arXiv q-bio.NC（Neurons and Cognition）·2026-10-08 12:00· 16 天前精选AI 评分62

Nicola Toschi 团队提出 BRAID-fMRI：跨数据集 fMRI 视觉解码的共享 CLIP 空间

Many Brains, One Geometry: A Shared Visual-Semantic Space for Cross-Dataset fMRI Decoding

AI 导读

意大利罗马第二大学 Nicola Toschi 团队提出 BRAID-fMRI，一个用 CLIP 监督的跨个体、跨数据集 fMRI 视觉解码框架，把区域脑活动对齐到 512 维 CLIP ViT-B/32 表示。

AI 要点

团队

第一作者 Moein Khajehnejad，末位作者 Nicola Toschi，共 6 位作者。

主要结果

在 8 个匹配受试者条目上 Top-10 准确率 35.0±11.1%，高于 MindEye 式 pooled-CLIP 解码器（27.1±5.1%）和岭回归（21.1±9.1%），8 个条目中 7 个取得最高准确率。

解决什么问题

fMRI 视觉解码通常按受试者和实验各自为政，难以判断异质神经测量能否组织进同一计算几何。

方法

提出 BRAID-fMRI，用单个 ROI 级 Transformer（可选受试者条件化），在 8 个视觉 fMRI 数据集、93 个数据集特定受试者条目、430,007 次单试次反应、162,839 个独特刺激上，以多正例对比目标对齐 512 维 CLIP ViT-B/32 表征。

局限

从研究设计看，评估基于 8 个匹配受试者条目，且为与基线对比的解码准确率研究。

AI 依据原文整理，未经人工核对。

AI 推荐理由

读者可据此了解跨数据集 fMRI 视觉解码如何用 CLIP 对齐到统一空间，以及扩大数据来源对留出集准确率的影响。