在没有共享刺激的情况下,跨个体和跨站点的神经代码转换

科学领域:

• 神经科学是一个神经科学.
• 计算神经科学是一种神经科学.
• 机器学习 机器学习

背景情况:

• 大脑活动模式 (功能拓) 的个体差异使大规模数据分析复杂化.
• 现有的功能对齐方法需要在各个受试者之间提供相同的刺激,这往往是不切实际的.
• 在没有共享刺激的情况下,开发方法来分析跨个体的大脑数据对于可扩展的神经科学至关重要.

研究的目的:

• 开发一种神经代码转换方法,可以在不需要共享刺激的情况下,在不同个体之间调整大脑活动.
• 为了能够准确地解码和重建受试者之间的大脑活动表示.
• 建立可扩展的神经数据分析和脑对脑通信的基础.

主要方法:

• 开发了一种新的神经代码转换方法,根据原始和转换的大脑活动之间的刺激内容差异优化参数.
• 来自深度神经网络的层次特征被用作潜在内容表示.
• 该方法通过使用目标主体解码器来解码转换的大脑活动来验证图像重建.

主要成果:

• 神经代码转换方法实现了高精度,与使用共享刺激的方法相比.
• 从转换的大脑活动的视觉图像重建与个人解码质量竞争.
• 即使使用来自不同地点的数据和有限的训练样本,也证明了成功的解码和重建.

结论:

• 这种转换方法有效地克服了功能对齐的共享刺激的约束.
• 该方法为可扩展的神经数据分析和建模提供了一个强大的框架.
• 这些发现为未来的大脑对大脑通信应用奠定了基础.