? 本期20篇代表性預(yù)印本

01. 混合深度學(xué)習(xí)架構(gòu)能否提升腦電語(yǔ)音包絡(luò)重建

02. 深度神經(jīng)集成模型如何提升語(yǔ)音神經(jīng)解碼

03. 可解釋機(jī)器學(xué)習(xí)揭示瞳孔相關(guān)知覺(jué)背后的皮層活動(dòng)

04. 感覺(jué)運(yùn)動(dòng) β 爆發(fā)可作為人類分級(jí)用力調(diào)節(jié)的穩(wěn)健標(biāo)記

05. 用經(jīng)典機(jī)器學(xué)習(xí)和時(shí)間動(dòng)態(tài)分析解碼人類連接組功能磁共振認(rèn)知狀態(tài)

06. 深度學(xué)習(xí)如何從電鏡圖像解碼基因編輯小鼠軸突超微結(jié)構(gòu)

07. 擺脫數(shù)值積分后神經(jīng)網(wǎng)絡(luò)也能學(xué)習(xí)前向動(dòng)力學(xué)

08. 從動(dòng)作和物體識(shí)別到心理化的神經(jīng)階段解碼

09. 音樂(lè)情緒中的運(yùn)動(dòng)共振可由腦電機(jī)器學(xué)習(xí)解碼

10. 運(yùn)動(dòng)皮層無(wú)監(jiān)督解碼為何受到高維度和情境依賴限制

11. 運(yùn)動(dòng)皮層和海馬的環(huán)路特異群體動(dòng)態(tài)可產(chǎn)生等價(jià)意志學(xué)習(xí)

12. 生物物理生成模型可精準(zhǔn)推斷鈣信號(hào)背后的放電

13. 青少年精神預(yù)測(cè)中神經(jīng)影像相對(duì)混雜變量提供的信息有限

14. 人腦類別選擇性不同于人工神經(jīng)網(wǎng)絡(luò)類別選擇性

15. 全腦群體動(dòng)態(tài)的深度表征學(xué)習(xí)揭示可分離神經(jīng)代碼

16. 自然場(chǎng)景結(jié)構(gòu)如何預(yù)判目標(biāo)是否被看見(jiàn)

17. 深度生成模型捕捉腦結(jié)構(gòu)連接拓?fù)涮卣鞯谋容^評(píng)估

18. 分層診斷可識(shí)別深度神經(jīng)網(wǎng)絡(luò)中的偏置驅(qū)動(dòng)決策

19. 人腦探索-利用決策的時(shí)空解碼

20. 解碼樂(lè)觀和悲觀偏差如何動(dòng)態(tài)塑造風(fēng)險(xiǎn)行為

本期20篇代表性預(yù)印本

01

bioRxiv · 2026-05-27

Investigating Hybrid Deep Learning Architectures for Speech Envelope Reconstruction from EEG

混合深度學(xué)習(xí)架構(gòu)能否提升腦電語(yǔ)音包絡(luò)重建

Uday Sankar Gottipalli, Aditi Jha, Krishna Miyapuram

https://www.biorxiv.org/content/10.64898/2026.05.24.727471v1

背景：聽(tīng)覺(jué)系統(tǒng)如何在復(fù)雜或受損條件下編碼聲音、語(yǔ)音和空間信息，以及這些編碼如何影響真實(shí)情境中的理解能力。 這使它不僅是一個(gè)單純的技術(shù)或現(xiàn)象描述，而是直接服務(wù)于AI 模型、腦信號(hào)解碼和腦機(jī)接口應(yīng)用這一類認(rèn)知神經(jīng)科學(xué)問(wèn)題。

方法：作者采用EEG 用于分析毫秒級(jí)腦電動(dòng)態(tài)；機(jī)器學(xué)習(xí)/神經(jīng)網(wǎng)絡(luò)模型用于預(yù)測(cè)、解碼或比較表征；數(shù)據(jù)集、管線或工具評(píng)估用于檢驗(yàn)可復(fù)現(xiàn)性和適用范圍。這些方法共同服務(wù)于一個(gè)目標(biāo)：把題名中的心理過(guò)程與可測(cè)量的行為、腦活動(dòng)或模型變量對(duì)應(yīng)起來(lái)。

結(jié)果：作者報(bào)告，混合深度學(xué)習(xí)架構(gòu)可以從 EEG 中重建語(yǔ)音包絡(luò)，提示深度模型有助于提高聽(tīng)覺(jué)注意和語(yǔ)音跟蹤解碼。

價(jià)值：為評(píng)估 AI 方法在腦與行為解碼、神經(jīng)表征建模和 BCI 控制中的實(shí)際價(jià)值提供了參考。 這篇的具體價(jià)值在于把清晰的任務(wù)或數(shù)據(jù)指標(biāo)與神經(jīng)/行為解釋聯(lián)系起來(lái)，便于讀者判斷該結(jié)果能否遷移到自己的實(shí)驗(yàn)設(shè)計(jì)、分析管線或理論問(wèn)題中。

02

bioRxiv · 2026-06-04

Neural decoding of speech using deep neural ensembles

深度神經(jīng)集成模型如何提升語(yǔ)音神經(jīng)解碼

Seonghyun Yoon, Donald T. Avansino, Sasidhar Madugula, Alisa D. Levin, Chaofei Fan, Benyamin Abramovich Krasa, Akansha…

https://www.biorxiv.org/content/10.64898/2026.06.02.729705v1

背景：聽(tīng)覺(jué)系統(tǒng)如何在復(fù)雜或受損條件下編碼聲音、語(yǔ)音和空間信息，以及這些編碼如何影響真實(shí)情境中的理解能力。 這使它不僅是一個(gè)單純的技術(shù)或現(xiàn)象描述，而是直接服務(wù)于AI 模型、腦信號(hào)解碼和腦機(jī)接口應(yīng)用這一類認(rèn)知神經(jīng)科學(xué)問(wèn)題。

方法：作者采用機(jī)器學(xué)習(xí)/神經(jīng)網(wǎng)絡(luò)模型用于預(yù)測(cè)、解碼或比較表征；數(shù)據(jù)集、管線或工具評(píng)估用于檢驗(yàn)可復(fù)現(xiàn)性和適用范圍；人類參與者或患者數(shù)據(jù)用于檢驗(yàn)個(gè)體差異和實(shí)際行為表現(xiàn)。這些方法共同服務(wù)于一個(gè)目標(biāo)：把題名中的心理過(guò)程與可測(cè)量的行為、腦活動(dòng)或模型變量對(duì)應(yīng)起來(lái)。

