研究
十年神經科學訓練,處理的其實是同一類問題:樣本少、維度高、雜訊大、效果量小。這一頁是三條研究主線,以及每一條留下哪些可以帶走的方法。實際遷移到製造、金融與語言資料上的成果,在 專案頁。
🌿 自然環境與認知老化 / Nature Exposure and Cognitive Aging
專案:森林環境資訊的神經機制:應用於減輕認知老化
- 以 Python 建立虛擬實境 (VR) 實驗環境,量測自然暴露對年長者認知功能的效益。
- Brandeis University 訪問學者期間,評估短期影片自然暴露的認知效果。
- 把原始影片依掃描器取樣週期(TR = 0.752 秒,900 個時間點)重新取樣,拆成低階視覺、動態、語義與物件層級的特徵序列,與 fMRI 時序對齊成可檢定的迴歸變項。
- 訊號處理:以相鄰影格差分計算動態能量、以 Shannon entropy 量化空間與時間上的不可預測性、以滑動視窗追蹤語義變化,並用功率頻譜密度(PSD)比較兩類刺激的時間頻率結構。
- 發表:Psychonomics Society Annual Meeting, NYC (2024)。
方法遷移:訊號處理與多模態特徵工程——取樣對齊、差分、entropy、頻譜分析,把非結構化訊號轉成可建模的時序變項——同一套作法用在 CMP 製程感測序列的虛擬量測,以及 聊天群組的話題 entropy 時間序列(以 entropy 預測下一時間窗的話題轉移)。
🌐 文化、價值與決策制定 / Culture, Value, and Decision Making
專案:文化對學習與決策制定的影響(台美跨國研究)
- 以 Python 設計可在兩地同步執行的跨國實驗流程。
- 用 Shell 與 SQL 建立資料庫,讓跨伺服器的資料共享與版本控制可行。
- 跨站點 multiband fMRI 訊號的驗證與校準:同一批受試者在台、美兩地以相同型號的 3T 掃描器重複視覺與動作任務,再以 ANOVA 拆解受試者、任務與站點效應——不同掃描站點之間的系統性差異若不先校正,後續所有組間比較都不成立。
- 發表:Biological Psychology (2021);Clinical Cultural Neuroscience 書籍章節 (Oxford University Press, 2019);Cognitive Neuroscience Society Annual Meeting, Virtual (2020)。
方法遷移:跨站點資料整合與批次效應校正、資料管線與 QC 流程——對應到跨廠、跨機台、跨資料源整合時的同一個問題。研究「人在機率與價值下如何決策」的訓練,則直接帶進 多代理人投資研究系統:每個判斷都是機率,用 Brier score 與校準曲線評估,而不只看對錯。
🧩 ADHD 與神經影像 / ADHD and Neuroimaging
專案:注意力不足/過動症成人與健康對照組在決策制定中價值神經處理的差異
- 領導團隊完成 ADHD 受試者招募與 MRI 掃描排程。
- 以 MATLAB 與 R 開發自動化管線,處理並分析行為與 fMRI 資料。
- 發表:Journal of Psychiatry and Neuroscience (2023)。
方法遷移:小樣本、高維度、組別不平衡下的統計建模與多重比較校正;端到端自動化分析管線——這是後來所有專案的底層習慣:RAG 系統的每個比率都附信賴區間,量化回測用 Deflated Sharpe 扣掉嘗試次數,對話預測以區塊 bootstrap 估計增益的不確定性。