關鍵詞 認知增強 機器學習 腦機融合

1 引言

認知能力指人腦加工、儲存和提取信息的能力，可以預測兒童時期的入學準備、學業(yè)成就和社交情感能力以及成年后的健康、財富和參與犯罪活動等（Cantin et al.， 2016; Moffitt et al.， 2011）。認知訓練、神經(jīng)反饋和無創(chuàng)電刺激等均被用來增強個體的認知能力（Da Silva amp; De Souza， 2021; Pappa et al.， 2022;Pergher et al.， 2022）。然而，認知訓練的時間成本較高但訓練效果卻不穩(wěn)定，尤其是遠遷移效果（趙鑫， 李紅利， 2022）。因此，神經(jīng)反饋和無創(chuàng)電刺激等方法被用來縮短訓練時間并提高訓練效果，但是卻存在訓練過程易受情緒干擾和訓練指標單一的問題（Albizu et al.， 2023）。近年來，有學者指出利用機器學習可以設計出更精準化、智能化和個性化的認知訓練方案以克服上述認知增強技術的缺點并最大化訓練效果（Wu et al.， 2023）。因此，本研究在介紹常見的認知增強和機器學習方法的基礎上，分析了機器學習與認知增強之間的關系，詳述了機器學習在認知增強中的應用并討論了未來研究的挑戰(zhàn)和潛在方向。

2 認知增強方法

2.1 認知訓練

認知訓練（cognitive training，CT）是認知增強的傳統(tǒng)方法之一。研究者常采用工作記憶、注意力和多任務處理等任務來開展認知訓練，結果發(fā)現(xiàn)認知訓練通過優(yōu)化相關腦區(qū)的激活水平、結構和連接性，減少訓練任務的代價并提高結構相似的任務績效，還可能增強個體的認知控制、推理、智力和跨模態(tài)能力并具有維持性（王梓宇等， 2019; 趙鑫， 李紅利， 2022; Kassai et al.， 2019; Pappa et al.， 2020）。為了進一步提高認知訓練效果，研究者常采用難度自適應策略。例如，Gaál 和Czigler（2018）通過線索任務映射比值調(diào)整任務轉換訓練難度以確保被試的高參與狀態(tài)，并利用反饋機制刺激被試不斷優(yōu)化神經(jīng)網(wǎng)絡連接，從而實現(xiàn)認知能力提升。此外，基于實驗場景的認知訓練會面臨效度低和實用性差的問題，因此學者們嘗試將認知訓練與虛擬現(xiàn)實、視頻游戲或現(xiàn)實情景相結合來增加被試的沉浸式體驗。例如，Mack 等（2022）考察認知訓練、運動訓練和認知- 運動訓練在步行或駕駛情境中執(zhí)行其他任務時的績效差異；Li 等（2020）要求被試在虛擬現(xiàn)實環(huán)境中完成視頻游戲以改善認知能力。

2.2 神經(jīng)反饋

神經(jīng)反饋（neurofeedback，NFB）主要通過提高個體對大腦功能的自我控制來改變特定的腦功能變化進而促進相關任務表現(xiàn)（loriette et al.， 2021）。腦電圖（electroencephalography，EEG）、磁共振成像（magnetic resonance imaging，MRI）和近紅外光譜（near-infrared spectroscopy，NIRS）等均可以是反饋信號。首先，研究者通過不同的EEG 反饋改善了工作記憶、執(zhí)行功能和選擇性注意等認知能力，包括減少θ、增強α、增強γ 以及增強感覺運動節(jié)律（sensorimotor rhythm，SMR） 等（Da Silva amp;De Souza， 2021）。同時，將不同的EEG 反饋進行組合可能會獲得更好的改善效果，比如增強β 并抑制高θ 和低α 的活性或者增強SMR 并降低θ/β 比值（Doppelmayr amp; Weber， 2011）。其次，fMRI反饋也表現(xiàn)出對認知能力的增強。比如，Zhang 等（2013）通過上調(diào)左側背外側前額葉皮層（dorsolateralprefrontal cortex，DLPFC）顯著提高了工作記憶能力。最后，將神經(jīng)反饋與認知訓練相結合有可能產(chǎn)生更積極的影響。比如，Hosseini 等（2016）將NIRS 反饋（減少前額皮質活動）與工作記憶訓練相結合顯著改善健康個體的工作記憶和任務轉換績效。Nouchi 等（2021）采用相似的方法（增強前額皮質活動）也發(fā)現(xiàn)了高于單一神經(jīng)反饋的改善效果。

