。别人文凭好，说明别人在读书的时候比你更加勤奋，别人在挑灯夜战的时候，你也许正在网吧里面打游戏。文凭的敲门砖是别人自己争取的，我没有争取到只怪我自己不曾努力。
所以大学期间，当别人打游戏的时候，我都在图书馆里看书。当别人得过且过混日子的时候，我明确了自己的目标，并且为之努力，现在总算可以和那些985、研究生成了同事每个人都应该对自己行为负责，不要把责任推到别人身上，反思自己比怨天尤人有用。
也许你会说，虽然别人文凭好，但是能力并不一定比我强啊，那些用人单位是眼瞎么。就好比我写文章也经常会想，别人写的也就那样啊，为什么他们的粉丝比我多。但是这样的念头也就那么一瞬间，转过头来我就会反思自己，是不是自己的文字不够幽默，是不是文章不够有深度。我很明白一点，别人的成功肯定有别人的理由，这是世界上没有凭空而来的成功。我没有达到那样，肯定是有我自己做的不好的地方。
如果觉得别人没有发现你的能力，那只能说明你的能力还不够，还没有到让别人对你为之侧目的程度。
当你还没有崭露锋芒，就不要怪别人没有眼光。
3无论什么时候，都要学会从0开始
很多大学生觉得，好不容易熬过了艰难的高中三年，现在正是玩的时候，要把过去没玩的全部玩回来。我自己就是一个特别贪玩的人，大学三年，我也和别人一样逃过课，包过夜，大醉过，疯狂过。但是我并不是漫无目的，我知道自己将来想做什么，我努力去做一些事情，玩只是我生活的一部分，而不是全部。
不要以为上了大学，一切就轻松了。人生没有那个阶段是轻松地，活到老，学到老。学业总有中断的一天，可你的学习却不能够终止。当今社会日新月异，如果不紧跟时代的脉搏，就会被社会所抛弃。
如果你文凭本身就不好，还不努力，到了毕业时，就会发现你的专科文凭找的工作都很LOW，不是销售，就是中介。你觉得自己满腹才学，应该做一些更牛X的事情。可是你大学几年都做过些什么呢？你什么都不会，还天天混日子不求上进，谁愿意给机会你。
如果你是名牌大学的学生，你更要努力，你拥有这块敲门砖，可以轻松找到一份工作。可是能够决定你成就高低的是你的思维方式和能力。如果你在学校里只是逃课和打游戏，什么正经事都没干过，这种懒惰的思维方式会伴随你未来的工作和生活，会影响你的一生。
大学不是结束，而是开始。或者说每一天都是一个新的开始。
4兴趣比学业重要
在大学里，学业固然重要。但是我认为培养自己的兴趣同样重要，学业只有短短四年，但是兴趣却会伴随一生。
我一直以来的兴趣就是看书，写作。我也许无法成为一个学者或者作家，但是起码我知道，等到我三十多岁的时候，我会给我的小孩讲书里的故事，而不是天天跑去找人搓麻将。
有人会问那么什么是兴趣，打游戏算么？只要是你喜欢的，都算。不管是音乐，绘画，美术，健身，篮球等等。
找到你心中喜欢做的事情，坚持下去，并且把这件事情做到最好，要知道你的游戏打的特别牛逼，说不定那天就去开发游戏去了，我知道的很多游戏的产品经理本身就是游戏狂魔。
我们的兴趣也许无法带来实质的利益，但是人生在世，不是所有的事情都要功利的去看待。如果所有的事情都要去判断它将来能不能挣钱，那么世界上也就没有艺术的存在了。
人生在世，总要为了自己热爱的东西疯狂一次。
先讲生存，再谈理想。
5先讲生存，再谈理想
很多人在找工作的时候会考虑一个事情，我是该找与自己喜欢的工作呢？还是先随便找一份工作。
我觉得从你离开校园的那一刻起，就不应该再找家里要钱。如果你找的工作不喜欢，那就骑驴找马，边做边找。不要打着为了理想的名号赖在家里，这个世界上没有谁有义务为你的理想买单，你想要什么就去争取，不要坐着着不动。
