Исследователи представили алгоритм для функционального выравнивания активности мозга, который решает проблему высокой индивидуальной вариативности паттернов нейронного отклика. Метод позволяет эффективно сопоставлять данные разных людей, что критически важно для создания универсальных моделей декодирования когнитивных процессов. Технология учитывает геометрические особенности структуры мозга, обеспечивая высокую точность при значительном ускорении вычислительных процессов по сравнению с существующими подходами.

Традиционные методы декодирования нейронной активности часто ограничены тем, что функциональные карты мозга уникальны для каждого индивида. Это затрудняет перенос обученных моделей с одного человека на другого. Предложенный подход использует геометрически-ориентированное выравнивание, которое переносит функциональные сигналы в общее пространство, сохраняя при этом топологическую целостность нейронных структур.

Такой подход открывает возможности для создания более надежных интерфейсов «мозг-компьютер» и систем анализа когнитивных состояний, которые не требуют длительной индивидуальной калибровки. Ускорение вычислений делает возможным применение метода на больших наборах данных, что ранее было затруднительно из-за высокой вычислительной сложности алгоритмов выравнивания.

Ключевые факты

  • Разработан метод функционального выравнивания, учитывающий геометрию мозга для улучшения кросс-субъектного декодирования.
  • Алгоритм значительно снижает вычислительные затраты, позволяя обрабатывать данные всего мозга быстрее существующих аналогов.
  • Метод решает проблему индивидуальной вариативности, которая препятствует обобщению моделей машинного обучения на новых субъектах.
  • Исследование опубликовано на платформе arXiv (препринт 2607.10931v1).