Die Studie untersucht einen neuen Ansatz zur Verbesserung der neuronalen Decodierung visueller Reize. Dafür wird ein Autoencoder-Modell verwendet, das vortrainierte semantische Vektoren an die neuronale Repräsentation im menschlichen Gehirn anpasst ("brain-grounding").
Die Autoren zeigen, dass die so erzeugten "brain-grounded" Vektoren die Genauigkeit der Decodierung und Identifizierung von Hirnaktivitätsmustern sowohl in funktioneller Magnetresonanztomographie (fMRT) als auch in Magnetenzephalographie (MEG) erhöhen. Dies gilt auch für Kategorien, die nicht im Trainingsdatensatz enthalten waren.
Die Ergebnisse unterstreichen das Potenzial, die Leistung von Hirndecoding-Algorithmen durch die Integration von merkmalen aus der neuronalen Aktivität des Gehirns zu verbessern.
In eine andere Sprache
aus dem Quellinhalt
arxiv.org
Wichtige Erkenntnisse aus
by Shirin Vafae... um arxiv.org 03-25-2024
https://arxiv.org/pdf/2403.15176.pdfTiefere Fragen