PsyBrain培训 | 脑信号编解码专题（8.22-8.23线上）

课程背景

随着脑电、fMRI、钙成像、电生理和多模态脑信号数据的快速积累，研究者面对的神经数据已经越来越复杂：维度更高、噪声更大、条件更多、个体差异更明显，研究问题也不再只是“某个脑区是否激活”或“两个条件是否存在差异”

越来越多研究开始关心更深层的问题：刺激特征如何影响神经反应？脑信号中是否包含某类信息？不同条件下的神经表征是否发生改变？我们能否从脑信号中预测行为、刺激、语义、情绪或认知状态？

然而，在实际分析中，很多研究仍然停留在平均激活、组间差异、相关分析或简单可视化层面。这些方法当然重要，但当我们想回答“脑信号到底表征了什么”“哪些信息可以被读出”“模型是否真正具有预测能力”时，传统分析往往会显得不够用了

Encoding 和 Decoding 分析正是连接脑信号与认知表征的重要方法。Encoding 关注的是：给定刺激、任务或模型特征，能否预测神经反应？ Decoding 关注的是：给定神经信号，能否读出刺激、行为或心理状态？ 前者帮助我们理解脑如何响应外界信息，后者帮助我们判断脑信号中包含哪些可读信息

本课程将围绕脑信号 Encoding / Decoding 分析展开，从基本思想、降维与表征分析、假设驱动建模、神经网络预测，到分类、连续变量预测、非线性解码与重构分析，系统帮助学员建立从研究问题、模型设计、分析流程到结果解释的完整框架。课程不仅讲方法概念，更强调如何完整跑通分析流程，让学员真正理解这些方法如何服务于自己的脑科学研究

培训对象

本课程主要面向希望使用 Encoding / Decoding 方法开展脑信号分析的心理学、认知神经科学、脑科学、神经工程、精神病学、神经影像和相关交叉学科研究者。。

尤其适合以下几类学员：

1. 希望系统入门脑信号 Encoding / Decoding 分析的初学者，想建立完整分析框架，但缺少清晰学习路径或实践经验

2. 正在开展脑成像 / 神经数据研究的研究者，希望将 EEG、fMRI、MEG、单细胞/群体神经活动等数据与现代编码解码分析方法结合

3. 有一定编程或机器学习基础，希望进入脑科学方向的学习者，想理解脑信号分析任务中的建模思路、特征表征与模型评估方法

4. 希望提升科研项目分析能力的实验研究者，面临论文复现、课题分析设计或研究方法升级需求，希望掌握可直接用于研究的数据分析流程

5. 关注脑启发计算、神经表征与人工智能交叉研究的学习者，希望理解 Encoding / Decoding 方法在脑表征分析、神经预测与脑–AI研究中的应用

课程内容

课程说明

1. 从基本思想出发，建立 Encoding / Decoding 的分析视角

很多人第一次接触 Encoding 和 Decoding 时，很容易把它们简单理解为“预测神经信号”和“分类脑信号”。但真正用于科研时，更关键的是理解它们分别对应什么研究问题、适合回答什么假设，以及结果应该如何解释

本课程将从 Encoding 和 Decoding 的基本思想讲起，帮助学员理解二者的关系与区别：Encoding 更强调刺激、任务或模型特征如何解释神经反应；Decoding 更强调脑信号中是否包含可被读出的信息。通过这一视角，学员可以更清楚地把自己的科研问题转化为可执行的分析方案

2. 结合降维与表征分析，从高维脑信号中看见结构

脑信号往往是高维的，直接观察原始数据很难发现稳定规律。本课程将介绍基础降维和神经表征分析方法，帮助学员理解如何在高维脑信号中观察条件差异、表征结构和潜在组织方式

这部分内容将帮助学员从“看不懂一大堆脑信号矩阵”，逐步走向“能够用降维、可视化和表征分析理解神经数据结构”。

3. 系统讲解 Encoding：从假设驱动到数据驱动预测

Encoding 分析不仅可以基于研究者提出的理论假设，也可以结合人工神经网络等数据驱动模型进行复杂特征预测。本课程将分别介绍基于假设的响应预测和基于人工神经网络的神经响应预测，帮助学员理解不同建模策略的优势、限制和解释边界。

课程会强调一个核心问题：模型预测效果好，并不自动等于机制解释充分。学员需要理解模型输入是什么、输出是什么、预测性能如何评估，以及结果能够支持怎样的科学结论。

4. 系统讲解 Decoding：从分类、回归到重构

Decoding 分析常被用于判断脑信号中是否包含某类信息，但准确率、预测误差和重构效果都需要谨慎解释。本课程将从线性分类讲起，逐步扩展到连续变量预测和基于人工神经网络的非线性解码方法。