結(jié)果：作者報(bào)告，視網(wǎng)膜群體編碼會(huì)隨視覺(jué)輸入的時(shí)間統(tǒng)計(jì)結(jié)構(gòu)改變，預(yù)測(cè)未來(lái)運(yùn)動(dòng)的時(shí)間窗也會(huì)相應(yīng)調(diào)整，說(shuō)明早期視覺(jué)系統(tǒng)具有靈活的預(yù)測(cè)編碼能力。

價(jià)值：為評(píng)估 AI 方法在腦與行為解碼、神經(jīng)表征建模和 BCI 控制中的實(shí)際價(jià)值提供了參考。 這篇的具體價(jià)值在于把清晰的任務(wù)或數(shù)據(jù)指標(biāo)與神經(jīng)/行為解釋聯(lián)系起來(lái)，便于讀者判斷該結(jié)果能否遷移到自己的實(shí)驗(yàn)設(shè)計(jì)、分析管線或理論問(wèn)題中。

03

bioRxiv · 2026-06-01

Mesoscopic cortical activities associated with pupil-linked perceptions inferred via explainable machine learning

可解釋機(jī)器學(xué)習(xí)揭示瞳孔相關(guān)知覺(jué)背后的皮層活動(dòng)

T. Komori, S. Mizusaki, S. Tomita, N. Yoneda, O. Matoba, M. Morita

https://www.biorxiv.org/content/10.64898/2026.05.27.726399v1

背景：瞳孔相關(guān)覺(jué)醒信號(hào)如何與感覺(jué)加工、注意狀態(tài)或認(rèn)知努力相聯(lián)系，以及這些信號(hào)在動(dòng)態(tài)環(huán)境中是否仍然可靠。 這使它不僅是一個(gè)單純的技術(shù)或現(xiàn)象描述，而是直接服務(wù)于AI 模型、腦信號(hào)解碼和腦機(jī)接口應(yīng)用這一類認(rèn)知神經(jīng)科學(xué)問(wèn)題。

方法：作者采用鈣成像或?qū)拡?chǎng)成像用于觀察群體神經(jīng)活動(dòng)；瞳孔測(cè)量用于刻畫(huà)覺(jué)醒、努力或狀態(tài)變化；機(jī)器學(xué)習(xí)/神經(jīng)網(wǎng)絡(luò)模型用于預(yù)測(cè)、解碼或比較表征；數(shù)據(jù)集、管線或工具評(píng)估用于檢驗(yàn)可復(fù)現(xiàn)性和適用范圍；小鼠實(shí)驗(yàn)用于連接行為、環(huán)路和神經(jīng)活動(dòng)。這些方法共同服務(wù)于一個(gè)目標(biāo)：把題名中的心理過(guò)程與可測(cè)量的行為、腦活動(dòng)或模型變量對(duì)應(yīng)起來(lái)。

結(jié)果：作者報(bào)告，瞳孔相關(guān)活動(dòng)可預(yù)測(cè)感覺(jué)或認(rèn)知狀態(tài)，但其解釋需要區(qū)分亮度、運(yùn)動(dòng)、努力和覺(jué)醒等因素；校正后瞳孔指標(biāo)在動(dòng)態(tài)環(huán)境中更可靠。

價(jià)值：為評(píng)估 AI 方法在腦與行為解碼、神經(jīng)表征建模和 BCI 控制中的實(shí)際價(jià)值提供了參考。 這篇的具體價(jià)值在于把清晰的任務(wù)或數(shù)據(jù)指標(biāo)與神經(jīng)/行為解釋聯(lián)系起來(lái)，便于讀者判斷該結(jié)果能否遷移到自己的實(shí)驗(yàn)設(shè)計(jì)、分析管線或理論問(wèn)題中。

04

bioRxiv · 2026-05-29

Investigating sensorimotor beta burst dynamics as a robust biomarker for graded force modulation in humans

感覺(jué)運(yùn)動(dòng) β 爆發(fā)可作為人類分級(jí)用力調(diào)節(jié)的穩(wěn)健標(biāo)記

Md Shaheen Perwez, James J. Bonaiuto, Bhivraj Suthar, Vignesh Muralidharan

https://www.biorxiv.org/content/10.64898/2026.05.07.723396v3

背景：哪些神經(jīng)信號(hào)可以作為腦機(jī)接口或神經(jīng)解碼的穩(wěn)定特征，并支持更精細(xì)的運(yùn)動(dòng)、語(yǔ)音或情緒狀態(tài)識(shí)別。 這使它不僅是一個(gè)單純的技術(shù)或現(xiàn)象描述，而是直接服務(wù)于AI 模型、腦信號(hào)解碼和腦機(jī)接口應(yīng)用這一類認(rèn)知神經(jīng)科學(xué)問(wèn)題。

方法：作者采用EEG 用于分析毫秒級(jí)腦電動(dòng)態(tài)；機(jī)器學(xué)習(xí)/神經(jīng)網(wǎng)絡(luò)模型用于預(yù)測(cè)、解碼或比較表征；人類參與者或患者數(shù)據(jù)用于檢驗(yàn)個(gè)體差異和實(shí)際行為表現(xiàn)。這些方法共同服務(wù)于一個(gè)目標(biāo)：把題名中的心理過(guò)程與可測(cè)量的行為、腦活動(dòng)或模型變量對(duì)應(yīng)起來(lái)。

結(jié)果：作者報(bào)告，視網(wǎng)膜群體編碼會(huì)隨視覺(jué)輸入的時(shí)間統(tǒng)計(jì)結(jié)構(gòu)改變，預(yù)測(cè)未來(lái)運(yùn)動(dòng)的時(shí)間窗也會(huì)相應(yīng)調(diào)整，說(shuō)明早期視覺(jué)系統(tǒng)具有靈活的預(yù)測(cè)編碼能力。

價(jià)值：為評(píng)估 AI 方法在腦與行為解碼、神經(jīng)表征建模和 BCI 控制中的實(shí)際價(jià)值提供了參考。 這篇的具體價(jià)值在于把清晰的任務(wù)或數(shù)據(jù)指標(biāo)與神經(jīng)/行為解釋聯(lián)系起來(lái)，便于讀者判斷該結(jié)果能否遷移到自己的實(shí)驗(yàn)設(shè)計(jì)、分析管線或理論問(wèn)題中。