好高骛远，缺乏行动，这样的人是最没有资格说理想的。
6选择比勤奋更重要
有的家长还有学生会说，如果将来所从事的工作与专业没什么关系，那么我的四年大学岂不是白学了？
我想说，大学只有四年，可是你的一生还很漫长，我大学学的是纺织品，毕业做的是服装销售。但是我自己又是一个伪文青，一直希望做与文字相关的工作。后来辞职，历经波折，也曾穷的一顿饭只能吃一碗泡面加馒头，心里始终憋着一股怨气，特别不甘心，难道我的一生就要这样么？趁着年轻，还是想搏一搏，虽然现在也没搏出什么名堂，但是也依然在努力着。
人的一生中会面临很多的选择，你的选择决定了你人生的轨迹会往哪个方向走，但是不管怎么选，都要遵循背心，相比较失败，后悔才是更让人难受的事情。
7大学生该不该谈恋爱？
很多家长在孩子读书的时候，告诉孩子不要谈恋爱，结果到了毕业却催着孩子早点结婚。不让早恋的理由是：“你们没有结果的。”
可是人生中最重要的事情，不应该是经历过，而不是一个所谓好的结果么？
如果凡是都要追求结果，那么我再怎么写，也不可能成为作家，是不是就不应该写了？我再怎么创业也不可能成为马云，是不是就不应该创业了。我再怎么打篮球也不可能进国家队，是不是就不要打球了？
不知道从什么时候流行一个说法，不以结婚为目的的恋爱就是耍流氓。能够从恋爱到结婚一帆风顺自然好，可是人生变化多端，谁就能说自己一定知道结果。如果你现在碰到一个喜欢的人，你不知道能不能跟她结婚，难道你就不应该去勇敢的追求么？
生命中有些人，一旦错过了，那就是永远失去了。勇敢的去爱吧，不要辜负了自己的青春。
孤独不仅是大学，也是人生中的必修课。
8孤独不仅是大学，也是人生中的必修课
当你宿舍的同学，每天逃课打游戏，你却想去图书馆看书。你会觉得与这个世界格格不入，你会因为自己与别人的不一样，而感到孤独。如果你与他们一样，你自然会感到安全。
可是你要做的就是学会忍受孤独。
因为在你以后的人生中，还会有无数个这样的时刻。你想换工作，就会与原来的同事不一样。你想去大城市，就会与在小城市工作的同学不一样。你想追求梦想，就会与安于现状的朋友不一样。
正是你的不一样造就了你的与众不同，而且我相信，当你走的足够远，你总会碰到与你相同的伙伴。你的孤独只是因为你没有找到你的同类，再往前走几步，也许你就遇到了。
9建立三观，学会独立思考
当我们在嘲笑父母在朋友圈转发养生秘笈时，我们自己不也在崇拜微博大V么？
所谓的独立思考，就是对这个世界有自己的认知。
不要相信成功学，不要盲信权威，不要人云亦云，永远不要别人说什么就是什么，要去思考别人这样说有没有根据。
其中最让人反感的例子就是，一直到今天还有一些大学生抵制日货。网络上几个所谓公知振臂一呼，就有人傻乎乎的跟着摇旗呐喊。你们砸了一辆日本车，可是你们知道吗？这辆车是在中国工厂组装的，零部件来自世界各地，销量下降了，中国工人失业了。有人会说，我至少让日本车卖不好，让他们赚不到钱。对于这类人，我建议你们把阿里巴巴也给砸了，因为阿里巴巴的大股东是日本的孙正义。
只有通过多读书，才能提高我们的视野和高度，才会拥有独立思考的能力。首先你要成为一个独立的人，才能去面对这个世界。
10不要忘了为什么出发
还没有练好绝世武功，转身便是江湖。
江湖险恶，我们都曾梦想仗剑走天涯，看一看世界的繁华。功名利禄，腐蚀人心，当有一天你身处庙堂之高，不要忘了初入江湖的那份赤子之心。
