可是你知道吗？根据最新的科学研究，在你拍脑瓜10秒钟之前你其实已经做出了决定–无非你不知道而已。

2008年顶尖科学期刊《自然》神经科学子刊刊登了德国科学家的一项惊人的研究。被试要做的事情很简单，他们的左右手各有一个按钮，当他们觉得想要按按钮时，就立刻按，左右都可以。在做实验的同时他们的大脑的活动被功能核磁共振仪记录。科学家发现，在按按钮后，从大脑运动中枢的活动可以知道被试的选择（左或者右）。这个当然没有什么稀奇。让人惊讶的是，在被试做出决定10秒之前，从大脑的前脑等部位就可以预测被试的选择。而同时被试却认为自己是在按按钮的时候才做出决定的。

这个研究不得不让人深思。相对潜意识，我们的意识如冰山之一角。潜意识无时无刻不在活跃和计算，等浮出水面的时候，我们才有了相关意识，认为自己在这一刻做出了决定。这个研究可以让我们通过三个角度进行思考：

1. 不听话的念头。当你想静一分钟的时候，你的头脑却不配合。各种各样的念头时不时涌现出来。你好像对念头的内容以及念头出现的时间没有太多的控制。为此，我们几乎成了思维的奴隶。看看上面的研究就知道，大脑的大部分活动都不是能意识到的。这些潜意识的活动有着我们现在没有了解的规律，因此什么时候他们能进入意识层次我们自己难以做主。

2. 自由意志和命运。我们有选择的自由吗？上述的被试，认为自己自由地做出了选择，可是他们的选择却在10秒之前就被预测了。我们意识层面的自由意志，很大程度上被潜意识的活动提前决定了。今天，你选择了土豆丝，可能与命运无关紧要；可是当你选择爱人、选择学校的时候，是不是你的选择已经被决定了？这些决定着你的命运的决定，到底是如何做出的呢？

3. 我。我是谁？！那个选择土豆丝的人是谁？“我”是在意识层面存在的东西，没有思维的时候（如深睡），我不复存在。可是，不停翻滚的潜意识是谁？有两个（或者多个）我吗？

欢迎大家多多讨论。

附：如果要看原论文：
http://www.paper-box.co/paper/showPaper.php?id=4938&displayKey=a5K8Cqyg8t&ref=cuixu&needlogin=0

我的名字叫袁雨涵，现年31岁，是哈尔滨工业大学的在读博士生。我于2012年3月确诊患有急性髓系白血病。在国内治疗了近7个月，在病情得到基本缓解的时候，却又发生了新的基因突变，使病情急剧恶化。在国内治疗没有希望的情况下，由父母陪同，来美国MD Anderson Cancer Center求治。

目前，我血液中的白血病细胞 (Blast)含量几乎达到了100%。目前MD Anderson Cancer Center的白血病中心为我制定的化疗方案中，需要输注白细胞的辅助治疗。这个化疗方案能否成功的关键在于是否能够能否控制住在化疗过程中无法避免的感染。由于我血液中的Blast含量达到了100%，这就意味着我自身的免疫能力基本为零。对于这种情况，仅靠现有药物几乎不可能完全控制住感染。输注健康的白细胞，在体内重建免疫系统，从而使身体在一段时间内获得足够的免疫能力，是确保此次化疗成功的最重要的保障。

可是MD Anderson并不为患者提供白细胞，患者白细胞的来源要靠自己联系捐献者。身处异乡又重病缠身的我，只能冒昧向各位求助，希望中国校友会的同学们能帮我中国留学生中传递求助信息。在此，我和我全家对你们的无私帮助提前致以最诚挚的万分感谢。