课程将帮助学员理解：分类准确率代表什么？连续变量预测如何评估？模型是否真的泛化？脑信号中的“可读信息”能否等同于“脑区真正用于该功能”？这些问题对于论文写作和结果解释都非常关键。

5. 通过案例拆解，学习如何从研究问题设计分析路径

很多方法课程的问题在于：单个算法可以听懂，但一到自己的课题就不知道该怎么选。本课程专门设置 Encoding 和 Decoding 案例拆解，围绕“从研究问题到模型设计”的完整路径展开。

学员将学习如何整理数据、选择分析路径、设计模型输入输出、决定评估指标、组织结果展示，并将分析结果转化为科学解释。课程重点不是孤立讲算法，而是帮助学员建立完整的研究设计思维。

6. 完整实战流程，真正跑通脑信号预测与信息读出

本课程强调实操训练，将围绕 Encoding 和 Decoding 分别设置完整实战环节。Encoding 实战将带领学员完成神经响应预测流程，包括预处理、建模、评估、可视化和结论组织；Decoding 实战将带领学员完成脑信号信息读出流程，包括分类、拟合、重构、模型评估、结果展示与结论表达。

课程目标不是让学员只知道“Encoding / Decoding 很重要”，而是能够真正理解并跑通一套分析流程，为后续迁移到自己的脑信号数据打下基础。

7. 兼顾传统模型与人工神经网络，理解预测能力与解释边界

当前脑科学研究越来越多地使用人工神经网络辅助分析脑信号，但神经网络并不是万能工具。它可能带来更强的预测能力，也可能带来更高的解释难度和过拟合风险。

本课程会同时介绍传统线性模型、假设驱动模型和人工神经网络方法，帮助学员理解不同模型适合回答什么问题、结果如何评估、何时应该追求预测性能，何时更应该强调可解释性。

你可能想问

Q：我之前没有接触过 Encoding / Decoding，可以学习吗？

A：可以。本课程会从基本思想讲起，不会默认学员已经熟悉 Encoding 和 Decoding。课程前半部分会帮助学员理解这类方法究竟在回答什么研究问题，再逐步进入模型设计、预测分析和结果解释。

Q：这门课更适合 fMRI，还是也适合脑电、电生理等数据？

A：课程重点是 Encoding / Decoding 的分析思想和建模流程，因此不仅适用于 fMRI，也可以迁移到脑电、电生理、钙成像和其他脑信号数据。当然，不同数据类型在预处理、特征组织和模型输入上会有所差异，学员需要结合自己的数据类型进行调整。

Q：我已经会做传统统计分析，还需要学习这类方法吗？

A：传统统计分析可以帮助我们发现条件差异，但 Encoding / Decoding 更适合回答“脑信号中表征了什么信息”“刺激特征能否解释神经反应”“能否从脑信号中读出某种状态”等问题。如果你的研究已经不满足于“哪里有差异”，而是希望进一步理解神经表征和信息读出，那么这类方法会非常有帮助。

Q：神经网络方法会不会太黑箱？

A：神经网络确实具有更强的非线性拟合能力，但也带来解释难度、过拟合和泛化评估等问题。本课程会将神经网络方法放在传统模型和假设驱动模型的对比中讲解，帮助学员理解什么时候可以用、如何评估、以及结果应该如何谨慎解释。

Q：课程会偏理论还是偏实操？

A：课程会兼顾理论和实操，但重点是帮助学员真正理解并跑通分析流程。课程不仅讲 Encoding / Decoding 的概念，也会通过案例拆解和完整实战，带领学员理解数据整理、模型输入输出设计、模型评估、可视化和结论表达。

Q：学完之后能不能直接用于自己的数据？

A：课程目标是帮助学员建立可迁移的分析框架。不同脑信号数据在格式、预处理和任务设计上有所不同，因此不能简单“一键套用”，但学完后应能理解如何根据自己的研究问题设计 Encoding / Decoding 分析路径，并逐步迁移到自己的数据中。

Q：这门课和普通机器学习课程有什么不同？

A：普通机器学习课程通常更关注算法本身，而本课程更强调脑信号研究中的科学问题、模型设计和结果解释。也就是说，我们不只是关心“模型准不准”，更关心“这个模型回答了什么神经科学问题，以及这个结果可以如何被解释”。

Q：报名后怎么学习？可以退出吗？有发票吗？

A：课程提供发票，我们会在开课前两种分发课前准备资料，请大家根据资料进行预习和准备工作。分发资料前，如因个人原因需要退、改的同学，联系小助手进行协商；分发课前准备资料后不再接受退、改申请

↓滑动查看往期学员反馈↓

如何报名？