文／小清新陈公子（简书作者）转载于简书 ，原文链接：/p/ad，公众号：21点之后。
责任编辑：
声明：本文由入驻搜狐号的作者撰写，除搜狐官方账号外，观点仅代表作者本人，不代表搜狐立场。
今日搜狐热点学心理学的人真的知道你在想什么吗？ - 壹心理
学心理学的人真的知道你在想什么吗？
发表于 10:30:31
文：京师博仁心理
星座，是许多现代的年轻人们喜欢讨论的话题。大家会去看星座特点、星座运程、哪些星座合与哪些星座不合。然后我们会觉得这些说的真是太准了。在我们的日常生活中，我们周边的朋友们总是会讨论。当我们成为好朋友，我们会说果然，我们两个星座很合。有时候看别人，某某这个样子，她肯定是那个星座的。
其实，我们可以用心理学的巴纳姆效应、罗森塔尔效应等等来说明为什么他们会觉得星座很准，然后向他们普及这些都是伪心理学。可是这并没有什么用。不难发现，大众对于心理学与伪心理学很模糊，虽然心理学已经发展了100多年，可是仍旧有很多人对心理学有很多误解。1、什么是心理学？
心理学是一门研究人类的心理现象、精神功能和行为的科学，心理学可以描述、解释和控制行为，并有效地预测将要发生的行为。而伪心理 学是那些貌似心理学，但没有任何事实根据，试图解释人类行为的各种虚假的、违背科学概念与方法的体系。我认为心理学的科学性在于它的可证伪性与可重复性。2、为什么大众对心理学与伪心理学的界线十分模糊？
之前微博上流行一个段子，说的是一起来看看你的专业毕业后都能干些啥，当我看到心理学那里是算命先生的图时，我不禁笑出声来。这显然是个笑话，但一直以来心理学在大众眼中都是比较神秘的学科，一些本与心理学无关的东西如玄学，卜算等都掺杂在心理学科里。相信学习心理学专业的朋友都有 这样的经历：当别人问到你的专业时，你说是心理学，他们都会发出惊讶的声音，甚至他们会觉得很神奇也很好奇。因此，搭建心理学平台、普及科学的心理学，是博仁一直坚持在做的。
心理学在科学领域中一直处于不尴不尬的位置，它区别于传统的科学学科，如物理学等等。传统的科学学科有足够充分的理论基础， 而且它们研究的对象是实际的物质以及原理，而心理学研究的对象是人的心理活动以及精神世界，因此大众对于心理学的印象大多是神秘的，捉摸不透的。另外，不同于传统科学学科，心理学的分支流派有很多，而且相互之间的理论并不一样，甚至是对立的，这令心理学科没有一个统一的阵线，心理学的理论与传统科学学科不 同，它是可能性的问题而且并没有100%的适用性，但伪心理学往往是确定性的理论，给出的答案也是肯定的。
除此之外，大众对心理学的了解主要都是通过媒体，如电影、电视剧、书籍等间接途径。的确大众媒体是个很好的传播途径，而且也能引起大家对心理学的兴趣以及关注，但或许他们对心理学科的认识不足或是需要噱头，需要收视率等等，这些作品会让大众产生错误的印象。记得学习专业课的时候我们老师几乎都说过，市面上那些所谓很畅销的心理学书籍很大部分都不是真正的心理学书籍，但这些“伪心理学”书籍却往往比真正科学的心理学书籍要受欢迎得多。因为大多数的专业书籍都太过专业不生动，都是专业名词和数据，枯燥也不有趣，甚至都不能帮我们解决问题。而那些伪心理学的书籍会有”约会十大技巧“、”一小时成为沟通专家“等等直接 打动大众的了标题和技巧，生动趣味并且说的很”准“。3、如何判别心理学与伪心理学