我的联系方式：

email: yuhanyuan82@gmail.com

电话：626-759-4755

附件里有MD Anderson提供的捐献白细胞的流程和我住院的信息。

最后，祝休斯顿地区的留学生和侨界朋友们身体健康，学业事业顺利有成。大家出门在外，更要注意好自己的身体，谢谢。

袁雨涵

—-

2006年一个普通日子的下午，王敏来到位于休斯顿贝勒医学院的时间感知实验室。她要参加一项科学实验。该实验的负责人张强热情地招待了她。在填完一些表格后，她就坐在一个电脑旁边，开始了实验。

屏幕上显示了一双皮鞋的照片，很快又消失了；然后又出现，这样重复了四五次。突然，一个电子表的照片出现了，也又很快消失了。又重复了几次皮鞋后，一个问题出现了：电子表在屏幕上的时间长度比皮鞋长还是短呢？王敏明显感觉长，因此就按了一个按钮表示回答。

上面的实验就重复了多次，王敏有时感觉电子表的时间长，有时候短。她就照自己的感觉回答了。这样过了大概十分钟，实验结束了。张强感谢她的参与，并付给她10美元的报答。王敏觉得很高兴，10分钟就挣10块钱，还不错。不过，她更好奇这个实验，因此问张强：”你们这个实验的目的是什么？有什么结果吗？“ 张强说：”现在还不能回答你，因为这个需要保密。不过两个月后可以告诉你了“。

两个月很快过去了，王敏也早已经把这件事忘了。有一天她收到张强的电话，说愿意和他谈谈这个实验。她恰好没事，就又到了张强的实验室，张强给她倒了杯水，就开始讲了。

”我们的目的是要看看人对时间的感知是怎么样的。你知道，物理学中的用钟表量的时间，在我们这个尺度上是平的，均匀的。当然，你可能听说过广义相对论中的时空扭曲，那是在宇宙尺度上。可是，心理时间就不一定了。你想想，是不是觉得小时候的假期很长，现在假期感觉短了？“

王敏说：”是啊！我现在觉得一年比一年短了！“

”这个就是一个例子。另外，你蹦极过吗？“

”还真有一次。那是在大学班级出去春游，壮着胆蹦了一次。“

”在跳的时候，有没有感觉时间慢了？“

王敏若有所思，说，“好像是有点。”。

“这些都是日常生活的例子。我们就是要做实验定量。在你做的这个实验，鞋子显示的时间是0.5秒，而电子表的显示时间是不定的。有时候长于0.5秒，有时候短。如果我画个曲线，横坐标是电子表的时间，纵坐标是你回答‘电子表的时间比鞋子时间长’的概率，你猜猜，这个曲线的形状大概是什么样子？”

王敏想了想，说，“肯定是个S形曲线。在电子表时间很长时，我回答’电子表时间比鞋子时间长‘的概率接近1，相反接近0“。

”对了。如果电子表的时间也是0.5秒，那么你回答的’电子表时间比鞋子时间长‘的概率应该是多少？“

”应该是一半一半，就是0.5。因为这时候两者是等长的，我回答哪个是相同概率“。

”是的 - 但是这有个假设，即，0.5秒中的电子表和0.5秒的鞋子对你来说也是等长的。“

”呵呵，是啊。难道这个假设不对吗？“

张强笑而不语。他从抽屉里拿出一张纸，上面有一个图。”看，这个就是你的数据。你说得对，这就是S曲线。不过你看看，当电子表是0.5秒的时候，你回答’电子表时间比鞋子时间长‘的概率是多少？“

