标签
一个业余项目通过脑机接口，训练一只名为 Freddy 的模拟老鼠玩一款简化版 GTA 风格游戏，使用自适应解码器将神经活动转化为基础动作，并以零食奖励回路来塑造行为。
该论文提出了语言监督（Language as Supervision，LaS）方法，通过将神经特征与自然语言类别描述对齐来实现脑机接口解码。在语音解码任务中，该方法相较于传统的类别标签监督基线最多提升了 17.15 个百分点，并支持对未见类别的泛化。
该论文发现非侵入式脑电解码语音中报告的大幅改进很大程度上可由时间间隔捷径在无脑数据的合成信号上复现；通过将句子内的滑动窗口独立编码以移除该捷径后，提出的SimpleB2T方法在五次观测下达到36.6%的词错误率，显著提升了脑到文本解码性能。
本文提出Task-Conditioned Latent Alignment (TCLA)，通过学习共享潜在空间来稳定脑机接口中的跨会话神经解码。在非人灵长类动物数据上评估，与现有方法相比，TCLA显示出改进的鲁棒性。
介绍iMINDBench，一个颅内脑电图(iEEG)多机构神经解码基准，它在三个自然电影观看数据集上评估模型在十五个解码任务上的表现，以实现一致的比较。
本文提出了一种名为MAPA的自监督预训练方法，该方法利用空间编码进行神经接口预训练，从而减少了跨受试者进行准确脑机接口解码所需的标注数据。
本文提出EEG-AS，一种算法选择框架，通过重建行为实现在多个EEG基础模型之间的实例级选择，从而提高神经解码性能。
本文介绍了LibriBrain100，一个大规模MEG数据集，包含超过100小时的神经语音解码数据，在单词分类基准测试中达到了最先进的性能。
本文介绍Von-Neumann State-Space Transformer (VN-SST)，这是一种受冯·诺依曼架构启发的新模型，通过使用低秩指令库进行特定于令牌的操作，提高了神经解码中的样本效率，在基准测试中优于标准Transformer。
该论文提出了BLPM，一种脑电-语言基础模型，利用连续潜变量预测建模和语义对齐将脑电信号映射到文本嵌入，在多样任务和数据集上实现了可泛化的神经解码。
NeuroPB 是一个框架，通过在大规模行为数据（包括机器人轨迹）上预训练运动编码器，并将神经活动对齐到该表征空间来扩展神经解码，从而在有限神经数据下改进轨迹解码和泛化能力。
本文提出了一种可解释的感知语音MEG到音频检索模型，利用球谐空间注意力和源映射重新设计，以少得多的解码器参数实现了39.75%的Top-1准确率，同时揭示了哪些语音特征驱动检索。
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。
本文介绍了一种用于非侵入性脑记录语义重建的多特征融合框架，通过交叉注意力机制结合静态词汇（Word2Vec）和动态上下文（GPT）表示，在脑到文本解码中取得了最先进的性能。
Brain2Qwerty 是一种非侵入式脑机接口，能将脑电波解码为文字，实现无需手术的通信。
NeuroSonic 提出了一种条件流匹配框架，用于从脑电图信号重建连续语音。通过学习一个确定性的概率流速度场，解决了神经数据与声学数据之间的结构不匹配问题。在跨受试者基准测试中，相比现有的GAN、扩散和均值流基线，该方法在感知质量上取得了高达26.3%的提升。
本文对三个脑电图基础模型（SleepFM、REVE、LaBraM）应用TopK稀疏自编码器，提取可解释的特征字典，并引入了概念引导框架，揭示了表征失败和临床纠缠问题。
研究人员提出Brain-CLIPLM，一个两阶段脑电到文本解码框架，利用对比学习提取语义锚点，并结合基于检索的大语言模型（LLM）及思维链（CoT）推理进行句子重建。该方法在测试中达到67.55%的Top-5句子检索准确率和85.00%的Top-25准确率，显著优于直接解码基线模型，跨被试评估证实了其良好的泛化能力。研究结果表明，脑电到文本解码应聚焦于恢复压缩后的语义内容，而非完整句子重建。