課程背景

隨著腦電、fMRI、鈣成像、電生理和多模態腦信號數據的快速積累，研究者面對的神經數據已經越來越復雜：維度更高、噪聲更大、條件更多、個體差異更明顯，研究問題也不再只是“某個腦區是否激活”或“兩個條件是否存在差異”

越來越多研究開始關心更深層的問題：刺激特征如何影響神經反應？腦信號中是否包含某類信息？不同條件下的神經表征是否發生改變？我們能否從腦信號中預測行為、刺激、語義、情緒或認知狀態？

然而，在實際分析中，很多研究仍然停留在平均激活、組間差異、相關分析或簡單可視化層面。這些方法當然重要，但當我們想回答“腦信號到底表征了什么”“哪些信息可以被讀出”“模型是否真正具有預測能力”時，傳統分析往往會顯得不夠用了

Encoding 和 Decoding 分析正是連接腦信號與認知表征的重要方法。Encoding 關注的是：給定刺激、任務或模型特征，能否預測神經反應？ Decoding 關注的是：給定神經信號，能否讀出刺激、行為或心理狀態？ 前者幫助我們理解腦如何響應外界信息，后者幫助我們判斷腦信號中包含哪些可讀信息

本課程將圍繞腦信號 Encoding / Decoding 分析展開，從基本思想、降維與表征分析、假設驅動建模、神經網絡預測，到分類、連續變量預測、非線性解碼與重構分析，系統幫助學員建立從研究問題、模型設計、分析流程到結果解釋的完整框架。課程不僅講方法概念，更強調如何完整跑通分析流程，讓學員真正理解這些方法如何服務于自己的腦科學研究

培訓對象

本課程主要面向希望使用 Encoding / Decoding 方法開展腦信號分析的心理學、認知神經科學、腦科學、神經工程、精神病學、神經影像和相關交叉學科研究者。。

尤其適合以下幾類學員：

1. 希望系統入門腦信號 Encoding / Decoding 分析的初學者，想建立完整分析框架，但缺少清晰學習路徑或實踐經驗

2. 正在開展腦成像 / 神經數據研究的研究者，希望將 EEG、fMRI、MEG、單細胞/群體神經活動等數據與現代編碼解碼分析方法結合

3. 有一定編程或機器學習基礎，希望進入腦科學方向的學習者，想理解腦信號分析任務中的建模思路、特征表征與模型評估方法

4. 希望提升科研項目分析能力的實驗研究者，面臨論文復現、課題分析設計或研究方法升級需求，希望掌握可直接用于研究的數據分析流程

5. 關注腦啟發計算、神經表征與人工智能交叉研究的學習者，希望理解 Encoding / Decoding 方法在腦表征分析、神經預測與腦–AI研究中的應用

課程內容

課程說明

1. 從基本思想出發，建立 Encoding / Decoding 的分析視角

很多人第一次接觸 Encoding 和 Decoding 時，很容易把它們簡單理解為“預測神經信號”和“分類腦信號”。但真正用于科研時，更關鍵的是理解它們分別對應什么研究問題、適合回答什么假設，以及結果應該如何解釋

本課程將從 Encoding 和 Decoding 的基本思想講起，幫助學員理解二者的關系與區別：Encoding 更強調刺激、任務或模型特征如何解釋神經反應；Decoding 更強調腦信號中是否包含可被讀出的信息。通過這一視角，學員可以更清楚地把自己的科研問題轉化為可執行的分析方案

2. 結合降維與表征分析，從高維腦信號中看見結構

腦信號往往是高維的，直接觀察原始數據很難發現穩定規律。本課程將介紹基礎降維和神經表征分析方法，幫助學員理解如何在高維腦信號中觀察條件差異、表征結構和潛在組織方式

這部分內容將幫助學員從“看不懂一大堆腦信號矩陣”，逐步走向“能夠用降維、可視化和表征分析理解神經數據結構”。

3. 系統講解 Encoding：從假設驅動到數據驅動預測

Encoding 分析不僅可以基于研究者提出的理論假設，也可以結合人工神經網絡等數據驅動模型進行復雜特征預測。本課程將分別介紹基于假設的響應預測和基于人工神經網絡的神經響應預測，幫助學員理解不同建模策略的優勢、限制和解釋邊界。

課程會強調一個核心問題：模型預測效果好，并不自動等于機制解釋充分。學員需要理解模型輸入是什么、輸出是什么、預測性能如何評估，以及結果能夠支持怎樣的科學結論。

4. 系統講解 Decoding：從分類、回歸到重構

Decoding 分析常被用于判斷腦信號中是否包含某類信息，但準確率、預測誤差和重構效果都需要謹慎解釋。本課程將從線性分類講起，逐步擴展到連續變量預測和基于人工神經網絡的非線性解碼方法。