王敏把图拿过来，用手指头比着，说，”是0.8。哎呀，在他们等长的时候，我大部分时间是认为电子表时间更长“。

”是的。你再看看，当你认为二者等长的时候，实际上电子表的时间是多少？“

王敏再次看图，发现是0.45秒。”这就是说，我把0.45秒的电子表的时间当成0.5秒的鞋子的时间，即时间增加了10%。太神奇了。“。

”是啊。你看，心理时间就像橡皮筋似的，可以拉长。你猜猜，为什么电子表的时间会被拉长呢？“

”为什么呢？难道电子表有什么特殊的地方？“

”呵呵。电子表本身没有什么。其实答案很简单：电子表在一系列的鞋子中是异类，它的出现让你惊讶。正是这个惊讶，让你产生了时间的幻觉。“

”哦！原来如此。这个还真有意思。“

”那么，你也可以解释为什么蹦极的时候时间会变长？小时候的夏天很长？“

”呵呵，原来是这样。“（读者，你知道为什么了吗？）

王敏看到时间不早了，说，”真谢谢你了，非常有意思。“。说着拿起杯子，把最后一口水喝完。然后站起来和张强告别。转身的时候，衣服碰到了杯子，”啪“的一声，杯子掉到了地上，粉碎。那个瞬间，真是很长很长。

原论文见：http://www.plosone.org/article/i … ournal.pone.0001264
我并没有直接参与这个项目。该项目是我的导师和另一个同学做的。

（本故事纯属虚构）

Link to the paper

v =

  1.0e+003 *

    9.0579
    1.2699
    9.1338
    6.3236
    0.9754

What if you want the format to be

v =

       9057.9
       1269.9
       9133.8
       6323.6
        975.4

The answer is simple. Run the following command in MatLab:

 format shortg

乞者答：我跪在这里，是让自己的虚荣一败涂地。是让自己的面子，无地自容。是让自己的虚假，彻底崩溃。我不是因为吃饭而做乞丐，也不是因为乞丐而去吃饭。若我放不下自己的虚荣，自己的面子，自己的虚假，纵然我有多么好的工作，多么高的待遇，多么令人羡慕的生活，我，依旧生活在虚荣当中，我依旧被我的虚假所操纵，我活着，还有什么真真的自由可言？

问：你们这些乞丐，靠别人的施舍来过日子，这么年轻，就来这里乞讨，你感觉羞愧不羞愧？

答：我若羞愧，就一定不会来这里乞讨。我若抱着我的虚假面子不放，我绝不会来这里乞讨。别人施舍给我的东西，正是我需要反省自己的东西。我感谢施舍给我东西的人，也感谢用任何言语来评价我的人，因为你们，才使我懂得了做人的真实。

问：你是乞讨钱呢？还是乞讨饭呢？

答：当我彻底放下自己的虚假时，我的乞讨就是成功的。当我彻底不再抱着面子来勉强过日子时，我的乞讨是成功的。当我彻底不再因为自己的虚荣而左右蹒跚时，我的乞讨是成功的。我不是因为钱来乞讨的，也不是因为饭来乞讨的。我是因为自己的虚荣，自己的虚假，自己的面子，而来乞讨的。

问：是什么力量促使你做乞丐？

答：我的虚假，我的虚荣，我的面子。没有它们，我还需要乞讨吗？我感谢它们，使我有了做乞讨的机会。

问：你乞讨多长时间了？

答：三年！

问：三年了，应该你的面子，虚假，虚荣，已经彻底没有了，干嘛还继续乞讨呢？

答：当我的面子崩溃时，可我的妄想还依旧存在。当我的虚荣放下了，可我的爱欲心依旧存在。当我的虚假磨灭了，可我的分别心还依旧存在。所以，我做乞丐，还没有真正做好。

问：你天天在这里乞讨吗？

答：不天天在这里。到处乱跑。走到那里，就乞讨在那里。

问：这么冷的天，你怎么还穿一双单鞋？你乞讨来的钱，足够你买一双棉鞋了。

答：脚冷了，是可以随便用任何东西保暖的。可人心一旦冷了，纵然有多么充足的钱，多么厚实的棉鞋，也是徒劳的。虽然我的脚是很冷，但是，我得真实去感受，我也并不因为脚的冷，而不再乞讨。因为，我的心，总是灼热的，她，可以溶解我的一切烦恼，何况一个微不足道的脚呢。世人总是呵护外在的东西，却不知去呵护内在的东西。纵然外在再多么漂亮，而内在，已经是破旧不堪了啊。