首先要明白为什么我们会相信伪心理学。伪心理学之所以受到大众欢迎，是由于它满足了大众的部分欲望，有市场价值，例如有人希望有什么可以来帮助他走出现在困境或是给予他精神寄托，而且人都有窥探癖，内心渴望窥探别人的隐私，也就是说我们都想有看穿别人的能力，所以学心理学的我们被人问得最多的肯定是“你知道我在想什么吗“。能够知道别人在不同的情境下会做什么，“感觉能够控制环境”这只是一种安全感，你很可能为了获得安全感而盲目的相信各种伪心理学。
其次我们都要培养自己批判性思维，不要盲目相信所谓的权威专家。想真正的学习了解心理学，要对心理学有个基本的认识，譬如阅读心理学的入门书籍等等，而不是去看那些打着心理学旗号的伪心理学。另外，通过正规科学的渠道去获取知识，例如得到认可的期刊，或是经过同行认证推荐的书籍。现在太多人打着心理学专家的旗号在外授课写书等等，我们不能一味相信，对于任何理论文章我们都要有批判性的精神，即使是刊登在正规期刊上的文章也未必百分百正确。
最后，要时刻记住心理学的可证伪性与可重复性。任何科学的理论都有可能是错误的，如果一个理论没有可能是错误的，那么它多半是没有任何科学价值的，也不属于科学。伪心理学的理论多半是不可证伪的，无论你怎么质疑它都能自圆其说。而可重复性就是这些理论是通过系统实证的方法来检验的， 用这种方法收集来的数据是公开的，也就是说，它允许其他人重复这些实验并提出批评。伪心理学的理论是不能被重复的，它只是利用空泛、笼统的语言描迷他人的情况，来使大众相信他们的观点。你了解了如何辨别心理学和伪心理学吗？京师博仁从成立至今，坚持科学心理学，坚持推广与普及心理学知识与技术。更多的科学心理学知识，就在京师博仁！
原题：如何辨别心理学与伪心理学？
题图：.cn正版图片库 延伸阅读&&&
2016了不起谘询师全国十强
没有经历过人生的大风大雨那見得阳光后的燦烂彩虹-心灵柯南陪伴您走出人生低谷
1000.00元/50分钟
心理专业人才
推荐心理学与生活，是心理学的基础课程，但是并不枯燥，还会与一些新的心理学技术和实验相结合。
心理专业人才
京师博仁心理专业人才培养事业部隶属于中国心理应用行业最大的机构——京师博仁教育科技中心，在心理技术培训、心理咨询师认证、心理学研究生考前辅导、领雁人才培养4大系列，开设30多门几百期课程，通过面授、网络、光盘等多种形式培训学员逾20万人次。课程门类、期数、教学效果、招生人数连续多年全国居首！
将我们所热爱的行业，变成博施济众的事业！「你是学心理学的，那你知道我在想什么吗？」
如何探索认知的神经机制：现代“读心术”(一)
杨颖 stat-neuro，neuroscience, machine learning
&你是学心理学的，那你知道我在想什么吗？&
&&&&（默念我们又不是算命的&&）
怎样才能猜到你在想什么呢？ 我们脑中的数千亿神经元，时刻都在传递和处理信息，它们的活动实现了我们感觉，思维，运动甚至情感。如果能完全理解这些认知功能实现的原理，并且观测到相应神经元的活动，那我们就不会辜负大家对心理学&可以读心算命&的期待了。 但是理解神经机制一点都不容易，不过目前的研究还是有很多有趣的进展。这篇文章中，我们就来粗浅地讨论一下如何进行这样的探索，特别是如何利用目前热门的机器学习 / 统计学手段。&