2.3 無創(chuàng)電刺激

經(jīng)顱直流電刺激（transcranial direct currentstimulation，tDCS）和重復經(jīng)顱磁刺激（repetitivetranscranial magnetic stimulation，rTMS）是較常用的無創(chuàng)電刺激技術（游旭群等， 2019）。相關研究表明單次電刺激DLPFC 可以調(diào)節(jié)各年齡段健康個體的執(zhí)行控制、注意力和多任務處理能力等（Dubreuil-Vallet al.， 2019; Luna et al.， 2020）。同時，長期電刺激也可能影響認知能力。Huo 等（2018）對健康老年被試進行連續(xù)10 天tDCS（2mA，20min，DLPFC），以探究長期tDCS 刺激能否改善個體的執(zhí)行功能，但是并未發(fā)現(xiàn)顯著改善。Li 等（2017）發(fā)現(xiàn)連續(xù)7天rTMS（10Hz，左側DLPFC）顯著提高了健康青年人的抑制能力且增加N2 和N450 振幅?？梢娖涓纳菩Ч赡軙艿酱碳ゎ愋鸵约按碳?shù)的影響。此外，一些學者將電刺激和認知訓練相結合以期進一步提升訓練效果。比如，Ke 等（2019）發(fā)現(xiàn)陽性tDCS 刺激左側DLPFC 并伴隨N-back 訓練可以顯著提高訓練和遷移效果。這可能是因為電刺激促進了訓練過程中的神經(jīng)可塑性，使得大腦更容易適應和改變。最后，部分學者開始關注電刺激其他腦區(qū)對認知能力的影響。比如，Sdoia 等（2020）研究發(fā)現(xiàn)tDCS 刺激頂葉皮層顯著改善了任務轉換能力。然而，相關研究尚未得出一致結論（Leite et al.， 2020）。

2.4 認知增強方法的優(yōu)缺點

認知訓練允許研究者根據(jù)研究目的選擇訓練任務、訓練次數(shù)和訓練時長。然而，在實施過程中這些參數(shù)是固定的。即使是難度自適應訓練也存在初始訓練難度和難度等級排序在不同被試中無差別的問題，導致無法最大化訓練效果（Shani et al.，2021）。同時，認知訓練的時間成本較高但訓練效果卻不穩(wěn)定（Pappa et al.， 2020）。其主要影響因素包括作用機制不清晰和基線認知能力水平差異（趙鑫， 李紅利， 2022; Traut et al.， 2021）。此外，性別、年齡、人格和策略等都可能對訓練效果產(chǎn)生影響（王梓宇等， 2019）。總體上看，認知訓練的成本和收益是不匹配的。因此，神經(jīng)反饋和電刺激技術陸續(xù)受到學者關注，旨在縮短訓練時間并提高訓練效果。神經(jīng)反饋允許研究者直接對感興趣的腦信號進行訓練。然而，神經(jīng)反饋使用的訓練儀器價格昂貴，訓練指標過于籠統(tǒng)和單一，訓練過程易受到心理因素干擾（Kadosh amp; Staunton， 2019）。電刺激技術由于其無創(chuàng)傷性和方便性受到學者青睞（Pergher et al.，2022）。然而，目前尚不清楚電刺激訓練的起效機制，且同樣存在參數(shù)固化和訓練效果不穩(wěn)定的問題（Albizu et al.， 2023）。

3 機器學習

機器學習通過算法分析和學習數(shù)據(jù)模式，使計算機系統(tǒng)能夠無需明確編程地自動執(zhí)行特定任務（Mahesh， 2020）。根據(jù)學習方式，機器學習通常被分為有監(jiān)督學習、無監(jiān)督學習、半監(jiān)督學習和強化學習。其中，有監(jiān)督學習在認知神經(jīng)科學領域得到廣泛應用（王鈺瑩等， 2022）。研究者使用有標注的數(shù)據(jù)集訓練機器學習模型，使其具備模式識別能力并用來預測新數(shù)據(jù)的標注（圖1）。本文將從回歸算法、分類算法和深度學習三方面介紹心理學研究中常用的有監(jiān)督學習。