05

bioRxiv · 2026-06-01

Decoding Cognitive States from fMRI Using Classical Machine Learning and Temporal Dynamics Analysis: An Interpretable Approach Using the Human Connectome Project

用經(jīng)典機(jī)器學(xué)習(xí)和時(shí)間動(dòng)態(tài)分析解碼人類連接組功能磁共振認(rèn)知狀態(tài)

Valeriya Kirova, Dzerassa Kadieva, Daniil Vlasenko, Fedor Ratnikov, Isak B. Blank

https://www.biorxiv.org/content/10.64898/2026.05.29.728756v1

背景：學(xué)習(xí)過(guò)程中的預(yù)測(cè)、獎(jiǎng)勵(lì)、誤差和行為調(diào)整如何被不同腦區(qū)編碼，并如何隨經(jīng)驗(yàn)更新。 這使它不僅是一個(gè)單純的技術(shù)或現(xiàn)象描述，而是直接服務(wù)于AI 模型、腦信號(hào)解碼和腦機(jī)接口應(yīng)用這一類認(rèn)知神經(jīng)科學(xué)問(wèn)題。

方法：作者采用fMRI/BOLD 信號(hào)用于定位或比較腦區(qū)活動(dòng)；機(jī)器學(xué)習(xí)/神經(jīng)網(wǎng)絡(luò)模型用于預(yù)測(cè)、解碼或比較表征；數(shù)據(jù)集、管線或工具評(píng)估用于檢驗(yàn)可復(fù)現(xiàn)性和適用范圍；人類參與者或患者數(shù)據(jù)用于檢驗(yàn)個(gè)體差異和實(shí)際行為表現(xiàn)。這些方法共同服務(wù)于一個(gè)目標(biāo)：把題名中的心理過(guò)程與可測(cè)量的行為、腦活動(dòng)或模型變量對(duì)應(yīng)起來(lái)。

結(jié)果：作者報(bào)告，經(jīng)典機(jī)器學(xué)習(xí)結(jié)合時(shí)間動(dòng)態(tài)分析可以從 HCP fMRI 數(shù)據(jù)中解碼認(rèn)知狀態(tài)，并提高模型可解釋性。

價(jià)值：為評(píng)估 AI 方法在腦與行為解碼、神經(jīng)表征建模和 BCI 控制中的實(shí)際價(jià)值提供了參考。 這篇的具體價(jià)值在于把清晰的任務(wù)或數(shù)據(jù)指標(biāo)與神經(jīng)/行為解釋聯(lián)系起來(lái)，便于讀者判斷該結(jié)果能否遷移到自己的實(shí)驗(yàn)設(shè)計(jì)、分析管線或理論問(wèn)題中。

06

bioRxiv · 2026-05-27

Deep learning-based decoding of axonal ultrastructure in gene-edited mice using electron microscopy imaging

深度學(xué)習(xí)如何從電鏡圖像解碼基因編輯小鼠軸突超微結(jié)構(gòu)

Nianqi Deng, Guillaume Miao, Anmar Khadra, Alan Peterson, Hooman Bagheri

https://www.biorxiv.org/content/10.64898/2026.05.26.727755v1

背景：學(xué)習(xí)過(guò)程中的預(yù)測(cè)、獎(jiǎng)勵(lì)、誤差和行為調(diào)整如何被不同腦區(qū)編碼，并如何隨經(jīng)驗(yàn)更新。 這使它不僅是一個(gè)單純的技術(shù)或現(xiàn)象描述，而是直接服務(wù)于AI 模型、腦信號(hào)解碼和腦機(jī)接口應(yīng)用這一類認(rèn)知神經(jīng)科學(xué)問(wèn)題。

方法：作者采用顱內(nèi)記錄用于獲得高時(shí)間分辨率神經(jīng)信號(hào)；機(jī)器學(xué)習(xí)/神經(jīng)網(wǎng)絡(luò)模型用于預(yù)測(cè)、解碼或比較表征；數(shù)據(jù)集、管線或工具評(píng)估用于檢驗(yàn)可復(fù)現(xiàn)性和適用范圍；小鼠實(shí)驗(yàn)用于連接行為、環(huán)路和神經(jīng)活動(dòng)。這些方法共同服務(wù)于一個(gè)目標(biāo)：把題名中的心理過(guò)程與可測(cè)量的行為、腦活動(dòng)或模型變量對(duì)應(yīng)起來(lái)。

結(jié)果：作者報(bào)告，深度學(xué)習(xí)可從電子顯微圖像中解碼軸突超微結(jié)構(gòu)，為連接微觀結(jié)構(gòu)和神經(jīng)功能提供自動(dòng)化工具。

價(jià)值：為評(píng)估 AI 方法在腦與行為解碼、神經(jīng)表征建模和 BCI 控制中的實(shí)際價(jià)值提供了參考。 這篇的具體價(jià)值在于把清晰的任務(wù)或數(shù)據(jù)指標(biāo)與神經(jīng)/行為解釋聯(lián)系起來(lái)，便于讀者判斷該結(jié)果能否遷移到自己的實(shí)驗(yàn)設(shè)計(jì)、分析管線或理論問(wèn)題中。

07

bioRxiv · 2026-06-01

Neural networks learn forward dynamics when freed from numerical integration

擺脫數(shù)值積分后神經(jīng)網(wǎng)絡(luò)也能學(xué)習(xí)前向動(dòng)力學(xué)

Serhii Bahdasariants, Sergiy Yakovenko

https://www.biorxiv.org/content/10.64898/2026.05.27.728310v1

背景：機(jī)器學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)模型能否從腦信號(hào)、行為數(shù)據(jù)或刺激特征中可靠解碼認(rèn)知狀態(tài)，并說(shuō)明模型與人腦表征的相似和差異。 這使它不僅是一個(gè)單純的技術(shù)或現(xiàn)象描述，而是直接服務(wù)于AI 模型、腦信號(hào)解碼和腦機(jī)接口應(yīng)用這一類認(rèn)知神經(jīng)科學(xué)問(wèn)題。

方法：作者采用機(jī)器學(xué)習(xí)/神經(jīng)網(wǎng)絡(luò)模型用于預(yù)測(cè)、解碼或比較表征。這些方法共同服務(wù)于一個(gè)目標(biāo)：把題名中的心理過(guò)程與可測(cè)量的行為、腦活動(dòng)或模型變量對(duì)應(yīng)起來(lái)。