&读心&之所以可行，是因为我们的脑内各个脑区的神经信号和外界刺激或认知过程有极高的相关性。我们研究的首要目的是准确地描述神经信号和它们的关系，即建立编码模型，这样才可能根据神经活动进行解码：例如&用脑信号直接控制机器手&，&想什么让电脑帮你说出来&等等。请注意，虽然我用了&读心&来吸引眼球，但是编码模型远比解码这一应用更重要，从模型中，我们可以了解认知过程的复杂度，甚至模拟出与人脑原理类似的人工智能算法，也可以干预认知的神经过程进行治疗。所以，我们着重讲述如何从观测到的神经信号建立编码模型。由于篇幅略长，下文分为 (1)&&如何观测神经信号&，(2)&&如何应用统计手段分析神经信号&和 (3)&&当前挑战和未来展望&三个部分展开。
1.&如何观测神经信号
我们可以在不同尺度上读取与神经活动相关的信号。这些读取技术的时间和空间分辨率，以及信噪比各有特点。 在毫秒和微米的尺度上，每个神经元的细胞膜表面都有随时间变化的电位，一般需要用吸破一小块细胞膜，让电极和剩下的细胞膜接在一起测量(膜片钳技术 patch clamp)。但是这个过程需要侵入脑部，定位单个神经元，费时费力，很难在清醒的动物脑内同时采集大量神经元的数据。好在神经元编码信息的主要信号是脉冲式锋电位 (spike，见图 1)，因此即使退一步，把一个电极（或电极阵列）植入动物脑中，在细胞外也可以记录到多个神经元的锋电位。锋电位的发放频率常常编码了重要信息，所以电极（阵列）是目前主流的时间和空间分辨率比较高的观测方式。
图 1 用 () 模拟的神经元锋电位 (时间单位 毫秒)
如果时间精度在毫秒级别或者更高，我们可以认为锋电位是 0/1 离散时间序列，1 为脉冲发放。目前最常观测到的编码方式是锋电位的发放频率编码。这样的例子在众多，这里我们只举一个简单的。在大鼠的海马 (hippocampus) 脑区，有 一种叫位置细胞 (place cell) 的神经元。对于每个这样的神经元，当大鼠经过它熟悉的环境中某一特定区域的时候发放频率会明显升高。如此每个神经元代表地图上的一部分，一群神经元就可以覆盖整张地图 (图 2)。这样如果实时观测这些神经元的发放频率，我们就可以预测大鼠的位置啦。&读心术&就是这么厉害!
图 2 不同海马神经元发放锋电位时大鼠在一维迷宫内对应的位置，每个颜色为一个神经元。图片来源:
除 了 0/1 锋电位发放以外，还有其他一些间接的，由神经元电活动产生的信号也可以编码信息。不论在那种时间和空间尺度上，观察这些间接信号也可以帮助我们理解认知过程。微电极阵列虽然时空分辨率都很高，但是需要精确地植入固定脑区，没有办法覆盖全脑，一般多用于猴子和鼠等实验动物，不能用在健康人身上。目前关于人类认知功能的研究，我们主要利用两种脑成像手段，功能性核磁共振 (fMRI) 以及脑电图 / 脑磁图 (EEG /MEG)。它们测量的是上千甚至上万神经元活动产生的间接信号，其空间精度和和电极阵列远不能相比，但是记录区域基本可以覆盖全脑，而且不会侵入或伤害实验参与者，因此是目前研究人脑最为流行的技术.
fMRI 测量的是某一脑区血液中氧含量的变化。当该脑区大量神经元活动加强时，耗氧量增加，局部的血氧含量随之变化，反映在 fMRI 测量值上。这种血氧含量时间响应通常大于 6 秒(图 3)，而锋电位的时间精度在毫秒级，因此 fMRI 信号的时间分辨率非常低; 但是其毫米级的空间分辨率在非侵入式脑成像手段中是最高 的。即便如此，fMRI 每个三维像素 (voxel) 里有上万的神经元，因此如果仅有几个到几百个稀疏的神经元编码，那么我们很难通过 fMRI 观测到这些信号。虽然有这些局限性，fMRI 的应用还是打开了新世界大门，成为近 20 年来了解大脑的利器.
