本研究提出了一种基于变压器架构的多频带脑网（MBBN），克服了传统神经成像模型在描述复杂脑动态方面的局限性。MBBN能够揭示频率依赖的网络互动，预测准确率提高30.59%，并为神经发育障碍提供新的生物标志物。

本研究提出了一种改进的解码方法，解决了脑信号解码在重构多模态刺激中的不足，提升了刺激再现质量，对理解神经机制和推动人工智能发展具有重要意义。

本研究解决了自闭症谱系障碍（ASD）分类中存在的计算效率和空间信息不足的问题。我们提出了一种新颖且高效的时空组学学习框架，利用3D时间域导数和功能连接特征提取fMRI的时空特征。实验结果表明，该框架在有效性和计算效率方面显著优于现有方法，有助于进一步推动ASD相关研究。

本研究提出了一种新方法scBIT，将功能性磁共振成像与单细胞转录组学相结合，显著提升了阿尔茨海默病的预测精度，并揭示了脑区与基因之间的复杂关系。

本研究提出了一种新颖的脑信号解码技术，通过预测DINOv2模型的图像嵌入，将fMRI信号解码为图像字幕，显著降低计算需求，并利用三维卷积神经网络考虑体素位置信息，从而提高解码精度和效率。

本研究解决了静息态fMRI中复杂的自发神经活动数据分析的不足，提出了一种融合搜索光框架（FuSL）来结合不同指标的信息，从而提高脑状态解码的准确性。研究表明，使用可解释的人工智能技术，可以重建各个指标对解码的影响，增强了搜索光分析的空间特异性，具有广泛的适用性和可解释性，适用于神经影像数据整合。

本研究针对临床前fMRI数据去噪中的挑战，提出了一种基于3D Wasserstein生成对抗网络和稠密U-Net判别器的去噪算法（3D U-WGAN）。该方法通过引入对抗损失并优化特征空间距离，提高了图像质量和信噪比，显著优于当前最先进的方法。

本研究针对fMRI到视频重建中的挑战，提出了NeuroClips框架，通过精确解码高层语义和低层感知流，重建高保真和平滑的视频。实验结果显示，该方法在多个指标上显著超越现有模型，实现了高达6秒、8FPS的视频重建，具有重要的应用潜力。

本研究介绍了BrainCodec，一种创新的fMRI编解码器，解决了fMRI数据噪声高和样本小的问题。结果表明，BrainCodec在心理状态解码中表现出色，提高了脑活动重建的可见性，为神经科学分析带来了新可能。

研究引入NeuroCine框架，通过对比学习和扩散模型从fMRI数据重建动态视觉体验。在公开数据集测试中，NeuroCine在SSIM测量上比现有模型提升显著。注意力分析表明该模型与大脑结构和功能一致，具有生物学合理性。

本研究提出了一种基于多模态引导的重建框架Brain-Streams，用于解决fMRI到图像重建任务中的小物体细节缺失和语义模糊问题。该框架结合视觉和语义信息，利用现代生成模型进行精确的图像重建，验证结果显示出优越的重建能力和应用潜力。

本研究展示了以ImageNet为预训练数据的混合Vision Transformer（ViT）模型在脑电图（EEG）回归任务上的应用，通过微调该模型在EEG数据上，发现其性能显著提升，挑战了对模型泛化的传统理解。这种方法成功地将ViT模型在视觉任务中提取的特征转化为EEG预测建模的目的，建议在神经科学和其他限制任务中采用这种方法，结果揭示了预训练模型在不同任务上的潜力。

MindDiffuser是一种两阶段图像重建模型，使用fMRI进行前向估计和反向传播来实现图像对齐。实验结果表明该模型超过了现有的最先进模型，并与大脑反应的多模态特征解释力一致，证实其神经生物学的合理性。

本研究针对重度吸烟者的脑部结构和功能变化进行探讨，填补了在拓扑脑连接方面的研究空白。通过使用高斯无向图及图形套索算法分析rs-fMRI数据，发现吸烟显著影响若干脑区，并且所估计的图具有高稳定性，为未来的临床研究提供了重要见解。

深度语言模型（DLMs）通过分层连续数值向量表示单词和上下文，模拟大脑中语言理解的时间动态性。研究发现DLMs的层深与层能预测人脑之间存在强相关。通过电皮层图谱（ECoG）数据记录参与者在听取叙述时的神经活动，发现DLM的信息逐层累积上下文与高级语言区域的神经活动时机形成镜像关系。

研究提出了一种创新的fMRI预训练自编码器方法（fMRI-PTE），通过转化fMRI信号为二维表示，解决了个体脑差异导致的数据维度变化的挑战。该方法能够生成良好表示的fMRI特征，便于脑活动解码等任务。实验证实了该方法的有效性。

通过BrainNetDiff方法从fMRI时间序列中提取特征，结合条件潜在扩散模型进行大脑网络生成，提高了准确性和稳定性。验证了该框架在构建大脑网络和疾病分类任务中的适用性。为多模态大脑影像数据处理提供了参考，引入了高效解决方案。

本研究针对功能磁共振成像(fMRI)数据的动态功能网络连接(dFNC)分析，提出了一种新的功能时空Mamba模型(FST-Mamba)。通过引入组件变尺度聚合机制(CVA)和对称旋转位置编码(SymRope)，该模型有效整合了大脑网络内和网络间的信息，实验结果显示其在多个脑基分类和回归任务中显著提高了性能，展现了无注意力序列建模在神经科学研究中的潜力。

本文提出了支架提示调优（ScaPT），是一个新的基于提示的框架，旨在以高参数效率和更优性能将大规模功能性磁共振成像（fMRI）预训练模型适应于下游任务。该方法通过设计分层提示结构，仅更新2%的可训练参数，有效避免了传统完全调优中的过拟合问题，并在神经退行性疾病的诊断和个性特征预测中展示了其在低资源任务上的适应效率。