3.1 回歸算法

回歸算法通過輸出連續(xù)型數(shù)值來預測個體的心理特征，包括人格、認知、情緒、心理問題和運動表現(xiàn)等（Sui et al.， 2020; Vieira et al.， 2022; Yoo et al.，2022）。簡單線性回歸是最基礎的回歸算法，被用來分析單一自變量與因變量的線性因果關系，但常被用于考察多個自變量的多元線性回歸所取代。例如，Llewellyn 等（2008）采用多元線性回歸對個體心理健康狀況與認知功能之間的關系進行建模。此外，逐步回歸主要通過逐步添加或刪除自變量來尋找最佳預測模型，以提高模型的預測精度和解釋性。比如，Park 等（2018）采用后向（刪除）逐步回歸來分析多項神經(jīng)心理特征和解剖結構在認知訓練前后認知能力增強中的重要程度。然而，當自變量維度較高且無法滿足獨立性假設時，上述算法存在多重共線性問題。因此，研究者利用具有正則化的套索回歸、嶺回歸和彈性網(wǎng)絡回歸來進行變量選擇和系數(shù)壓縮以降低多重共線性的影響（Hoerlamp; Kennard， 1970; Tibshirani， 1996; Zou amp; Hastie，2005）。此類回歸算法已被廣泛應用于認知能力的預測。例如，Tian 和Zalesky（2021）以fMRI 為輸入數(shù)據(jù)，利用套索回歸和嶺回歸來預測個體的認知能力。最后，由于心理學研究中的自變量和因變量之間往往存在非線性關系，比如年齡和認知能力的關系。因此，在回歸算法中引入非線性核函數(shù)可以處理復雜非線性關系（圖2）。比如，Di Bono 和Zorzi（2008）在支持向量回歸中引入指數(shù)徑向基核函數(shù)來解碼認知狀態(tài)。

3.2 分類算法

分類算法通過輸出離散值來判斷待預測樣本的類別，比如個體是否患有某種心理疾?。⊿udharsanamp; Thailambal， 2023）。K 近鄰是最基礎的分類算法，通過計算待預測樣本與其近鄰的k 個已知類別樣本的相似性度量確定其類別，具有無需顯式訓練過程的優(yōu)勢，但是計算成本較高。因此，學者們更傾向于使用邏輯回歸、線性判別分析和支持向量機等處理分類任務。比如，Gerson 等（2006）基于EEG數(shù)據(jù)，利用時域邏輯回歸和空域線性判別分析判斷單試次EEG 對應的圖像類別。Yin 等（2021）基于EEG 最少生成樹特征，利用支持向量機區(qū)分EEG 信號對應的是人臉還是非人臉圖像。同時，在分類算法中引入非線性核函數(shù)也可以更有效地處理具有復雜決策邊界的分類任務。比如，Khanam 等（2023）利用引入多項式核和徑向基核的支持向量機區(qū)分被試的認知負荷水平。此外，決策樹和隨機森林等樹狀結構分類器也可以用來處理非線性分類任務，比如判斷個體的疲勞狀態(tài)以及是否分心駕駛等（Hu amp; Min，2018; Xue et" al.， 2023）。由于此類方法具有較強的魯棒性，已被廣泛應用到認知神經(jīng)科學和認知心理學領域。