问：我看你就不是乞丐，你到底是什么人？

答：纵然我告诉了你，我是什么人，但是，对于你，依旧是陌生的啊。为什么世人总喜欢去了解别人，而不真真地去认识自己。纵然你再如何了解别人，可对于你自己，依旧是陌生的啊。

问：我给你扔了一块钱，你怎么不说谢谢呢？

答：当我看见您的慈悲之心时，我已经不在乎什么一块钱了。您的慈悲心，是无法用谢谢二字概括的。我只能把您的慈悲之行，深深地装在自己心里，慢慢来品尝。

问：当乞丐的滋味怎么样？

答：如人烧香，各自心明。

问：乞丐都是骗子，我见得多了。

答：人人都是乞丐。或乞讨情感、或乞讨权利、或乞讨物质财富、或乞讨名义地位、或乞讨健康、或乞讨快乐幸福。这种乞丐，您见过吗？

问：我怎么不知道啊？

答：因为在您心中，乞丐都是骗子，您总是执着在这一处，犹如总是执着地看一个地方，纵然外界多么精彩，你依据是无法看见得啊。若一个人，总是执着地断然一个固定的答案，那么，您总是停留在这一处地方。犹如您自己拿镜子去照他人，却忘记了照自己啊。

思考的乞者

问：原来做乞丐，还没那么简单啊。

答：乞丐是人来做的。不是乞丐自己去做乞丐。不同的人，做不同的乞丐。一个心邪的人，做乞丐，他会污染一大片的。一个心正的人，做乞丐，他会感染一大片的。犹如一个乞丐，把自己乞讨来的钱，无私地捐献给慈善机构或灾区人们，这种乞丐，是何等地伟大。而这种伟大的行为，却出自一个乞丐之手，可以让更多的人，甚至记忆一辈子。所以，我们不能以点带面地否定所有做乞丐的人，恰恰相反，我们要用善意的眼光，去看待乞丐。虽然有的乞丐确实让人厌弃和憎恨，但是，他们能够长时间跪着，长时间躺着，这种行为，也会让人产生怜悯心，生起慈悲心。必定，他们没有去做杀人放火的事情，更没有象某些人，冠冕堂皇地，在人背后，做些见不得人的勾当，祸害善良的人，用极其邪恶的心来达到自己邪恶的目的。就凭这一点，乞丐，还是善良的。人心要放大点，放宽点，那么，你眼前的路，就好走些。某些人，一顿饭能挥霍几千元，甚至几万元，几十万元，难道面对一个乞丐，仅仅需要你随便扔几粒钱，您难道就那么的吝啬吗？

问：象你这样说，难道我们就滋养那些好吃懒坐的人，让他们什么也不做了吗？

答：人，迟早都会觉悟的。人，不能一辈子总当乞丐。但是，正因为他们曾经当乞丐，看到很多善良的人给予他们的施舍，在他们心里，早已经种下了善良的种子。当因缘有所成熟时，他们心中的善良种子，就会发芽。而且，纵然这个乞丐是无动于衷的，但是，有很多人施舍时，也同样有很多人看在眼里，明在心里。这，不也是在给大众种善根吗？有时候，一个无心的举动，会感染一大片人。有时候，一粒种子，可以让更多的人受益。

问：你乞讨来的钱，用在什么地方？

答：我把自己乞讨来的钱，又反回到别的乞丐手中。

问：你这个人，是不是有病？神经有问题？哪有象你这样的乞丐？

答：一切皆有因缘。

问：你以前是干什么的？

鼎然答：我只知道，我现在是乞丐。

问：别的乞丐都跪着，躺着乞讨。你怎么盘着腿来乞讨？

答：您吃饭时，喜欢站着还是喜欢坐着？

答：喜欢坐着吃饭。坐着吃饭舒服啊。

说：他们、我、你，虽然姿态不一样，感觉相同。他们跪着，躺着，有可能有他们的想法。但是，没有跪的工夫，没有躺的工夫，估计乞讨到的钱，就没有那么多了。我坐着，是适合我的姿态，你坐着，也适合你的姿态。同样是人，各有各的心思。在这一点，就没有必要去揣摩了。