和 fMRI 缓慢的血氧信号不同，脑电图 (EEG) 和脑磁图 (MEG) 利用的是基本的电磁学原理，测量群体神经元的电活动。大脑皮层是一个被折叠的曲面，曲面每一点及附近的数万神经元信号传递基本都朝向垂直曲面的方向。当它们同步活动时,会产生一个宏观的垂直曲面的电流。我们在头皮表面安放一些电极，就可以测到这样的电流引起的电势差变化，即脑电图 (EEG)。类似地，这样的宏观电流还会引起头周围磁场的变化，因此可以在头周围用传感器测量磁场变化，即脑磁图 (MEG)。这种信号的时间分辨率可以达到毫秒级，非常精确，但是空间分辨率却比 fMRI 差很多。这是因为现有技术只能放置 100-300 个电极或者传感器，每个电极的信号是来自全脑电流的总和(积分)。根据电极信号还原脑内电流，可能有无穷多个解。为了得到唯一解，我们需要加上各种约束条件 (比如 L1/L2 范数规则化，L1/L2 regularization)，或者贝叶斯先验分布，可是这些解都不能保证是真实解。当然，如果不专门研究神经活动的空间分布，只是为了&读心&，MEG/EEG 的高时间分辨率无疑是很大的优势。其中，EEG 的测量对仪 器要求相对低一些，更是各种可穿待设备应用的首选。
此外，还有许多其他技术，比如皮层脑电图 (eCog)，近红外光谱技术 (NIRS)，钙离子成像 (calcium imaging) 等等。由于篇幅限制，在此先略去，可能会在第 3 部分简单提到。
预警: 由于作者水平有限，前方蹩脚的统计和机器学习术语及中文翻译密集，请海涵或跳读。
2.&如何应用统计手段分析神经信号
如上所述，分析的关键是建立编码模型。如果把记录到的神经信号记做 X，用 Y 表示外部刺激，实验条件或者实验参与者的行为，这个模型就是描述 X 和 Y 的关系。X 通常是多维的，维度可以代表微电极阵列或者 MEG/EEG 里的多个电极 / 传感器，fMRI 里的三维像素，或者通过主成分分析 (principle component analysis，PCA) 降维处理得到的抽象维度。Y 是由实验设计决定的，比如在大家熟知的 &实验组 vs 对照组& 的设定下，Y 可以是 0/1 二元的。Y 也可以是连续的，比如外部刺激的一些特征，或者参与者的反应时间，识别正确率等指标。
最简单的联系 X 和 Y 的手段就是线性回归 (linear regression)。我们通常看到的 fMRI 图片中哪个脑区&亮了&，就是将每个三维像素的 X 回归到实验不同条件的标志 Y 上得到的。比如下图 (图 4) 中，红色是在知乎曝光率很高的梭状回面孔区 (fusiform face area)，这个区域就是比较参与者看到脸和看到其他物体两个条件下 fMRI 测量值的差别得到的，也就是把每个三维像素的 fMRI 信号回归到 Y = 1 (脸) / 0 (其他物体)，然后检验两个条件下的回归系数差，标出差别显著的脑区。图中还有类似的对地点敏感的脑区 (地点场景 & 普通物体)，以及对物体敏感的脑区（物体图片 & 没有固定形状的随机图案）。这种对比一度是 fMRI 最为流行的分析方式，听自己名字是不是和听别人名字激活不一样的脑区？疼痛激活那个脑区？都用 fMRI 扫一扫，看一看，总能找到显著差别的脑区。这种思路符合这样的理论: 我们很多的脑区专司一种特殊的功能，各个脑区分工细致.
图 4 对于物体，脸和地点敏感的脑区 (物体: 蓝色，脸: 红色，地点 绿色)。[Grill-Spector et al.，2008]
这种细化专一分工的观点或许并不是很差的编码模型，看哪里亮了就知道你在想什么了嘛。想桌子桌子区亮，想椅子椅子区亮，不是都解决了吗？可惜大脑编码物体类别的方式似乎不完全是这样。机器学习对脑成像领域近年来重要的一个贡献，就是让研究者不再止步于一维的对于每个三维像素的分析，而是把众多三维像素看成向量联合分析，比如识别出眼前看到的物体是椅子，可能并不存在一个很小的椅子脑区，而是一片脑区内各个三维像素的活动分布集体代表椅子。也就是说物体识别可能是分布式的 (distributed)，见图 5.
图 5 分布式编码 [Haxby et al，2001] 代表椅子和鞋的分布，当把实验次数分成两半(上下)，代表椅子的分布类似(相关系数=0.45)，与代表鞋的分布则不那么相似(相关系数= -0.12).