結(jié)果：作者報(bào)告，視網(wǎng)膜群體編碼會(huì)隨視覺(jué)輸入的時(shí)間統(tǒng)計(jì)結(jié)構(gòu)改變，預(yù)測(cè)未來(lái)運(yùn)動(dòng)的時(shí)間窗也會(huì)相應(yīng)調(diào)整，說(shuō)明早期視覺(jué)系統(tǒng)具有靈活的預(yù)測(cè)編碼能力。

價(jià)值：為評(píng)估 AI 方法在腦與行為解碼、神經(jīng)表征建模和 BCI 控制中的實(shí)際價(jià)值提供了參考。 這篇的具體價(jià)值在于把清晰的任務(wù)或數(shù)據(jù)指標(biāo)與神經(jīng)/行為解釋聯(lián)系起來(lái)，便于讀者判斷該結(jié)果能否遷移到自己的實(shí)驗(yàn)設(shè)計(jì)、分析管線或理論問(wèn)題中。

08

bioRxiv · 2026-05-27

Decoding the neural stages from action and object recognition to mentalizing

從動(dòng)作和物體識(shí)別到心理化的神經(jīng)階段解碼

Moritz F. Wurm, Seoyoung Lee

https://www.biorxiv.org/content/10.1101/2025.11.25.690412v2

背景：機(jī)器學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)模型能否從腦信號(hào)、行為數(shù)據(jù)或刺激特征中可靠解碼認(rèn)知狀態(tài)，并說(shuō)明模型與人腦表征的相似和差異。 這使它不僅是一個(gè)單純的技術(shù)或現(xiàn)象描述，而是直接服務(wù)于AI 模型、腦信號(hào)解碼和腦機(jī)接口應(yīng)用這一類認(rèn)知神經(jīng)科學(xué)問(wèn)題。

方法：作者采用fMRI/BOLD 信號(hào)用于定位或比較腦區(qū)活動(dòng)；顱內(nèi)記錄用于獲得高時(shí)間分辨率神經(jīng)信號(hào)；機(jī)器學(xué)習(xí)/神經(jīng)網(wǎng)絡(luò)模型用于預(yù)測(cè)、解碼或比較表征；人類參與者或患者數(shù)據(jù)用于檢驗(yàn)個(gè)體差異和實(shí)際行為表現(xiàn)。這些方法共同服務(wù)于一個(gè)目標(biāo)：把題名中的心理過(guò)程與可測(cè)量的行為、腦活動(dòng)或模型變量對(duì)應(yīng)起來(lái)。

結(jié)果：作者報(bào)告，動(dòng)作和物體識(shí)別到心理化加工可被分解為不同神經(jīng)階段，說(shuō)明社會(huì)認(rèn)知解碼需要區(qū)分低層識(shí)別和高層推斷。

價(jià)值：為評(píng)估 AI 方法在腦與行為解碼、神經(jīng)表征建模和 BCI 控制中的實(shí)際價(jià)值提供了參考。 這篇的具體價(jià)值在于把清晰的任務(wù)或數(shù)據(jù)指標(biāo)與神經(jīng)/行為解釋聯(lián)系起來(lái)，便于讀者判斷該結(jié)果能否遷移到自己的實(shí)驗(yàn)設(shè)計(jì)、分析管線或理論問(wèn)題中。

09

bioRxiv · 2026-06-08

Motor Resonance of Musical Emotion: A Machine Learning Approach to EEG Decoding During Expressive Music Performance

音樂(lè)情緒中的運(yùn)動(dòng)共振可由腦電機(jī)器學(xué)習(xí)解碼

Alice M. Proverbio, milos milovanovic

https://www.biorxiv.org/content/10.64898/2026.06.04.730044v1

背景：學(xué)習(xí)過(guò)程中的預(yù)測(cè)、獎(jiǎng)勵(lì)、誤差和行為調(diào)整如何被不同腦區(qū)編碼，并如何隨經(jīng)驗(yàn)更新。 這使它不僅是一個(gè)單純的技術(shù)或現(xiàn)象描述，而是直接服務(wù)于AI 模型、腦信號(hào)解碼和腦機(jī)接口應(yīng)用這一類認(rèn)知神經(jīng)科學(xué)問(wèn)題。

方法：作者采用EEG 用于分析毫秒級(jí)腦電動(dòng)態(tài)；機(jī)器學(xué)習(xí)/神經(jīng)網(wǎng)絡(luò)模型用于預(yù)測(cè)、解碼或比較表征；數(shù)據(jù)集、管線或工具評(píng)估用于檢驗(yàn)可復(fù)現(xiàn)性和適用范圍。這些方法共同服務(wù)于一個(gè)目標(biāo)：把題名中的心理過(guò)程與可測(cè)量的行為、腦活動(dòng)或模型變量對(duì)應(yīng)起來(lái)。

結(jié)果：作者報(bào)告，高度逼真的人臉刺激揭示了情緒知覺(jué)的多簇結(jié)構(gòu)，說(shuō)明強(qiáng)迫選擇標(biāo)簽可能掩蓋了人們對(duì)情緒面孔的連續(xù)和分群表征。

價(jià)值：為評(píng)估 AI 方法在腦與行為解碼、神經(jīng)表征建模和 BCI 控制中的實(shí)際價(jià)值提供了參考。 這篇的具體價(jià)值在于把清晰的任務(wù)或數(shù)據(jù)指標(biāo)與神經(jīng)/行為解釋聯(lián)系起來(lái)，便于讀者判斷該結(jié)果能否遷移到自己的實(shí)驗(yàn)設(shè)計(jì)、分析管線或理論問(wèn)題中。

10

bioRxiv · 2026-06-04

Non-saturating dimensionality, contextual dependence, and the limits of unsupervised decoding in motor cortex

運(yùn)動(dòng)皮層無(wú)監(jiān)督解碼為何受到高維度和情境依賴限制

Michael P Silvernagel, Alice Y Tor, Elizabeth J Jun, Stephen E Clarke, Robert Sutherland, Kenji Marshall, Yuxin Wu, Muh…

https://www.biorxiv.org/content/10.64898/2026.01.26.701668v2

背景：機(jī)器學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)模型能否從腦信號(hào)、行為數(shù)據(jù)或刺激特征中可靠解碼認(rèn)知狀態(tài)，并說(shuō)明模型與人腦表征的相似和差異。 這使它不僅是一個(gè)單純的技術(shù)或現(xiàn)象描述，而是直接服務(wù)于AI 模型、腦信號(hào)解碼和腦機(jī)接口應(yīng)用這一類認(rèn)知神經(jīng)科學(xué)問(wèn)題。