3.3 深度學習

深度學習通過多層神經(jīng)網(wǎng)絡來學習輸入數(shù)據(jù)與目標標注之間的復雜映射關系，包括卷積神經(jīng)網(wǎng)絡、循環(huán)神經(jīng)網(wǎng)絡和Transformer 網(wǎng)絡等（Vaswani et al.，2017）。與傳統(tǒng)機器學習需手動設計特征提取器相比，深度學習具有自動學習特征表征的能力，更適用于處理復雜的心理任務。比如，Yeung 等（2023）基于fMRI 數(shù)據(jù)，利用卷積神經(jīng)網(wǎng)絡來預測健康個體的性別、年齡、認知能力和心理健康狀況。Xu 等人（2022）利用Transformer 網(wǎng)絡解碼EEG 信號并判斷聽覺注意力的投入傾向。在解決特定問題時，研究者可能需要設計并比較不同架構的神經(jīng)網(wǎng)絡來尋找最優(yōu)模型。例如，Priya 等（2021）比較了長短期記憶網(wǎng)絡、雙向長短期記憶網(wǎng)絡和門控循環(huán)單元網(wǎng)絡在解碼EEG 時的性能。然而在心理學研究中，深度學習模型性能時常無法超越傳統(tǒng)機器學習（Heet al.， 2020; Pervaiz et al.， 2020）。這是因為深度學習通常依賴大量數(shù)據(jù)，而心理數(shù)據(jù)采集卻因昂貴耗時導致數(shù)據(jù)量受限。此外，超參數(shù)選擇和模型擬合程度等也會影響模型性能（Wu et al.， 2023）。因此，盡管深度學習在心理學領域具有巨大應用前景，但目前所面臨的挑戰(zhàn)不容小覷。

4 機器學習與心理學研究之間的關系

4.1 機器學習與心理學研究

心理學研究既要解釋人類行為機制，還要準確預測未來行為。現(xiàn)有研究主要聚焦于機制解釋，例如剖析變量間的相關性或因果關系。然而，在處理多變量間復雜關系時，傳統(tǒng)數(shù)據(jù)分析方法受限于計算能力，影響研究的深度和廣度。同時，雖然機制解釋有助于行為預測，但實驗室研究通常采用小樣本和嚴格的變量控制，難以保證所建模型在更廣泛數(shù)據(jù)上的預測精度（Yarkoni amp; Westfall， 2017）。有學者指出機器學習可以幫助心理學成為一門更具解釋性和預測性的科學（Loriette et al.， 2022）。機器學習能夠對海量數(shù)據(jù)進行分析，揭示傳統(tǒng)統(tǒng)計方法難以探尋的心理行為模式以精準預測個體或群體行為。例如，機器學習可以用于分析多個自變量（如性別、年齡、教育背景、學習方法、興趣愛好和基本認知處理）與學習成績之間的復雜關系（Zhai et al.，2022），利用社交媒體數(shù)據(jù)預測個體的情緒狀態(tài)（董健宇等， 2020），或者通過游戲數(shù)據(jù)預測個體的推理能力等（孫鑫等， 2018）。同時，在小樣本處理上，機器學習也能快速提取與任務相關的特征并捕捉數(shù)據(jù)間的線性和非線性關系（Wu et al.， 2023）。總而言之，機器學習正在通過其強大的模式識別和自動化處理能力幫助心理學家更高效、客觀和準確地處理數(shù)據(jù)。

4.2 機器學習與認知

認知是人類心理過程的核心組成部分，機器學習在認知領域的研究至少包含三個方面。其一是認知解碼，即利用機器學習探究大腦活動與心理或行為之間的內(nèi)在聯(lián)系。比如，Yoo 等（2022）基于92 名被試的靜息態(tài)和任務態(tài)fMRI 數(shù)據(jù)構建注意力預測模型。其二是認知障礙的診斷。相較于醫(yī)生依賴經(jīng)驗進行診斷，機器學習能夠整合言語表達和行為表現(xiàn)等多維度數(shù)據(jù)以提供更精確的診斷結果（López-de-Ipi?a et al.， 2020）。其三是認知增強。借助機器學習的強大計算能力和高效處理速度，研究者正嘗試開展個性化認知訓練（personalizedcognitive training）。這種訓練方式從訓練方案的初始選擇到訓練過程的監(jiān)測與調(diào)整均可實現(xiàn)個性化定制（Albizu et al.， 2023; Vladisauskas et al.， 2022; Zhangamp; Goh， 2021）。其靈活性使得訓練能夠根據(jù)個人需求和實際情況進行相應調(diào)整，有效彌補了現(xiàn)有認知增強技術的不足之處。相應地，有效的認知增強也可以通過改善數(shù)據(jù)質量來優(yōu)化機器學習模型性能。比如，Wang 等（2019）通過同步視覺和觸覺神經(jīng)反饋訓練改善了對側覆蓋感覺運動腦區(qū)的事件相關去同步并顯著提升了運動想象腦機接口的性能。因此，機器學習和認知增強之間是相輔相成的關系，機器學習有望為認知增強提供一種突破傳統(tǒng)界限的方法，同時認知增強也能為開發(fā)更好的機器系統(tǒng)提供潛力。

