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

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

通过对非侵入式脑电图记录进行对齐，我们提出了 “Re (presentational) Al (ignment) Net”，这是一个与人类大脑活动对齐的视觉模型，其与人类大脑表征更加相似，从而在人工智能领域取得了突破。

Jan, 2024

神经学中理解复杂人类行为的神经实现是一个重要目标，本研究提出一种新的无监督学习框架，神经潜变压器（NLA），用于找到良好约束的、与行为相关的神经表示，通过对重复试验进行表示对齐来学习跨试验一致的信息，通过时间弯曲模型（TWM）解决试验之间的时间错位，应用于自然语言说话的脑内电皮层图图（ECoG）的实验证明了该模型在低维空间下学习更好的解码行为的表示，TWM 可通过测量对齐试验之间的行为一致性进行经验验证，所提出的框架学习到了比基线模型更加一致的、可视化后揭示了试验之间共享的神经轨迹的表示流形。

Aug, 2023

我们提出了一种新的方法来解决功能磁共振成像（fMRI）数据稀缺和噪声干扰脑解码模型性能的问题，通过浅层主体特定适配器将跨学科的 fMRI 数据映射到统一的表示中，然后使用共享的深层解码模型将跨学科特征解码为目标特征空间，利用视觉和文本监督进行多模态脑解码的训练，实验证明了我们模型在所有科目中的鲁棒神经表示学习，并且将高级和低级信息相结合可以改善重建度量。

Mar, 2024

基于深度学习模型和统计领域适应技术，本研究介绍了获得 EEG 转移学习竞赛冠军的 Latent Alignment 方法，并将其表述为应用于给定受试者试验集的深度集合；实验结果表明，在深度学习模型的较晚阶段进行统计分布对齐有助于分类准确性，同时研究了深度学习模型中可能产生虚假改善结果的类别区分偏差以及类别不平衡对对齐的影响。

Nov, 2023

利用 1 小时的 fMRI 训练数据，结合人类视觉系统中的视觉指纹和一种新颖的 fMRI-to-text 对齐方法，我们提出了 MindTuner 用于跨主体视觉解码，实现了高质量和丰富语义的重建，结果表明 MindTuner 在自然场景数据集 (NSD) 上的表现优于最先进的跨主体视觉解码模型。

Apr, 2024

我们提出了一种通用脑编码器，能够联合训练来自多个不同主体 / 数据集 / 机器的数据，通过直接计算脑体素嵌入和多级深度图像特征之间的交叉注意力来预测每个脑体素对每个图像的响应，并且利用学习到的体素嵌入作为探索脑功能的强大工具。

Jun, 2024

本研究介绍了一种基于高质量预训练多模态表示利用功能磁共振成像技术探索人类大脑微观语义网络的方法，并描述了该方法在检测面孔、身体和空间等重要语义概念的表现及其在个体参与者中的应用。

Jun, 2023

使用大脑 fMRI 响应预测作为训练目标，我们研究了视觉数据、深度网络和大脑之间的有趣联系，发现通过不同目标训练的深度网络共享通用的特征通道，将这些通道聚类成不同的大脑区域，产生语义相关的物体片段，同时通过通道聚类发现了不同网络层级处理视觉信息的过程，从而实现了网络之间的精确比较。

Jun, 2024