研究人员通过功能磁共振成像(fMRI)和Vision Transformer 3D(ViT3D)框架，成功重建了大脑的视觉刺激，提升了大脑信号解码能力，为神经科学和脑机接口的发展提供了新思路。

本研究利用深度学习和静息态功能磁共振成像（fMRI）技术，探讨脑血流功能及损伤的检测，旨在早期预防脑血管疾病。提出的自监督预训练框架和一维CNN模型有效重建呼吸参数，降低fMRI研究成本。同时，研究了深度生成模型在生理信号中的应用，提出创新的fMRI预训练自编码器方法，提升脑活动解码的准确性。

本研究利用功能磁共振成像技术探索人类大脑的微观语义网络，提出了多模态神经网络模型BrainCLIP，结合图像和文本进行语义解码。研究表明，使用少量图像即可有效学习大脑与深度网络的映射，揭示了大脑对视觉刺激的反应及其特征，为视觉处理障碍的诊断提供了潜在线索。

研究使用深度语言模型与人脑相似性，复制了神经元相关语言研究。通过功能磁共振成像比较了七名受试者听取常规和乱序叙述的脑信号，并扩展到305名听取4.1小时故事的个体。为分析语言的神经基础提供了基础。

我们开发了一种工具，通过将大型预训练视觉模型映射到大脑上，揭示其隐藏信息。我们的创新提出了一种使用大脑编码的方法：预测大脑在图像刺激下的功能磁共振成像测量。我们发现大脑和深度网络特征之间的显式映射至关重要，FactorTopy方法可应用于任何深度网络。此外，训练方法对层次结构和缩放行为有重要影响，微调也会改变预训练模型。我们的方法实用，只需3000个图像就能学习网络到大脑的映射。

该研究讨论了应用功能磁共振成像数据进行因果发现分析时的挑战和决策，因果发现方法仍有改进空间。