5 機器學習在認知增強中的應用

5.1 難度自適應訓練

難度自適應訓練主要依據(jù)個體的訓練狀態(tài)自動調(diào)整訓練任務難度以提高訓練效果，但此類研究存在幾個問題。其一，由于基線水平差異，固定訓練初始難度對不同被試來說是不恰當?shù)?。因此，研究者可以利用機器學習分析被試訓練前的特征（年齡、人格特征和認知能力等）來確定最佳初始難度和認知訓練方案（Shani et al.， 2019， 2021）。例如，Vladisauskas 等（2022）在其研究中利用支持向量機等來判斷特定認知訓練方案的有效性（精度為67%）。其二，難度自適應訓練會基于理論和先驗知識提前設置多個難度級別。然而，不同被試的任務難度排序可能與研究設定不一致。因此，機器學習可以幫助我們實現(xiàn)個性化難度排序和隨機難度調(diào)整。例如，Zhang 和Goh（2021）嘗試利用聚類算法學習被試的任務難度排序并采用強化學習來調(diào)整難度。Sandeep 等（2020）研究發(fā)現(xiàn)隱馬爾可夫模型在預測工作記憶刷新訓練過程中的認知水平并選擇更恰當?shù)娜蝿针y度方面是最準確的（精度為70%）。其三，通過行為指標實現(xiàn)難度自適應會導致訓練冗余和訓練不精準的問題。因此，我們可以基于腦信號解碼進一步實現(xiàn)訓練精準化難度自適應，即實時監(jiān)測腦信號并改變?nèi)蝿针y度（Roc et al.，2021）。此外，研究者還可以通過解碼腦信號來改變電刺激參數(shù)。例如，Albizu 等（2023）基于MRI數(shù)據(jù)構建支持向量機和高斯混合模型來優(yōu)化tDCS參數(shù)以提高訓練收益，結果發(fā)現(xiàn)優(yōu)化模型的預測精度高達99.993%。

5.2 解碼神經(jīng)反饋

常見的神經(jīng)反饋主要依賴于監(jiān)測和調(diào)節(jié)原始腦信號（如θ 波）或者特定神經(jīng)指標（如θ/β 比值），但該方法缺乏特異性且易引發(fā)安慰劑效應（Taschereau-Dumouchel et al.， 2021）。解碼神經(jīng)反饋（decoded neurofeedback，DecNef） 通過機器學習算法解碼腦活動模式，并將腦活動模式以視覺或聽覺形式反饋給個體以實現(xiàn)更精確的大腦自我調(diào)節(jié)（Loriette et al.， 2021; Shibata et al.， 2019）（圖3）。比如，Shibata 等（2011）考察了DecNef 訓練前后被試在識別刺激方向上的績效差異。具體來說，研究者首先要求被試完成三個方向的注意保持任務（10°、70°和130°），并基于視覺皮層的fMRI 信號構建解碼器將fMRI 信號模式分類為三個方向。隨后根據(jù)雙盲設計原則，研究者將被試隨機分配到某個方向的DecNef 訓練中，并要求被試控制視覺皮層使屏幕上的綠色圓盤盡可能變大。其中，綠色圓盤面積通過fMRI 解碼器對感興趣腦區(qū)的BOLD 信號強度解碼計算得到。結果發(fā)現(xiàn)，DecNef 訓練顯著提高了個體在訓練方向上的任務績效。后續(xù)研究還發(fā)現(xiàn)了DecNef 可以改變顏色感知、恐懼記憶、知覺信心和面部偏好等（Shibata et al.， 2019; Taschereau-Dumouchel et al.， 2021）。這些結果表明DecNef 主要通過調(diào)節(jié)與特定任務相關的局部腦區(qū)神經(jīng)活動顯著改變行為而不是原始信號。這也意味著DecNef使用的指標不容易受到個體的主觀解釋或誤解，因此訓練效果也不易受到主觀期望、特定意圖或策略的影響。同時，DecNe 訓練所采用的雙盲設計規(guī)避了主試期望對訓練效果的潛在影響，并確保被試在接受訓練時并不知曉具體目標，進一步降低了干擾。因此相較于傳統(tǒng)神經(jīng)反饋，DecNef 在整體上展現(xiàn)出更小的安慰劑效應（Shibata et al.， 2019）。