这种情况可以用回归吗，其实也可以（即 multi-task learning 多任务学习），不过既然 Y 代表实验条件类别，用 fMRI 值 X 作为特征来分类 Y 好像更容易些。请看图 6 中两个维度的简单演示。只考虑任意一个维度（横轴或者纵轴上的曲线），两个颜色较难分开，但是当我们同时考虑两个维度时，红蓝两个类别可以轻易用一条直线分开，这种情况下，多维分析比一维分析更敏感。当我们应用分类器时，如果分类正确率显著高于瞎猜，那么 X 就编码了关于 Y 的信息。于是用分类器 (classifiers) 分析多个三维像素的方法又席卷脑成像领域。分类器的参数都要从训练样本中学习得到，于是研究者通常吧观测的数据分成两份，一份用来训练分类器，另一份作为测试集，用来检验正确率是不是高于瞎猜.
图 6 [Haynes & Rees，2006] 依照两个三维像素分类实验条件(红色 vs 蓝色)的示意图。图中单个维度上，很难分开红色和蓝色，但是如果两个维度一起考虑，红色和蓝色可以轻易用一条直线分开.
通常大家用比较简单的分类器，例如线性支持向量机 (support vector machine)，Logistic 回归，K 最近邻法等等 )。为什么不用复杂的？因为脑成像实验一般非常昂贵，我们能采到的数据点有限，如果分类器的参数很多，很容易过度拟合 (overfit)，虽然在训练集上准确率很高，但是在测试集上准确率却会较差。比如下图 7，还是以简单的二维向量为例。左边是训练集，右边是测试集。他们是根据同一分布独立抽出的。我设定这个分布时，如果数据无穷多，真实的最好的分类器是线性分类器。现在训练点的个数比较有限，且训练时要最大化训练正确率，如果只用线性分类器，黑色的线最好，不过它的准确率不是 100%。如果允许更复杂的非线性分类器，我们可能会得到类似浅蓝色的分类边界。它可以 100% 分对训练集。图右是和训练集相同分布的测试集，由于浅蓝色分类器过度拟合，想要严格分对训练集的每个点，包括其中少数不能被最佳分类器分对的&噪声&点，因此它在 在测试集上反而表现较差.
图 7 过度拟合 左: 训练集，右 测试集.
同理，fMRI 通常会有约百万个三维像素，也就是 X 的维度很大。训练这么高维的分类器很容易过度拟合，需要减少关心的维度。解决办法一是用一维回归挑出一少部分三维像素，二是用贪心算法逐步增加三维像素，三是在分类器上加惩罚（比如 L1/L2 范数惩罚）来减小分类器的复杂度。最后还有一种聚光灯法 (search-light)，对每一个三维像素，只选它周围 5x5 立方体或者半径为 5 左右的球体内所有三维像素进行分析。找出所有测试准确率较高的脑区。立方体和球体的半径也可以更大或者更小.
这些办法中总会有个调整参数 (tuning parameter) 需要调节，比如到底用多少维，L1/L2 惩罚多大。怎么选这个参数呢？由图 7 看出，训练准确率并不是越高越好，只有用完全独立的测试集得到的准确率高才可信。所以我们可以把训练集分成两部分 A 和 B，在 A 上用不同调整参数训练，在 B (验证集) 上估算准确率。因为 A，B 独立，最大化这个准确率可以减少过度拟合。有时候训练数据太少，可以交叉验证 (cross-validation) ，对每个调整参数，再在 B 上训练，在 A 上求准确率，再把两者取平均。因为 AB 独立这个平均也是可信的，可以用这个平均选出最好的调整参数。当也可以分 K 份，把每份当验证集，用剩下的 K-1 分训练，然后取平均，找最好的调整参数.
