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。

本文探讨了利用fMRI信号和深度学习模型重建复杂图像场景的方法，提出了MinD-Vis和CnD框架，采用自监督学习和潜在扩散模型以提高图像重建的质量和准确性。实验结果表明，这些方法在语义映射和生成质量上优于现有技术，具有广泛的神经科学应用潜力。

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。

本文探讨了多模态转换器在大脑编码中的有效性，发现VisualBERT优于传统模型。研究结合fMRI信号与图像生成，提出了新的重建框架，展示了在神经科学和图像生成领域的应用潜力。

本文探讨了结合fMRI信号与深度学习模型重建复杂图像场景的方法，提出了MindDiffuser和MindEye模型，利用稳定扩散技术和对比学习实现图像重建与检索，展现了在自然场景数据集上的优越性能。此外，介绍了BrainDiVE和MinD-3D框架，强调fMRI信号在3D视觉重建中的应用，展示了脑解码模型在处理稀缺数据时的有效性。

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。

本文探讨了深度语言模型（DLMs）与人脑语言处理机制的关系。研究表明，DLMs的层次结构能够模拟人脑语言理解的动态过程，且信息逐层累积与大脑神经活动存在镜像关系。大型语言模型（LLMs）性能提升后，其在预测神经响应时与大脑的相似性增强，揭示了二者在语言处理上的融合特征，为未来模型开发提供新方向。

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。

该论文提出了一种无损整合人类大脑皮层的方法，利用聚类和流形学习技术提取大脑结构与功能特征。研究探讨了脑功能与解剖连接的关系，并提出基于多尺度图谱和深度学习的诊断方法，显示在阿尔茨海默病等疾病诊断中的优势。此外，介绍了开源软件NeuroGraph和新的层次结构-功能连接融合模型，提升了脑网络生成的准确性，为神经影像学分析提供了新视角。

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。

本文介绍了多种自然语言处理和深度学习框架，如PPT、IPT和SPT，强调通过预训练和提示调整来提升模型性能。研究表明，适当的提示微调和多任务训练能显著提高准确性，尤其在fMRI数据分析中表现突出。这些方法在不同任务中展现了良好的迁移学习能力和可解释性。

本文介绍了多种深度学习模型在抑郁症检测和孤独症识别中的应用，包括Attention-Based Acoustic Feature Fusion Network (ABAFnet)和基于图神经网络的STNAGNN。这些模型通过结合多模态数据和时空分析，显著提高了检测的准确性和可解释性。

本研究分析了脑成像数据集，探讨自然语言处理与深度学习模型在解码大脑语言功能中的应用。通过集成多种语言模型，性能提高了10%。研究揭示了语法表示对脑解码的影响及其局限性，并提出了未来研究的建议。

本文介绍了“Re (presentational) Al (ignment) Net”模型，该模型通过对齐人类脑电图与视觉模型，成功预测人类对自然图像的fMRI反应，准确度超越现有技术45%。研究揭示了视觉区域的表征偏差，并提出了可实验检验的假设，为视觉皮层功能分析提供了新方法。