5.3 訓練效果評估

認知訓練效果評估依賴于認知測試集（王梓宇等， 2019）。這些測試雖全面，但復雜耗時，易受疲勞和情緒的影響，可能導致評估偏差且難以精準識別訓練增強的具體能力。機器學習為訓練效果評估提供了新視角，即利用腦數(shù)據(jù)和機器學習來預測個體的認知能力（Wu et al.， 2023）。這種方法不僅可以幫助研究者深入理解訓練對認知能力的影響，還有望減少被試實際需要執(zhí)行的評估任務數(shù)量。靜息態(tài)MRI 是預測個體認知能力最常用的模型輸入。基于大規(guī)模人腦連接組數(shù)據(jù)庫，學者們利用套索回歸、嶺回歸、支持向量回歸以及神經(jīng)網(wǎng)絡等機器學習模型來預測包括流體智力、注意力和工作記憶在內(nèi)的多種認知能力，結果發(fā)現(xiàn)靜息態(tài)MRI 的預測精度介于20% 至40% 之間，且功能連接比結構連接預測性能更好（Dhamala et al.， 2021; He et al.， 2020;Pl?schke et al.， 2020; Rosenberg et al.， 2016， 2020; Taxaliet al.， 2021）。同時，灰質體積、皮層厚度和任務態(tài)MRI 也可以作為模型輸入。比如，Abrol 等（2021）基于10000 名被試的灰質體積圖構建年齡和性別預測模型，結果發(fā)現(xiàn)深度學習模型的分類精度達到60% 左右，比傳統(tǒng)機器學習模型具有更強的判別能力。Greene 等（2018） 和Jiang 等（2020） 對515名被試的流體智力進行預測，結果發(fā)現(xiàn)基于任務態(tài)MRI 的預測模型解釋了超過20% 的差異，而基于靜息態(tài)fMRI 的預測模型只解釋了低于6% 的差異。Gal 等（2022）進一步指出任務態(tài)MRI 能夠更好地預測個體智力，研究者可以嘗試基于任務態(tài)MRI 評估認知能力而減少實際讓被試執(zhí)行的任務數(shù)量。

除了MRI 以外，EEG 數(shù)據(jù)也展現(xiàn)出在認知能力預測中的潛力。比如，Wan 等（2023）利用極端梯度增強模型考察靜息態(tài)EEG 能否預測不同群體（39名健康青年，18 名認知障礙老年人，193 名抑郁癥患者）的認知功能維度，結果發(fā)現(xiàn)預測值和觀測值之間的相關系數(shù)分別是.39，.76和.40。Stock 等（2016）基于262 名健康被試的ERP 數(shù)據(jù)構建機器學習模型以預測個體的反應抑制能力（Go/No-go 任務），結果發(fā)現(xiàn)起源于BA7 的Go-P2 的振幅差異預測被試水平抑制能力的精度高達64%。然而，盡管EEG 數(shù)據(jù)在認知能力預測中展現(xiàn)出獨特優(yōu)勢，其應用仍受到一定限制。這主要因為EEG 數(shù)據(jù)噪聲大、維度高且樣本量有限（Kim et al.， 2023）。值得注意的是，與MRI 具有較高的空間分辨率相比，EEG 則具有更高的時間分辨率，這使其成為研究認知過程中動態(tài)變化的理想工具。因此，未來的研究應深入開展基于EEG 數(shù)據(jù)的認知模型構建，并探索同時結合EEG、MRI 和行為數(shù)據(jù)的多元建模策略以期優(yōu)化認知能力預測的精度（Turner et al.， 2016）。