某人问：你看你的头发这么长，怎么不理发啊？脏兮兮的。

答：只要心干净，比什么都好。

问：你的意思是说我的心不干净？

答：在我心里，您就是菩萨。

问：你是宗教徒？

答：我现在是乞丐，我只想认真地做好乞丐，别的，对于我，没多大关系。

The functions are called anova1 and anovan. 1 way anova is to test if the mean in each group is same; and 2-way anova is to test (1) if the mean in each group is same, (2) if there is any interactions

1-way anova
In the first example, there is no difference between means:

One way anova, no difference of mean

As expected, the p value is big (>0.05):

Source      SS      df     MS       F     Prob>F
------------------------------------------------
Columns    1.6778    4   0.41946   0.44   0.7804
Error     43.089    45   0.95753
Total     44.7668   49

In the 2nd example, the 1st group has a larger mean

1-way anova, 1st group has larger mean

As expected, the p value is small

Source      SS      df     MS        F        Prob>F
-------------------------------------------------------
Columns    98.787    4   24.6969   36.94   1.10911e-013
Error      30.083   45    0.6685
Total     128.871   49

2-way anova

Let’s say we measured the height of 10 students. 5 of them are males, 5 of them has skin color ‘red’. We want to know if the height of male students is different from female students, if ‘red’ students is different from ‘blue’ students, and if the two factors have interactions (meaning the effect of gender on height is dependent on skin color).

Example 1: if the height only depends on gender, then we expect the pvalue for gender is small; p value for color or color*gender interaction is big.

  Source         Sum Sq.   d.f.   Mean Sq.     F     Prob>F
-----------------------------------------------------------
  gender         44.7625    1     44.7625    50.95   0.0004
  color           0.0389    1      0.0389     0.04   0.8403
  gender*color    0         1      0          0      0.9996
  Error           5.2709    6      0.8785
  Total          51.3893    9

Example 2: if the height depends on gender + color, then we expect the pvalue for gender and color is small; p value for color*gender interaction is big.

  Source         Sum Sq.   d.f.   Mean Sq.     F     Prob>F
-----------------------------------------------------------
  gender          67.444    1     67.4436    66.71   0.0002
  color           57.215    1     57.2151    56.59   0.0003
  gender*color     0.628    1      0.628      0.62   0.4606
  Error            6.066    6      1.011
  Total          162.43     9

Example 3: if the height depends on gender * color, then we expect the pvalue for gender and color is big; p value for color*gender interaction is small.

  Source         Sum Sq.   d.f.   Mean Sq.     F     Prob>F
-----------------------------------------------------------
  gender          0.0144    1      0.0144     0.02   0.8984
  color           0.0007    1      0.0007     0      0.9768
  gender*color   32.0284    1     32.0284    39.37   0.0008
  Error           4.8811    6      0.8135
  Total          36.9267    9

The source code:

% This is to test ANOVA in MatLab (stat toolbox)
% Xu Cui
% 2012/11/17

%% 1-way anova

% assume our data have 5 groups, and they draw from the same distribution

X = randn(10,5); % each column is a group
p = anova1(X) % As expected, p > 0.05

% assume our data have 5 groups, and the 1st group has a larger mean

X = randn(10,5);
X(:,1) = X(:,1) + 3;
p = anova1(X) % As expected, p < 0.05

% assume our data have 5 groups, and each group has a different mean

X = randn(10,5);
X = X + repmat([1:5], 10,1);
p = anova1(X) % As expected, p < 0.05

%% 2-way anova

% assume we have two factors, one is 'gender', taking values male(1) and
% female(0), the other skin color, taking value 'red' (1) and 'blue'(0). Then we
% measure the subjects' height.

gender = [ones(5,1); zeros(5,1)]; % first 5 are male
color = [1 0 1 0 1 0 1 0 1 0]'; 

