本研究提出了一种新的自监督目标——互信息非对比损失（MINC），旨在解决自监督表征学习中的高方差和大批量需求问题。实验结果表明，MINC在图像表征学习中优于传统对比损失，具有更强的泛化能力和转移性。

我们提出了一种自监督框架，通过脑电信号学习图像表征。实验证明该方法在脑电图像数据集上取得了最先进的结果，并在零样本任务中达到了较高准确率。这些结果对神经解码和脑-计算机界面的应用有价值。

我们提出了一种自监督框架，从脑电信号中学习图像表征，并在最广泛的脑电图像数据集上取得了最先进的结果。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。在200种零样本任务中，我们达到了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。

该研究提出了一种自监督框架，利用脑电信号学习图像表征，并在脑电图像数据集上取得了最先进的结果。该方法在200种零样本任务中达到了较高的准确率，对神经解码和脑-计算机界面的应用提供了有价值的见解。