方法：作者采用機(jī)器學(xué)習(xí)/神經(jīng)網(wǎng)絡(luò)模型用于預(yù)測(cè)、解碼或比較表征。這些方法共同服務(wù)于一個(gè)目標(biāo)：把題名中的心理過(guò)程與可測(cè)量的行為、腦活動(dòng)或模型變量對(duì)應(yīng)起來(lái)。

結(jié)果：作者報(bào)告，結(jié)果圍繞模型如何從腦信號(hào)中解碼認(rèn)知或行為狀態(tài)展開(kāi)，顯示相關(guān)行為表現(xiàn)、神經(jīng)信號(hào)或模型指標(biāo)之間存在可解釋的聯(lián)系；這些發(fā)現(xiàn)為該方向提供了新的可檢驗(yàn)假設(shè)。

價(jià)值：為評(píng)估 AI 方法在腦與行為解碼、神經(jīng)表征建模和 BCI 控制中的實(shí)際價(jià)值提供了參考。 這篇的具體價(jià)值在于把清晰的任務(wù)或數(shù)據(jù)指標(biāo)與神經(jīng)/行為解釋聯(lián)系起來(lái)，便于讀者判斷該結(jié)果能否遷移到自己的實(shí)驗(yàn)設(shè)計(jì)、分析管線或理論問(wèn)題中。

11

bioRxiv · 2026-06-05

Equivalent volitional learning emerges through circuit-specific population dynamics in motor cortex and hippocampus

運(yùn)動(dòng)皮層和海馬的環(huán)路特異群體動(dòng)態(tài)可產(chǎn)生等價(jià)意志學(xué)習(xí)

Andres de Vicente, Catalin Mitelut, Renan Viana Mendes, Lorenzo Marianelli, Mariona Colomer Rosell, David Bruckner, Gia…

https://www.biorxiv.org/content/10.64898/2026.06.04.730137v1

背景：記憶相關(guān)神經(jīng)元和海馬環(huán)路如何在學(xué)習(xí)前后改變活動(dòng)結(jié)構(gòu)，并支持記憶形成、檢索或恐懼/空間行為。 這使它不僅是一個(gè)單純的技術(shù)或現(xiàn)象描述，而是直接服務(wù)于AI 模型、腦信號(hào)解碼和腦機(jī)接口應(yīng)用這一類認(rèn)知神經(jīng)科學(xué)問(wèn)題。

方法：作者采用小鼠實(shí)驗(yàn)用于連接行為、環(huán)路和神經(jīng)活動(dòng)。這些方法共同服務(wù)于一個(gè)目標(biāo)：把題名中的心理過(guò)程與可測(cè)量的行為、腦活動(dòng)或模型變量對(duì)應(yīng)起來(lái)。

結(jié)果：作者報(bào)告，作者提出用復(fù)雜系統(tǒng)框架研究沉浸體驗(yàn)，把媒體刺激、主觀體驗(yàn)和腦動(dòng)態(tài)放在同一分析框架中。

價(jià)值：為評(píng)估 AI 方法在腦與行為解碼、神經(jīng)表征建模和 BCI 控制中的實(shí)際價(jià)值提供了參考。 這篇的具體價(jià)值在于把清晰的任務(wù)或數(shù)據(jù)指標(biāo)與神經(jīng)/行為解釋聯(lián)系起來(lái)，便于讀者判斷該結(jié)果能否遷移到自己的實(shí)驗(yàn)設(shè)計(jì)、分析管線或理論問(wèn)題中。

12

bioRxiv · 2026-06-04

Precise calcium-to-spike inference using biophysical generative models

生物物理生成模型可精準(zhǔn)推斷鈣信號(hào)背后的放電

Gerard Joey Broussard, Giovanni Diana, Francisco J Urra Quiroz, Berat Semichan Sermet, Nelson Rebola, Sanjeev Janarthan…

https://www.biorxiv.org/content/10.1101/2024.12.31.630967v3

背景：這篇論文要回答的是：AI心理學(xué)、腦機(jī)接口中的核心機(jī)制問(wèn)題如何被測(cè)量、建模或解釋，以及相關(guān)證據(jù)能否支持更清晰的心理和神經(jīng)機(jī)制。 這使它不僅是一個(gè)單純的技術(shù)或現(xiàn)象描述，而是直接服務(wù)于AI 模型、腦信號(hào)解碼和腦機(jī)接口應(yīng)用這一類認(rèn)知神經(jīng)科學(xué)問(wèn)題。

方法：作者采用鈣成像或?qū)拡?chǎng)成像用于觀察群體神經(jīng)活動(dòng)；機(jī)器學(xué)習(xí)/神經(jīng)網(wǎng)絡(luò)模型用于預(yù)測(cè)、解碼或比較表征；數(shù)據(jù)集、管線或工具評(píng)估用于檢驗(yàn)可復(fù)現(xiàn)性和適用范圍。這些方法共同服務(wù)于一個(gè)目標(biāo)：把題名中的心理過(guò)程與可測(cè)量的行為、腦活動(dòng)或模型變量對(duì)應(yīng)起來(lái)。

結(jié)果：作者報(bào)告，作者提出用復(fù)雜系統(tǒng)框架研究沉浸體驗(yàn)，把媒體刺激、主觀體驗(yàn)和腦動(dòng)態(tài)放在同一分析框架中。

價(jià)值：為評(píng)估 AI 方法在腦與行為解碼、神經(jīng)表征建模和 BCI 控制中的實(shí)際價(jià)值提供了參考。 這篇的具體價(jià)值在于把清晰的任務(wù)或數(shù)據(jù)指標(biāo)與神經(jīng)/行為解釋聯(lián)系起來(lái)，便于讀者判斷該結(jié)果能否遷移到自己的實(shí)驗(yàn)設(shè)計(jì)、分析管線或理論問(wèn)題中。

13

bioRxiv · 2026-05-26

AI-based Psychiatric Prediction in Youth: Neuroimaging Provides Minimal Gains Beyond Confounds

青少年精神預(yù)測(cè)中神經(jīng)影像相對(duì)混雜變量提供的信息有限

Sam Gijsen, Ammar Ibrahim, Marija Tochadse, Kerstin Ritter

https://www.biorxiv.org/content/10.64898/2026.05.22.727174v1

背景：學(xué)習(xí)過(guò)程中的預(yù)測(cè)、獎(jiǎng)勵(lì)、誤差和行為調(diào)整如何被不同腦區(qū)編碼，并如何隨經(jīng)驗(yàn)更新。 這使它不僅是一個(gè)單純的技術(shù)或現(xiàn)象描述，而是直接服務(wù)于AI 模型、腦信號(hào)解碼和腦機(jī)接口應(yīng)用這一類認(rèn)知神經(jīng)科學(xué)問(wèn)題。