多维分类器分析方法往往和一维回归分析互补，可以用来研究大脑编码不同方面。例如下面图 8，用聚光灯法找到的可以区分个体人脸而不被表情影响的脑区。其中左上右边的红色区域大概在梭状回面孔区附近（虽然可能不完全重合），表明这个对脸敏感的脑区也可以识别不同人的脸。而这样的结果用一维回归分析可能较难得到。
图 8 [Nestor et al.，2011] 利用聚光灯分类器分析找到的可以识别个体人脸的脑区。
那各脑区专司其职和分布式编码哪个才对呢。其实我觉得都有道理，二者也不是完全矛盾。毕竟我们找到了那么多功能特异的脑区，其中的神经元对于外界刺激一定有一些偏向性。但是这并不代表这些神经元对其他刺激没有响应，因此分布式应该是更自然和高效的编码方式。
除了分类器，我们也可以用相似度分析 (similarity analysis) 来研究多维神经信号。比如图 9 里，Kriegeskorte 等研究者给让实验参与者观看了 96 张不同物体的图片，其中包括有生命 / 无生命物体，有生命物体包括人类 / 其他动物，无生命物体包括自然和人造物体。他们读取了下颞叶的 fMRI 三维像素的信号。将每张图对应的 fMRI 信号作为一个向量，然后衡量两两图片间向量们的距离。这个距离可以是欧氏距离 (euclidean distance)，或者其他距离(比如 1- 相关系数等)。最后得到一个距离矩阵 (图 9 右)。从中我们可以清楚地看到人脸图片间的距离很近，有生命物体间的距离也比到无生命物体的距离小很多。这样如果我们用 K 最近邻法，可以轻松分开有生命和无生命物体。图 9 左利用多维标度法 (multidimensional scaling)，排列过程中保证二维平面的欧氏距离尽可能接近图右的距离矩阵。这样方便直观地看出哪些物体聚集在一起。不仅如此，Kriegeskorte 等研究者也同样分析了猴子相应脑区电极记录的神经元信号的距离矩阵，发现两个距离矩阵的元素显著相关。所以聪明的猴子们的物体识别和我们其实挺像耶！
图 9 [Kriegeskorte et al.，2008] 右: 下颞叶 fMRI 信号对应 96 个物体两两距离的矩阵。左: 使用多维标度法(multidimensional scaling) 得到的二维平面内 96 个物体的重新排列.
最后，我们也用计算机视觉提取这些图片的一些特征，算出类似的距离矩阵，然后分析神经信号的距离矩阵和计算机视觉特征的距离矩阵元素们的相关性。研究者发现目前火热的卷积神经网络(convolutional neural net) 的较高级神经元层和下颞叶的神经信号也很像 [Khaligh-Razavi & Kriegeskorte，2013].
由于篇幅所限，我们暂时停在这里。更多酷炫进展请看下篇.
致谢: 感谢 和主编@ 的辛勤审校。
图片来源: 图 2 源自维基百科，剩余图片中，标注出处的来自文献正文，未标注的为作者绘制.
本文非获得作者本人同意严禁转载（获得主编 TINA LIU 预授权的知乎团队除外）
Grill-Spector，K.，Golarai，G.，& Gabrieli，J。(2008)。Developmental neuroimaging of the human ventral visual cortex。Trends in cognitive sciences，12(4)，152-162.
Haxby，J。V.，Gobbini，M。I.，Furey，M。L.，Ishai，A.，Schouten，J。L.，& Pietrini，P。(2001)。Distributed and overlapping representations of faces and objects in ventral temporal cortex。Science，293(5539)，.
Haynes，J。D.，& Rees，G。(2006)。Decoding mental states from brain activity in humans。Nature Reviews Neuroscience，7(7)，523-534.
Kriegeskorte，N.，Mur，M.，Ruff，D。A.，Kiani，R.，Bodurka，J.，Esteky，H.，&& & Bandettini，P。A。(2008)。Matching categorical object representations in inferior temporal cortex of man and monkey。Neuron，60(6)，.
Khaligh-Razavi S-M，Kriegeskorte N (2014) Deep Supervised，but Not Unsupervised，Models May Explain IT Cortical Representation。PLoS Comput Biol 10(11): e1003915。doi:10.1371/journal.pcbi.1003915
Nestor，A.，Plaut，D。C.，& Behrmann，M。(2011)。Unraveling the distributed neural code of facial identity through spatiotemporal pattern analysis。Proceedings of the National Academy of Sciences，108(24)，.
客官，这篇文章有意思吗？}