% assume height only depends on gender
height = gender*5 + randn(10, 1) + 160;
p = anovan(height, {gender color}, 'model',2, 'varnames',{'gender';'color'})

% assume height depends on gender + color

height = gender*5 + color*5 + randn(10, 1) + 160;
p = anovan(height, {gender color}, 'model',2, 'varnames',{'gender';'color'})

% assume color and gender has interaction

height = [1 0 1 0 1 1 0 1 0 1]'*3 + randn(10, 1) + 160;
p = anovan(height, {gender color}, 'model',2, 'varnames',{'gender';'color'})

In the following simulation, we have 10 features which are highly correlated (see figure below).

Correlation between features

And the variable to be predicted is fairly nicely correlated with the features. Below I plotted the weight of 10 features. The blue curve is for SVR, and the red is for linear regression. As you can see, the weight for SVR is smooth and balanced, but the weight for regression is like ‘winner takes all’, the 1st feature has a big weight but others very small.

Weight of Features (blue: SVR, red: regression)

Here are the source code in MatLab. normalize.m can be found at http://www.alivelearn.net/?p=1083

N = 1000;
M = 1;
t = randn(N,1);

clear r
m = 10;%1:10:100;
for M = m
x = [t];
for ii=1:M-1
    x = [x  t+ii*randn(N,1)/10];
end

x = normalize(x);

% t1 = randn(N,1);
% t2 = randn(N,1);
% x = [t1 t2];
% y = 3*t1 - 5*t2;
y = 2*t + randn(N,1)/2 + 0;

% corrcoef([x y]);
%
% b= glmfit(x,y);
for ii = 1
    for jj=1
        tic;model = svmtrain(y(1:N/2),x(1:N/2,:),['-s 4 -t 0 -n ' num2str(ii/2) ' -c ' num2str(1)]);toc
        tic;zz=svmpredict(y(N/2+1:end),x(N/2+1:end,:),model);toc
        tmp = corrcoef(zz, y(N/2+1:end));
        r(M) = tmp(2);
    end
end

w = model.SVs' * model.sv_coef;
b = -model.rho;
b1 = [w]

% regression
b2 = glmfit(x(1:N/2,:), y(1:N/2,:));
yy = x(N/2+1:end,:)*b2(2:end) + b2(1);
b2 = b2(2:end)

sum((zz - y(N/2+1:end)).^2)
sum((yy - y(N/2+1:end)).^2)

end

figure('color','w');imagesc(corrcoef(x));colorbar
caxis([0 1])
figure('color','w');plot(b1,'o-');hold on;plot(b2,'o-r');xlabel('feature index');ylabel('weight')

return

hold on;plot(m, r, 'ro-');xlabel('# of dimension'); ylabel('r')
figure('color','w');plot(m, r, 'ro-');

figure('color','w');plot(x(1:N/2,:), y(1:N/2), 'b.');
hold on;plot(x(N/2+1:end,:), zz, 'r.');
xlabel('x')
ylabel('y')
legend({'training','test'})

%figure('color','w'); plot(zz, y(N/2+1:end), '.'); axis equal;axis square;
%figure('color','w'); plot(zz - y(N/2+1:end), '.')

另外，PaperBox是云端软件，这样如果你在实验室的电脑上添加了文献，在家的电脑上也可以访问。非常方便。

如果您是实验室老板或者是大学老师，PaperBox可以让你非常方便地把文献读物等分享给学生。比如你把某个标签分享给了20个学生，以后你在这个标签里放入的新文献都会自动分享给他们。方便极了。（和dropbox一样方便）

PaperBox 对轻量级的用户是免费的(文献数目<50)，为了让该博客的读者更好地试用，我们为前100名注册的用户提供免费的三年无限制账户。下载软件 后，单击“Account”按钮，把下面的升级代码填写到“Update code”一栏，并单击“Update”按钮。即可。

代码是： I_like_Xu_

PaperBox软件下载地址是： http://www.paper-box.co/