使用预训练语言模型对无创脑机接口（BCI）通过脑电图（EEG）信号进行解码的潜力进行了研究，提出了一个具有先进表示学习方法的无创脑电记录的端到端深度学习框架，并使用新的评估指标验证了该框架在解码效果方面的优越性。

Nov, 2023

使用神经解码的方法从 EEG 数据中提取记忆，通过深度表征学习和监督对比损失将脑电图映射到低维空间，可在训练数据集中没有出现的概念中识别，可应用于信息检索问题。

Jul, 2023

本研究通过采用电脑脑波数据对 ImageNet 数据集中的图像进行分类和重建，提出了一种创新的方法。该研究不仅可以从神经活动中解码图像，还能仅利用脑电波数据生成图像的可靠重建，为个性化迅速反馈实验铺平了道路。

Sep, 2023

本研究提出了一种基于无序神经网络和贝叶斯神经网络的不确定性估计和减少模型（UNCER），用于减少脑电图解码中的不确定性，包括把模型参数的不确定性和输入信号的不确定性结合起来，进一步提出了基于数据增强的方法进行不确定性减少。

Dec, 2021

通过在不同的 EEG 解码任务上进行深度学习网络的预训练和评估，研究了深度学习表达在任务之间的可迁移性，并发现在解码性能上有显著的提升，同时揭示了特定解码范式引发特定脑活动的证据，从神经科学的角度加强了我们对认知任务之间层次关系的理解。

Jul, 2023

我们提出了一种自监督框架，从脑电信号中学习图像表征。通过对配对图像刺激和脑电反应进行特征提取，然后使用对比学习来对齐这两种模态，我们的方法在最广泛的脑电图像数据集上取得了最先进的结果，并在 200 种零样本任务中达到了 15.6% 的 top-1 准确率和 42.8% 的 top-5 准确率。对脑电信号的时间、空间、频谱和语义方面的广泛实验表明了良好的生物合理性，这些结果对神经解码和脑 - 计算机界面的现实应用提供了有价值的见解。

Aug, 2023

采用深度学习和脑解码技术，本研究通过跨参与者对齐脑响应视频和静态图像，提高了脑解码性能，并将神经表征与脑解剖结构相一致，为扩展神经成像数据集和增强有限脑记录的个体解码奠定了基础。

Dec, 2023

研究通过功能性磁共振成像对大脑的记录，分析了编码模型和解码模型的应用，尤其关注深度学习算法的效果、好处和限制，并总结了神经科学数据集的代表性研究。

Jul, 2023

运用深度学习方法解读神经活动的研究表明，通过扩大模型规模和数据集规模，我们能更好地理解神经活动的特征。本文介绍了一种用于对各种大规模神经活动数据进行建模的训练框架和架构，通过将数据集中的个体脉冲进行分词来捕捉神经活动的细微时间结构，并利用交叉注意力和 PerceiverIO 主干构建神经群体活动的潜在分词。通过这种架构和训练框架，我们构建了一个大规模的多会话模型，利用来自七只非人灵长类动物的大型数据集，跨越 158 个不同的记录会话、27373 个神经单元和 100 多小时的记录。在许多不同的任务中，我们证明了我们的预训练模型可以快速适应新的、未知的带有未指定神经元对应关系的记录会话，以最小的标签实现少样本性能。这项工作为构建分析神经数据的深度学习工具提供了一种有力的新方法，并为规模化训练开辟了明确的路径。

Oct, 2023

通过数据对齐方法，我们的研究旨在引入一种针对跨个体大脑解码的泛化技术。我们使用了 NSD 数据集，利用多个受试者的数据对齐，对跨个体大脑解码进行了训练和测试，证实了即使使用约 10% 的数据或 982 个共同图像，交叉个体的大脑解码也是可行的，与单个个体解码相比性能相当。岭回归是最佳的功能对齐方法，通过受试者对齐，我们实现了更优秀的大脑解码以及可能的扫描时间缩减 90%，为更高效的实验和领域的进一步突破铺平了道路，通常需要耗费昂贵的每个受试者的 20 小时扫描时间。

Aug, 2023