标签
发表在《Nature》上的一项大型国际研究发现，衡量认知重评能力的三种最常用方法——特质问卷、基于任务的情感评分，以及通过 fMRI 测量的杏仁核下调——几乎不存在共享方差，这让人质疑我们测量认知行为疗法背后这一关键过程的能力。
该论文比较了扩散式与自回归多模态大语言模型生成的标注与人类在观看卡通短片时的Theory of Mind和情感效价评分的时间一致性，并检验其对fMRI脑反应的预测能力，发现MLLM标注可作为脑预测性社会情感内容标注的可扩展工具，但与人类评分存在系统性差异且对齐效果因模型和影片而异。
发布了一个名为 Cajal-1 的 2.18 亿参数全脑皮层编码模型，基于 2000 人观看影片、电视和图片时的 fMRI 数据训练，可预测视觉、听觉和语言刺激在 20,484 个皮层位置上的响应。模型与 Colab 演示已在 Hugging Face 上开源。
魏茨曼研究所的研究人员开发出一种 AI 工具，能够以惊人的精度从高分辨率 fMRI 脑部扫描中还原一个人正在观看的画面，还能根据图像预测脑部活动。专家称赞其有望帮助闭锁综合征患者并解读梦境，同时警告该技术可能被用于在未经同意的情况下窃取内心想法。
该 arXiv 论文通过提示与微调构建了针对六个认知领域的专家型 LLM 变体，结果表明，每个专家模型的表征在三个基座模型和三个 fMRI 数据集上都与相应专门化的脑系统更一致。
FRIST是一种两阶段EEG解码框架，利用fMRI数据增强仅基于EEG的个体手指脑机接口解码能力，在运动执行和运动想象任务中均提升了准确率。
《iScience》上的一项新fMRI研究发现，狗在与高级认知和奖赏相关的大脑区域处理人类快乐的面部表情，并能区分愤怒、悲伤和恐惧等负面表情。
本文提出了MPP-GNN，一种元概率池化图神经网络，能够自适应地发现受试者特定的脑模块，用于基于fMRI的阿尔茨海默病分类，在两个公开数据集上取得了最先进的AUC，并与规范的脑网络组织保持一致。
本研究表明，语境语义相关性（衡量一个词与其近期语义上下文的关联强度）能够可靠地预测两个数据集中自然言语理解过程中的fMRI BOLD响应，而意外度（局部概率期望）则不能。研究结果支持缓慢的血流动力学响应对语境语义整合（而非局部预测）尤为敏感。
本文改进了用于fMRI解码的Huth编码流程，并介绍了fMRIFlamingo——一种基于Llama 3.2的直接fMRI到文本框架，但发现解码成功主要源于语言先验而非神经输入。
本文介绍了Augmented Sparse Encoding Models，利用语言模型的稀疏特征解读大脑对语言的反应，并在高场7T fMRI数据上进行了验证。该模型恢复了已知的神经调谐特性，并发现了一个新的体素群体，该群体对与人相关的内容具有调谐特性。
本文追踪了不同学习规则（反向传播、反馈对齐、预测编码、STDP）在训练过程中如何影响CNN表征与人类fMRI的对齐。研究发现反向传播在一个epoch内摧毁V1对齐，而局部规则则保持该对齐，这表明构建高级表征与保留早期视觉特征之间存在权衡。
CortexMAE 是一个 fMRI 基础模型家族，基于 2.1K 小时的开放 fMRI 数据训练，已被 ICML 接收。该发布还包括 Brainmarks，一个用于评估此类模型的开放基准套件。
本文介绍了BrainSimSiam，一种轻量级自监督框架，利用孪生网络从仅正样本对中学习鲁棒的fMRI表征，即使在有限数据下也能在下游任务上取得强劲表现。
Brain-IT-VQA 框架利用 Transformer 架构从 fMRI 信号中解码视觉内容，性能优于此前的方法。作者还引入了 NSD-VQA，这是一个新数据集，具有更丰富的标注，用于评估基于 fMRI 的视觉问答。
提出FM-fMRI，一种事件条件流匹配模型，能够从静息态fMRI合成任务fMRI时间序列，在Human Connectome Project和内部自闭症队列上实现了优于基线的频谱和连接一致性，并改进了下游自闭症分类性能。
本文利用fMRI数据和多种LLM，研究了英语、中文和法语中的大脑-LLM对齐，发现训练语言主导性和类型距离（而非英语固有的优势）驱动了对齐模式。
谷歌发布MoGen模型用合成神经元将连接组重建错误率降低4.4%，节省157人年校对时间；同时AI已能从fMRI解码思想，便携式脑传感器普及引发脑隐私问题。
本文表明，尽管fMRI的时间分辨率较低，但在fMRI数据上微调语言编码模型能提升其对ECoG记录中神经活动的预测能力。研究结果表明，丰富的'慢速'fMRI数据可以增强针对'快速'ECoG数据的模型。