朱露莎团队PNAS报道合作开发高特异性神经测谎新算法

　　随着脑机接口等技术的崛起，认知神经科学在解码感知和运动意图等相对基础的认知状态方面取得大幅进展，展现出广泛的应用潜力。但当涉及到更高级的认知活动——如针对动机、推理和行为策略的解码时，类似研究却仍在艰难跋涉。尽管这些问题有着同样重要的应用价值，但真正的突破尚未到来。

　　测谎就是一个典型的例子。

　　过去二十多年，通过脑成像技术，许多研究可以较高精度地辨别一个人是否在撒谎。然而，这些成果大多止步于实验室，并未真正走入现实。一个关键障碍在于，在实验室环境下发展的神经测谎技术，应用到真实世界时，往往会出现“过度泛化”的问题——即，与谎言伴随的紧张、策略评估、价值计算等常见心理活动也会被误认为撒谎。这种混淆极大地削弱了区分谎言与其他行为的能力，制约了神经解码高级认知活动的技术落地。

　　2024年12月6日，北京大学心理与认知科学学院、IDG麦戈文脑科学研究所朱露莎实验室，与美国加州大学伯克利分校Ming Hsu、旧金山分校Andrew Kayser实验室合作在PNAS发文，在其前期道社会与德决策研究基础上（Zhu et al，Nature Neuroscience, 2014），针对过度泛化开发了高特异性神经测谎新算法。

　　与传统机器学习方法不同，这种名为Dual-Goal Tuning的算法同时优化两个目标，在准确预测目标行为（如欺骗）的同时，确保模型对混淆信号的预测力接近随机水平，通过“双管齐下”，去除无关信号，仅保留特定于欺骗的神经信号。用统计学术语来说，这相当于对预测信号进行正交化处理，增强了神经解码的特异性。

　　图1：Dual-Goal Tuning的核心思路及与传统方法的比较。

　　研究团队利用实验数据验证了该方法。与几种常见的机器学习算法相比，传统方法要么未能有效清除混杂信号，要么在去除时牺牲了太多预测力。而Dual-Goal Tuning实现了效度和预测力的双赢。

　
图2：相比传统方法，Dual-Goal Tuning减少混淆信号且保留预测力，实现了精度与效度的平衡。

　　该解码算法的意义不限于测谎。由于过度泛化普遍存在于高级认知的神经解码中，Dual-Goal Tuning为解决这一难题提供了新办法，并为社会意图解码、情绪分析、疼痛监测，乃至精神疾病诊断等可能的应用，开拓了技术思路。

　　加州大学伯克利分校Arthur Lee博士为本文第一作者。北京大学朱露莎，加州大学旧金山分校Andrew Kayser和加州大学伯克利分校Ming Hsu为本文共同共同通讯作者，北京大学前沿交叉研究院博士生牛润萱做出了重要贡献。该研究受到了科技部和国家自然科学基金委等部门资助。

  原文链接：https://doi.org/10.1073/pnas.241288112