方法：作者采用fMRI/BOLD 信號(hào)用于定位或比較腦區(qū)活動(dòng)；EEG 用于分析毫秒級(jí)腦電動(dòng)態(tài)；機(jī)器學(xué)習(xí)/神經(jīng)網(wǎng)絡(luò)模型用于預(yù)測(cè)、解碼或比較表征。這些方法共同服務(wù)于一個(gè)目標(biāo)：把題名中的心理過(guò)程與可測(cè)量的行為、腦活動(dòng)或模型變量對(duì)應(yīng)起來(lái)。

結(jié)果：作者報(bào)告，視網(wǎng)膜群體編碼會(huì)隨視覺(jué)輸入的時(shí)間統(tǒng)計(jì)結(jié)構(gòu)改變，預(yù)測(cè)未來(lái)運(yùn)動(dòng)的時(shí)間窗也會(huì)相應(yīng)調(diào)整，說(shuō)明早期視覺(jué)系統(tǒng)具有靈活的預(yù)測(cè)編碼能力。

價(jià)值：為評(píng)估 AI 方法在腦與行為解碼、神經(jīng)表征建模和 BCI 控制中的實(shí)際價(jià)值提供了參考。 這篇的具體價(jià)值在于把清晰的任務(wù)或數(shù)據(jù)指標(biāo)與神經(jīng)/行為解釋聯(lián)系起來(lái)，便于讀者判斷該結(jié)果能否遷移到自己的實(shí)驗(yàn)設(shè)計(jì)、分析管線或理論問(wèn)題中。

14

bioRxiv · 2026-06-02

Category selectivity observed in the human brain is distinct from category selectivity observed in artificial neural networks

人腦類別選擇性不同于人工神經(jīng)網(wǎng)絡(luò)類別選擇性

Alish Dipani, N. Apurva Ratan Murty

https://www.biorxiv.org/content/10.64898/2026.05.29.728609v1

背景：機(jī)器學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)模型能否從腦信號(hào)、行為數(shù)據(jù)或刺激特征中可靠解碼認(rèn)知狀態(tài)，并說(shuō)明模型與人腦表征的相似和差異。 這使它不僅是一個(gè)單純的技術(shù)或現(xiàn)象描述，而是直接服務(wù)于AI 模型、腦信號(hào)解碼和腦機(jī)接口應(yīng)用這一類認(rèn)知神經(jīng)科學(xué)問(wèn)題。

方法：作者采用fMRI/BOLD 信號(hào)用于定位或比較腦區(qū)活動(dòng)；機(jī)器學(xué)習(xí)/神經(jīng)網(wǎng)絡(luò)模型用于預(yù)測(cè)、解碼或比較表征。這些方法共同服務(wù)于一個(gè)目標(biāo)：把題名中的心理過(guò)程與可測(cè)量的行為、腦活動(dòng)或模型變量對(duì)應(yīng)起來(lái)。

結(jié)果：作者報(bào)告，人腦中的類別選擇性與人工神經(jīng)網(wǎng)絡(luò)中的類別選擇性并不完全相同，提醒研究者不能把模型相似性直接等同于腦機(jī)制。

價(jià)值：為評(píng)估 AI 方法在腦與行為解碼、神經(jīng)表征建模和 BCI 控制中的實(shí)際價(jià)值提供了參考。 這篇的具體價(jià)值在于把清晰的任務(wù)或數(shù)據(jù)指標(biāo)與神經(jīng)/行為解釋聯(lián)系起來(lái)，便于讀者判斷該結(jié)果能否遷移到自己的實(shí)驗(yàn)設(shè)計(jì)、分析管線或理論問(wèn)題中。

15

bioRxiv · 2026-05-27

Deep Representation Learning on Whole-Brain Population Dynamics Uncovers Geometrically Separable Neural Codes

全腦群體動(dòng)態(tài)的深度表征學(xué)習(xí)揭示可分離神經(jīng)代碼

Amina Abdelbaki, Paul Bandow, Karen Y. Cheng, Ilona C. Grunwald Kadow, Martin Paul Nawrot, Vahid Rostami

https://www.biorxiv.org/content/10.64898/2026.05.12.724368v3

背景：學(xué)習(xí)過(guò)程中的預(yù)測(cè)、獎(jiǎng)勵(lì)、誤差和行為調(diào)整如何被不同腦區(qū)編碼，并如何隨經(jīng)驗(yàn)更新。 這使它不僅是一個(gè)單純的技術(shù)或現(xiàn)象描述，而是直接服務(wù)于AI 模型、腦信號(hào)解碼和腦機(jī)接口應(yīng)用這一類認(rèn)知神經(jīng)科學(xué)問(wèn)題。

方法：作者采用鈣成像或?qū)拡?chǎng)成像用于觀察群體神經(jīng)活動(dòng)；機(jī)器學(xué)習(xí)/神經(jīng)網(wǎng)絡(luò)模型用于預(yù)測(cè)、解碼或比較表征；數(shù)據(jù)集、管線或工具評(píng)估用于檢驗(yàn)可復(fù)現(xiàn)性和適用范圍。這些方法共同服務(wù)于一個(gè)目標(biāo)：把題名中的心理過(guò)程與可測(cè)量的行為、腦活動(dòng)或模型變量對(duì)應(yīng)起來(lái)。

結(jié)果：作者報(bào)告，結(jié)果圍繞學(xué)習(xí)經(jīng)驗(yàn)如何改變腦活動(dòng)和行為展開(kāi)，顯示相關(guān)行為表現(xiàn)、神經(jīng)信號(hào)或模型指標(biāo)之間存在可解釋的聯(lián)系；這些發(fā)現(xiàn)為該方向提供了新的可檢驗(yàn)假設(shè)。

價(jià)值：為評(píng)估 AI 方法在腦與行為解碼、神經(jīng)表征建模和 BCI 控制中的實(shí)際價(jià)值提供了參考。 這篇的具體價(jià)值在于把清晰的任務(wù)或數(shù)據(jù)指標(biāo)與神經(jīng)/行為解釋聯(lián)系起來(lái)，便于讀者判斷該結(jié)果能否遷移到自己的實(shí)驗(yàn)設(shè)計(jì)、分析管線或理論問(wèn)題中。

