Conversión de códigos neuronales interindividuales e intersitios sin estímulos compartidos

La variabilidad interindividual en topografías funcionales finamente detalladas presenta desafíos para el análisis y modelado de datos a gran escala. Las técnicas de alineación funcional pueden ayudar a mitigar estas diferencias individuales, pero típicamente requieren datos cerebrales emparejados con los mismos estímulos entre individuos, que a menudo no están disponibles. Aquí presentamos un método de conversión de códigos neuronales que supera esta restricción al optimizar los parámetros de conversión basándose en la discrepancia entre los contenidos de los estímulos representados por los patrones de actividad cerebral originales y convertidos. Este enfoque, combinado con características jerárquicas de las redes neuronales profundas como representaciones latentes del contenido, logra precisiones de conversión que son comparables con métodos que utilizan estímulos compartidos. La actividad cerebral convertida de un sujeto fuente puede ser decodificada con precisión utilizando los decodificadores preentrenados del objetivo, produciendo reconstrucciones de imágenes visuales de alta calidad que rivalizan con la decodificación dentro del individuo, incluso con datos de diferentes sitios y muestras de entrenamiento limitadas. Nuestro enfoque ofrece un marco prometedor para el análisis y modelado de datos neuronales escalables y una base para la comunicación cerebro a cerebro.