課程將幫助學員理解：分類準確率代表什么？連續變量預測如何評估？模型是否真的泛化？腦信號中的“可讀信息”能否等同于“腦區真正用于該功能”？這些問題對于論文寫作和結果解釋都非常關鍵。

5. 通過案例拆解，學習如何從研究問題設計分析路徑

很多方法課程的問題在于：單個算法可以聽懂，但一到自己的課題就不知道該怎么選。本課程專門設置 Encoding 和 Decoding 案例拆解，圍繞“從研究問題到模型設計”的完整路徑展開。

學員將學習如何整理數據、選擇分析路徑、設計模型輸入輸出、決定評估指標、組織結果展示，并將分析結果轉化為科學解釋。課程重點不是孤立講算法，而是幫助學員建立完整的研究設計思維。

6. 完整實戰流程，真正跑通腦信號預測與信息讀出

本課程強調實操訓練，將圍繞 Encoding 和 Decoding 分別設置完整實戰環節。Encoding 實戰將帶領學員完成神經響應預測流程，包括預處理、建模、評估、可視化和結論組織；Decoding 實戰將帶領學員完成腦信號信息讀出流程，包括分類、擬合、重構、模型評估、結果展示與結論表達。

課程目標不是讓學員只知道“Encoding / Decoding 很重要”，而是能夠真正理解并跑通一套分析流程，為后續遷移到自己的腦信號數據打下基礎。

7. 兼顧傳統模型與人工神經網絡，理解預測能力與解釋邊界

當前腦科學研究越來越多地使用人工神經網絡輔助分析腦信號，但神經網絡并不是萬能工具。它可能帶來更強的預測能力，也可能帶來更高的解釋難度和過擬合風險。

本課程會同時介紹傳統線性模型、假設驅動模型和人工神經網絡方法，幫助學員理解不同模型適合回答什么問題、結果如何評估、何時應該追求預測性能，何時更應該強調可解釋性。

你可能想問

Q：我之前沒有接觸過 Encoding / Decoding，可以學習嗎？

A：可以。本課程會從基本思想講起，不會默認學員已經熟悉 Encoding 和 Decoding。課程前半部分會幫助學員理解這類方法究竟在回答什么研究問題，再逐步進入模型設計、預測分析和結果解釋。

Q：這門課更適合 fMRI，還是也適合腦電、電生理等數據？

A：課程重點是 Encoding / Decoding 的分析思想和建模流程，因此不僅適用于 fMRI，也可以遷移到腦電、電生理、鈣成像和其他腦信號數據。當然，不同數據類型在預處理、特征組織和模型輸入上會有所差異，學員需要結合自己的數據類型進行調整。

Q：我已經會做傳統統計分析，還需要學習這類方法嗎？

A：傳統統計分析可以幫助我們發現條件差異，但 Encoding / Decoding 更適合回答“腦信號中表征了什么信息”“刺激特征能否解釋神經反應”“能否從腦信號中讀出某種狀態”等問題。如果你的研究已經不滿足于“哪里有差異”，而是希望進一步理解神經表征和信息讀出，那么這類方法會非常有幫助。

Q：神經網絡方法會不會太黑箱？

A：神經網絡確實具有更強的非線性擬合能力，但也帶來解釋難度、過擬合和泛化評估等問題。本課程會將神經網絡方法放在傳統模型和假設驅動模型的對比中講解，幫助學員理解什么時候可以用、如何評估、以及結果應該如何謹慎解釋。

Q：課程會偏理論還是偏實操？

A：課程會兼顧理論和實操，但重點是幫助學員真正理解并跑通分析流程。課程不僅講 Encoding / Decoding 的概念，也會通過案例拆解和完整實戰，帶領學員理解數據整理、模型輸入輸出設計、模型評估、可視化和結論表達。

Q：學完之后能不能直接用于自己的數據？

A：課程目標是幫助學員建立可遷移的分析框架。不同腦信號數據在格式、預處理和任務設計上有所不同，因此不能簡單“一鍵套用”，但學完后應能理解如何根據自己的研究問題設計 Encoding / Decoding 分析路徑，并逐步遷移到自己的數據中。

Q：這門課和普通機器學習課程有什么不同？

A：普通機器學習課程通常更關注算法本身，而本課程更強調腦信號研究中的科學問題、模型設計和結果解釋。也就是說，我們不只是關心“模型準不準”，更關心“這個模型回答了什么神經科學問題，以及這個結果可以如何被解釋”。

Q：報名后怎么學習？可以退出嗎？有發票嗎？

A：課程提供發票，我們會在開課前兩種分發課前準備資料，請大家根據資料進行預習和準備工作。分發資料前，如因個人原因需要退、改的同學，聯系小助手進行協商；分發課前準備資料后不再接受退、改申請

↓滑動查看往期學員反饋↓

如何報名？