6 總結與展望

機器學習在識別腦信號模式上具有優(yōu)勢，有望為個體提供更加智能化、個性化和精準化的認知訓練方案。然而，相關研究仍處于探索階段且面臨一系列需要解決的挑戰(zhàn)。

6.1 模型性能

在認知訓練效果評估上，現(xiàn)有模型的預測精度普遍較低（.2～.4 之間）（Yeung et al.， 2022），未來研究需要進一步提高模型性能。首先，我們可以通過特征選擇、算法選擇以及超參數(shù)調(diào)整等提高模型性能（Mihalik et al.， 2022）。其次，研究者還可以嘗試將腦信號、生理狀態(tài)和生物學指標等不同模態(tài)的數(shù)據(jù)融合起來以更好地表征大腦活動（Muraskinet al.， 2017）。另外，采用數(shù)據(jù)增強或者數(shù)據(jù)生成技術來擴充樣本也是提高模型性能的有效策略。例如，采用生成對抗網(wǎng)絡等技術生成模擬數(shù)據(jù)以增加樣本的多樣性和數(shù)量并提高模型的泛化性能（Zhang etal.， 2023）。在個性化認知訓練方案上，目前相關研究數(shù)量較少，尚無法確定哪些算法更適用于個性化認知訓練任務。因此，未來研究首先應該探究的是不同機器學習算法在個性化認知訓練中的適用性，并在此基礎上利用上述方法進一步提高模型性能。

6.2 樣本數(shù)量和多樣性

隨著樣本數(shù)量和多樣性的增加，模型的泛化能力和準確性也會隨之提高（Wu et al.， 2023）。反之，樣本數(shù)量和多樣性不足則會導致預測結果不準確。舉例來說，基于年輕樣本構建的認知預測模型可能無法準確預測老年群體的認知水平，這直接影響了訓練方案的選擇、調(diào)整以及訓練效果的評估。因此，除了前文提及的數(shù)據(jù)增強或數(shù)據(jù)生成方法，我們還應該從數(shù)據(jù)收集的角度出發(fā)，著重解決樣本數(shù)量和多樣性不足的問題。這包括收集不同年齡、性別、種族、經(jīng)濟狀況、文化背景等因素的數(shù)據(jù)，以確保模型具有更廣泛的適用性和準確性。另外，深度學習在處理大數(shù)據(jù)和復雜問題方面具有顯著優(yōu)勢，能夠更好地捕捉數(shù)據(jù)中的復雜模式，為個體提供更準確的訓練和評估結果。因此，未來的研究可以基于大規(guī)模數(shù)據(jù)庫，利用不同的神經(jīng)網(wǎng)絡結構來建立性能更強的個性化認知訓練和評估系統(tǒng)。

6.3 模型可解釋性

模型可解釋性可以幫助研究者清晰地理解認知訓練的起效機制。特征選擇是構建傳統(tǒng)機器學習模型的必要步驟，通過權重、穩(wěn)定性指標以及不同特征的預測性能等來體現(xiàn)模型可解釋性（Jiang et al.，2022）。但是，沒有適用于所有情況的最佳解釋方案。未來研究在選擇解釋方法時要針對具體問題靈活應用。同時，深度學習往往具有較多的網(wǎng)絡層數(shù)和參數(shù)使得模型復雜且難以解釋。因此提高深度學習模型的可解釋性是一個應用難點。近年來，學者們已經(jīng)通過對深度學習模型的網(wǎng)絡架構、模型參數(shù)、梯度路徑、顯著性表征等進行分析來解釋模型的作用機制（Linardatos et al.， 2020）。比如Zang 等（2021）使用空間濾波器拓撲圖對基于深度學習的EEG 分類模型中的空間卷積進行可視化，來區(qū)分各電極在EEG 分類模型中的貢獻。個性化認知訓練研究也可以在此基礎上積極開發(fā)具有可解釋性的個性化認知訓練和評估系統(tǒng)。

綜上所述，機器學習為心理學研究注入新的動力，未來研究可以通過提高模型性能和保證可解釋性來實現(xiàn)機器學習與認知增強研究的深度融合，朝著建立自動化、精準化和個性化的認知訓練和評估系統(tǒng)的方向前進。