本研究提出了一种新模型R1 Translator，旨在提高脑电图(EEG)信号解码为文本的质量。该模型结合了双向LSTM编码器和预训练的变换器解码器，表现优于T5和Brain Translator，显示出在脑-语言处理中的重要性。

谷歌研究、哈佛大学和HHMI Janelia联合开发了斑马鱼活动预测基准（ZAPBench），旨在帮助神经科学家预测人脑活动。该基准基于对斑马鱼脑部70,000个神经元的4D记录，研究不同虚拟现实刺激下的反应，进而有助于理解人脑及其相关疾病。

本研究提出了一种数据驱动的方法，利用合成功能性磁共振成像（FMRI）探讨脑中概念的定位。MindSimulator通过生成技术学习脑活动概率分布，成功定位多个概念选择区域，为神经科学研究提供了新方向。

本研究解决了从脑活动解码图像的方法随着神经记录类型和数量的变化而如何变化的问题。研究系统比较了四种非侵入式设备的解码性能，并发现最佳的神经成像设备在相同训练集大小时表现最佳，而深度学习在噪声较大的设备上效果显著。此外，解码性能随着训练数据量的增加而呈对数线性增长，主要受每个参与者数据量的影响。这些发现为从非侵入式脑记录中扩展图像解码的方法提供了明确方向。

本文提出了Brain-Diffuser框架，通过结合fMRI信号和深度学习模型重建复杂图像场景。该方法能够从脑活动推断场景特征并生成图像，显示出在神经科学和脑机接口应用中的广泛潜力，同时通过优化解码技术提高了图像重建的质量和准确性。

本研究解决了多种神经影像技术数据整合的难题，提出了SAMBA框架，通过学习统一的潜在空间来弥合空间和时间分辨率的差距。研究表明，SAMBA不仅实现了数据翻译，还丰富了脑信息处理的表示，具有广泛的应用潜力。

本文研究了结合脑电图（EEG）和音乐特征的多模态情感识别方法，结果表明该方法在情感分类准确性上优于单一模态。研究采用深度神经网络和多种算法，探讨了脑区连接性对情感模式的影响，并提出了未来研究方向。

BRACTIVE 是一种基于 transformer 的新型框架，它通过 fMRI 信号将受试者的视觉特征与相应的脑表示对齐，从而识别出受试者的感兴趣脑区，此外，利用人类视觉脑活动来指导深度神经网络在各种基准测试中提高了性能。

本文介绍了Mind-Video模型，该模型通过对抗性指导从fMRI数据中重建高质量视频，性能比现有模型提高了45%。研究还提出了NeuroCine框架，解决了fMRI数据中的噪声和冗余问题，显著提升了视频重建效果。该方法在多个公开数据集上测试，展现出良好的生物合理性和可解释性，推动了对人脑视觉处理的理解。

本文研究了基于Transformer的语言模型，分析模型尺寸和数据规模对功能性磁共振成像（tfMRI）脑活动响应预测的影响。结果显示，增大模型和数据规模显著提升音频与语言预测效果，并探讨了多种深度学习方法在脑成像数据分析中的应用，展示了解码效率和准确性的提升潜力。

该研究使用fNIRS监测脑活动并通过深度学习解决数据分类挑战。研究发现fNIRS网络在预测训练数据方面效果显著，但对于排除异常数据表现不佳。研究提出了将度量学习和监督方法融入fNIRS研究的方法，以提高网络的异常数据识别能力。实验结果显示该方法在各种fNIRS网络中明显提升性能，尤其是基于transformer的网络，可靠性得到了巨大改进。

本研究提出了一种名为Double-Flow GAN的新型重构框架，通过增强判别器的能力和处理图像不平衡性，提高了从脑活动中重建知觉面孔的能力。实验证明，该方法显示出显著的重建性能，超越了先前的重建模型，并展现了良好的生成能力。