自從核磁共振被用在觀察大腦活動之后，從fMRI的數據*譯碼人類的思考與認知就是許多科學家的*目標，而達到這個目標的*步是從fMRI數據讀出受測者正在觀看的影像或是聆聽的聲音。過去在這個被昵稱為"讀心術"的領域里，測試影像只限于簡單的非自然圖形（例如黑白交錯的條紋），或是只能解讀出受測者觀看的圖片的類別（例如人臉或房子）。另外一個限制是能從fMRI數據解讀出的測試圖片（或是圖片類別）必須與當初建立譯碼法時所使用的測試圖片（或是類別）相同。

 

    在今年五月初將出刊的Nature上，加州大學柏克萊分校的研究人員Kendrick N. Kay以及其同僚發表一種嶄新的譯碼方式來解決上述的問題，使得fMRI"讀心術"可以擴展到自然影像（nature image），并且可解讀與建立譯碼法時用的圖片不同的測試圖片。他們首先讓測試者觀看一組自然影像并用fMRI紀錄其大腦活動。接著他們用測得的fMRI數據來建構一個大腦視覺處理的模型。這個模型假設在視覺皮層中fMRI紀錄的每個數據點都包含了一群對不同影像性質起反應的神經。比如說某一數據點所包含的神經對空間上某一點的明暗起反應，另一數據點的神經則對空間上某一點的圖形方向起反應。這樣的模型稱作receptive-field model。

 

    建構出受測者的receptive-field model之后就可以開始解碼的工作。他們讓受測者觀看另外一組與先前測試圖片不同的自然影像并且使用fMRI測量大腦活動。接者他們使用先前建立的receptive-field model來計算這組自然影像，可以得出每一張圖片的預測fMRI數據。zui后將預側的fMRI數據與實際測得的相比，與測得數據zui相近的預測fMRI應該就代表受測者所觀看的圖片。

 

    當譯碼測試圖片的數目只有120的時候這樣的解碼法可以達到72-92%的準確度。準確度隨著測試圖片的數目緩慢遞減。當測試圖片的數目達到1000的時候，這個方法還可以有60-80%的準確度。

 

    雖然目前這種譯碼法只能在一組數量不能太多的已知圖片中譯碼，但是相對于先前的實驗算是向前跨了一大步。或許當未來fMRI的時間與空間分辨率大幅提升之后，這種receptive-field model的譯碼方式可以真正解出受測者觀看的隨意影像。不過即使這一步可以達到，這也只是科學"讀心術"的*步，離真正讀出人類的思考與認知還有很長的路要走。對于那些憂心科學"讀心術"可能造成社會與倫理問題的人來說，目前還暫時可以放一百個心。