16

bioRxiv · 2026-06-08

Scene Structure Predicts Perceptual Decisions in Naturalistic Detection Tasks

自然場(chǎng)景結(jié)構(gòu)如何預(yù)判目標(biāo)是否被看見(jiàn)

Jun Yang, Tiziana Vercillo, Teresa Emma Cutrona, Simone Azeglio, Giandomenico Iannetti, Peter Neri

https://www.biorxiv.org/content/10.64898/2026.06.03.729800v1

背景：自然場(chǎng)景的整體結(jié)構(gòu)是否會(huì)影響近閾限目標(biāo)的知覺(jué)判斷，以及這種影響是否能在行為、模型和腦電信號(hào)中同時(shí)看到。 這使它不僅是一個(gè)單純的技術(shù)或現(xiàn)象描述，而是直接服務(wù)于AI 模型、腦信號(hào)解碼和腦機(jī)接口應(yīng)用這一類認(rèn)知神經(jīng)科學(xué)問(wèn)題。

方法：作者采用心理物理任務(wù)用于測(cè)量知覺(jué)或行為判斷；EEG 用于分析毫秒級(jí)腦電動(dòng)態(tài)；機(jī)器學(xué)習(xí)/神經(jīng)網(wǎng)絡(luò)模型用于預(yù)測(cè)、解碼或比較表征；數(shù)據(jù)集、管線或工具評(píng)估用于檢驗(yàn)可復(fù)現(xiàn)性和適用范圍。這些方法共同服務(wù)于一個(gè)目標(biāo)：把題名中的心理過(guò)程與可測(cè)量的行為、腦活動(dòng)或模型變量對(duì)應(yīng)起來(lái)。

結(jié)果：作者報(bào)告，自然場(chǎng)景背景本身會(huì)系統(tǒng)性影響目標(biāo)是否被正確探測(cè)；即使沒(méi)有目標(biāo)，場(chǎng)景結(jié)構(gòu)也能預(yù)測(cè)部分行為結(jié)果，并與深度模型和 EEG 證據(jù)相互印證。

價(jià)值：為評(píng)估 AI 方法在腦與行為解碼、神經(jīng)表征建模和 BCI 控制中的實(shí)際價(jià)值提供了參考。 這篇的具體價(jià)值在于把清晰的任務(wù)或數(shù)據(jù)指標(biāo)與神經(jīng)/行為解釋聯(lián)系起來(lái)，便于讀者判斷該結(jié)果能否遷移到自己的實(shí)驗(yàn)設(shè)計(jì)、分析管線或理論問(wèn)題中。

17

bioRxiv · 2026-06-08

Comparative Evaluation of Deep Generative Models for Capturing Topological Features in Brain Structural Connectivity

深度生成模型捕捉腦結(jié)構(gòu)連接拓?fù)涮卣鞯谋容^評(píng)估

Chisato Kumada, Tomoyuki Hiroyasu, Satoru Hiwa

https://www.biorxiv.org/content/10.64898/2026.06.03.729714v1

背景：機(jī)器學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)模型能否從腦信號(hào)、行為數(shù)據(jù)或刺激特征中可靠解碼認(rèn)知狀態(tài)，并說(shuō)明模型與人腦表征的相似和差異。 這使它不僅是一個(gè)單純的技術(shù)或現(xiàn)象描述，而是直接服務(wù)于AI 模型、腦信號(hào)解碼和腦機(jī)接口應(yīng)用這一類認(rèn)知神經(jīng)科學(xué)問(wèn)題。

方法：作者采用機(jī)器學(xué)習(xí)/神經(jīng)網(wǎng)絡(luò)模型用于預(yù)測(cè)、解碼或比較表征；數(shù)據(jù)集、管線或工具評(píng)估用于檢驗(yàn)可復(fù)現(xiàn)性和適用范圍。這些方法共同服務(wù)于一個(gè)目標(biāo)：把題名中的心理過(guò)程與可測(cè)量的行為、腦活動(dòng)或模型變量對(duì)應(yīng)起來(lái)。

結(jié)果：作者報(bào)告，結(jié)果圍繞模型如何從腦信號(hào)中解碼認(rèn)知或行為狀態(tài)展開(kāi)，顯示相關(guān)行為表現(xiàn)、神經(jīng)信號(hào)或模型指標(biāo)之間存在可解釋的聯(lián)系；這些發(fā)現(xiàn)為該方向提供了新的可檢驗(yàn)假設(shè)。

價(jià)值：為評(píng)估 AI 方法在腦與行為解碼、神經(jīng)表征建模和 BCI 控制中的實(shí)際價(jià)值提供了參考。 這篇的具體價(jià)值在于把清晰的任務(wù)或數(shù)據(jù)指標(biāo)與神經(jīng)/行為解釋聯(lián)系起來(lái)，便于讀者判斷該結(jié)果能否遷移到自己的實(shí)驗(yàn)設(shè)計(jì)、分析管線或理論問(wèn)題中。

18

bioRxiv · 2026-06-06

A layer-resolved diagnostic identifies bias-driven decisions in deep neural networks

分層診斷可識(shí)別深度神經(jīng)網(wǎng)絡(luò)中的偏置驅(qū)動(dòng)決策

Johan Nakuci

https://www.biorxiv.org/content/10.1101/2025.09.16.676625v6

背景：機(jī)器學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)模型能否從腦信號(hào)、行為數(shù)據(jù)或刺激特征中可靠解碼認(rèn)知狀態(tài)，并說(shuō)明模型與人腦表征的相似和差異。 這使它不僅是一個(gè)單純的技術(shù)或現(xiàn)象描述，而是直接服務(wù)于AI 模型、腦信號(hào)解碼和腦機(jī)接口應(yīng)用這一類認(rèn)知神經(jīng)科學(xué)問(wèn)題。

方法：作者采用機(jī)器學(xué)習(xí)/神經(jīng)網(wǎng)絡(luò)模型用于預(yù)測(cè)、解碼或比較表征。這些方法共同服務(wù)于一個(gè)目標(biāo)：把題名中的心理過(guò)程與可測(cè)量的行為、腦活動(dòng)或模型變量對(duì)應(yīng)起來(lái)。

結(jié)果：作者報(bào)告，結(jié)果圍繞模型如何從腦信號(hào)中解碼認(rèn)知或行為狀態(tài)展開(kāi)，顯示相關(guān)行為表現(xiàn)、神經(jīng)信號(hào)或模型指標(biāo)之間存在可解釋的聯(lián)系；這些發(fā)現(xiàn)為該方向提供了新的可檢驗(yàn)假設(shè)。

