功能性对齐-辅助生成对抗性基于网络的视觉刺激重建通过多主体fMRI

科学领域:

• 神经科学是一个神经科学.
• 计算机科学 计算机科学
• 机器学习 机器学习

背景情况:

• 功能磁共振成像 (fMRI) 为大脑活动测量提供高空间和时间分辨率.
• fMRI数据显示出显著的跨主体异质性,具有挑战性的多主体分析.
• 现有的方法往往忽略了这种异质性,导致了低于最佳的解码结果.

研究的目的:

• 建议使用fMRI数据进行视觉图像重建的新型多主体方法.
• 在fMRI反应中解决和减轻受试者之间的异质性.
• 提高多主体解码的可靠性和适用性.

主要方法:

• 开发了一个功能性对齐辅助生成对抗网络 (FAA-GAN).
• 整合了一个生成对抗网络 (GAN) 模块用于视觉刺激重建.
• 实施了多主体功能对齐模块,以标准化fMRI响应空间.
• 使用跨模块散列检索模块进行数据相似性分析.

主要成果:

• 与现有的基于深度学习的重建技术相比,FAA-GAN方法显示出更高的性能.
• 功能对齐有效地减少了fMRI数据中受试者之间的异质性.
• 这种方法成功地从大脑活动中重建了视觉刺激.

结论:

• 拟议的FAA-GAN方法为从fMRI进行多主体视觉图像重建提供了一个强大的解决方案.
• 解决受试者的异质性对于提高大脑解码的准确性至关重要.
• FAA-GAN在神经成像分析和脑计算机接口领域取得了进展.