从脑功能影像中解码人脑功能一直是神经科学研究的热点问题，这项工作通过人工神经网络深度学习结合功能磁共振影像（Functional Magnetic Resonance Imaging, fMRI），利用神经网络在提取高维特征的优异性能，提出一个3D卷积神经网络（图1），对HCP S1200中1034名被试在7种不同的任务状态下的功能磁共振数据进行分类，达到了较高的准确率（93.7±1.9%），从而实现了利用4D fMRI信号解码人类的大脑状态。
图1. 研究所用的深度神经网络示意图。
研究进一步通过较少量数据对新任务类型进行迁移学习，对HCP TEST-RETEST集的fMRI数据进行分类，结果表明所使用的模型在新任务状态上，仅通过很少数据量能实现较好分类性能（94.7 ± 1.7%）。同时，通过引导反向传播算法计算不同脑区对不同任务的激活效应大小，并与“金标准”GLM激活效应对比，神经网络可视化得到的特征与任务激活脑区显示出了很高的相似性。
这项工作提出的深度学习框架较好完成了利用fMRI数据进行人脑状态解码的任务，显示出将深度学习应用于fMRI研究中的巨大潜力，为通过脑功能及结构分类分析进行脑疾病及精神疾病研究提供了一个路径，同时此研究可应用于寻找精神疾病或神经疾病的生物标记物，也为基于实时脑影像解码的神经反馈研究提供了新思路。