價(jià)值：為評(píng)估 AI 方法在腦與行為解碼、神經(jīng)表征建模和 BCI 控制中的實(shí)際價(jià)值提供了參考。 這篇的具體價(jià)值在于把清晰的任務(wù)或數(shù)據(jù)指標(biāo)與神經(jīng)/行為解釋聯(lián)系起來(lái)，便于讀者判斷該結(jié)果能否遷移到自己的實(shí)驗(yàn)設(shè)計(jì)、分析管線或理論問(wèn)題中。

19

bioRxiv · 2026-06-03

Spatiotemporal Decoding of Explore-Exploit Decisions in the Human Brain

人腦探索-利用決策的時(shí)空解碼

Rohit Yadav, John D. Romero, Julia M. Stephen, Jon M. Houck, James F. Cavanagh, Vincent D. Costa, Jeremy Hogeveen

https://www.biorxiv.org/content/10.64898/2026.06.01.729427v1

背景：機(jī)器學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)模型能否從腦信號(hào)、行為數(shù)據(jù)或刺激特征中可靠解碼認(rèn)知狀態(tài)，并說(shuō)明模型與人腦表征的相似和差異。 這使它不僅是一個(gè)單純的技術(shù)或現(xiàn)象描述，而是直接服務(wù)于AI 模型、腦信號(hào)解碼和腦機(jī)接口應(yīng)用這一類認(rèn)知神經(jīng)科學(xué)問(wèn)題。

方法：作者采用MEG 用于追蹤皮層活動(dòng)的時(shí)空過(guò)程；機(jī)器學(xué)習(xí)/神經(jīng)網(wǎng)絡(luò)模型用于預(yù)測(cè)、解碼或比較表征。這些方法共同服務(wù)于一個(gè)目標(biāo)：把題名中的心理過(guò)程與可測(cè)量的行為、腦活動(dòng)或模型變量對(duì)應(yīng)起來(lái)。

結(jié)果：作者報(bào)告，結(jié)果圍繞模型如何從腦信號(hào)中解碼認(rèn)知或行為狀態(tài)展開(kāi)，顯示相關(guān)行為表現(xiàn)、神經(jīng)信號(hào)或模型指標(biāo)之間存在可解釋的聯(lián)系；這些發(fā)現(xiàn)為該方向提供了新的可檢驗(yàn)假設(shè)。

價(jià)值：為評(píng)估 AI 方法在腦與行為解碼、神經(jīng)表征建模和 BCI 控制中的實(shí)際價(jià)值提供了參考。 這篇的具體價(jià)值在于把清晰的任務(wù)或數(shù)據(jù)指標(biāo)與神經(jīng)/行為解釋聯(lián)系起來(lái)，便于讀者判斷該結(jié)果能否遷移到自己的實(shí)驗(yàn)設(shè)計(jì)、分析管線或理論問(wèn)題中。

20

bioRxiv · 2026-05-27

Decoding how optimism-pessimism bias dynamically shapes risk-taking behavior

解碼樂(lè)觀和悲觀偏差如何動(dòng)態(tài)塑造風(fēng)險(xiǎn)行為

Iori Higashino, Ryo Ito, Yasushi Okochi, Kengo Inutsuka, Hiroshi Yokoyama, Rikako Kato, Yuichiro Yada, Ken-ichi Amemori…

https://www.biorxiv.org/content/10.64898/2026.05.01.722186v2

背景：機(jī)器學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)模型能否從腦信號(hào)、行為數(shù)據(jù)或刺激特征中可靠解碼認(rèn)知狀態(tài)，并說(shuō)明模型與人腦表征的相似和差異。 這使它不僅是一個(gè)單純的技術(shù)或現(xiàn)象描述，而是直接服務(wù)于AI 模型、腦信號(hào)解碼和腦機(jī)接口應(yīng)用這一類認(rèn)知神經(jīng)科學(xué)問(wèn)題。

方法：作者采用顱內(nèi)記錄用于獲得高時(shí)間分辨率神經(jīng)信號(hào)；機(jī)器學(xué)習(xí)/神經(jīng)網(wǎng)絡(luò)模型用于預(yù)測(cè)、解碼或比較表征；數(shù)據(jù)集、管線或工具評(píng)估用于檢驗(yàn)可復(fù)現(xiàn)性和適用范圍；非人靈長(zhǎng)類實(shí)驗(yàn)用于研究接近人類的感覺(jué)或決策機(jī)制。這些方法共同服務(wù)于一個(gè)目標(biāo)：把題名中的心理過(guò)程與可測(cè)量的行為、腦活動(dòng)或模型變量對(duì)應(yīng)起來(lái)。

結(jié)果：作者報(bào)告，結(jié)果圍繞模型如何從腦信號(hào)中解碼認(rèn)知或行為狀態(tài)展開(kāi)，顯示相關(guān)行為表現(xiàn)、神經(jīng)信號(hào)或模型指標(biāo)之間存在可解釋的聯(lián)系；這些發(fā)現(xiàn)為該方向提供了新的可檢驗(yàn)假設(shè)。

價(jià)值：為評(píng)估 AI 方法在腦與行為解碼、神經(jīng)表征建模和 BCI 控制中的實(shí)際價(jià)值提供了參考。 這篇的具體價(jià)值在于把清晰的任務(wù)或數(shù)據(jù)指標(biāo)與神經(jīng)/行為解釋聯(lián)系起來(lái)，便于讀者判斷該結(jié)果能否遷移到自己的實(shí)驗(yàn)設(shè)計(jì)、分析管線或理論問(wèn)題中。

編輯：BQ

審核：PsyBrain 腦心前沿編輯部

你好，這里是「PsyBrain 腦心前沿」

專注追蹤全球認(rèn)知神經(jīng)科學(xué)的最尖端突破

視野直擊 Nature, Science, Cell 正刊 及核心子刊與頂級(jí)大刊

每日速遞「深度解讀」與「前沿快訊」

科研是一場(chǎng)探索未知的長(zhǎng)跑，但你無(wú)需獨(dú)行。歡迎加入PsyBrain 學(xué)術(shù)社群，和一群懂你的同行，共同丈量腦與心智的無(wú)垠前沿。

點(diǎn)擊卡片進(jìn)群，歡迎你的到來(lái)

一鍵關(guān)注，點(diǎn)亮星標(biāo) ? 前沿不走丟！

一鍵分享，讓更多人了解前沿