Aligning brain functions boosts the decoding of visual semantics in novel subjects

深度学习正在引领功能性磁共振成像（fMRI）领域的大步前进。然而，由于大量被试的脑特征存在差异，大多数研究仅能针对一个被试进行模型训练。因此，这种方法限制了深度学习模型的训练，因为这些模型通常需要非常大的数据集。在这里，我们提出通过对不同被试观看视频和静态图像的脑响应进行对齐，来提高脑解码的效果。与解剖学对齐基线相比，我们的方法将跨被试解码性能提高了高达75%。此外，当测试被试的数据少于100分钟时，我们的方法也优于传统的单被试方法。此外，我们提出了一种新的多被试对齐方法，其获得了与传统单被试方法相当的结果，同时提高了跨被试的泛化能力。最后，我们展示了这种方法可以根据脑解剖学对齐神经表征。总体而言，这项研究为利用大量神经影像数据集并提高对脑记录数据有限的个体的解码能力奠定了基础。

如何提高跨个体的脑解码性能？

通过对齐跨个体的脑响应来提高脑解码性能。

论文提出的方法可以提高跨个体的脑解码性能，比传统的单个个体方法更好。此外，还提出了一种新的多个体对齐方法，并证明了该方法可以根据脑解剖学对齐神经表示。

与此相关的研究包括使用深度学习进行脑解码的其他研究，以及跨个体对齐的其他方法，如基于形态学的方法。