fMRI被发明已经30年时间，其极大地推进了人类对人脑的认知，但fMRI个体水平的研究准确度较低，泛化性较差，使得fMRI难以在临床和实际中大规模应用。

我们已发现深度神经网络（DNN）对4D的fMRI数据有很强的编码能力(Wang et al. 2020)，我们组也是全球第一个利用DNN直接对4D的fMRI数据进行处理的研究组，从此打开了新世界的大门，沉迷于用fMRI数据的深度学习研究：

1. 服务于任务态fMRI的深度学习方法，着重解决以下关键问题：

  a. fMRI数据维度高，但采样数少——自监督预训练使得深度模型可用于小数据集，效果不错，论文审稿中；

  b. 任务态fMRI研究大多采用事件相关设计，事件间隔短，信号混叠——通过在网络深层引入transformer，进行TR级分类，已有初步结果；

  c. 脑活动区域难以有金标准——通过任务标签，将分类任务变为目标区域分割任务，研究刚刚开始；

  d. 现有脑机接口仅在被试内迁移，难以被试间迁移——通过深度学习方法找到被试间的脑活动共性特征。

2. fMRI数据驱动的眼动预测

这个事儿我们是全球第二家研究组，第一个做的组发了Nature Neuroscience。选择这个方向完全是兴趣出发，觉得好玩儿：一般fMRI是看脑活动信号，但我想看fMRI里的眼球结构和伪影；一般fMRI是以TR为单位处理，我以slice为单位，从而提高时间分辨率。研究也有了初步结果，能分出眨眼，长眨眼和凝视。

3. 服务于静息态fMRI的深度学习方法
fMRI研究的主流仍是静息态fMRI，但其比任务态fMRI特征复杂度更高，信噪比更低，一直让我觉得很难处理。最近的大语言模型的编码能力给了我希望，正在尝试利用大模型来编码静息态fMRI中的特征，进而研究出可以用于4D静息态fMRI的深度学习方法。

我对深度学习寄予了很高的期望，希望通过借助深度学习的强大的特征编码能力，完成fMRI的个体水平分析研究和脑活动解读，让fMRI走出实验室，可以在日常和医疗中得到广泛应用，也十分欢迎有志青年加入这个方向。