مغز انسان مرکز اصلی پردازش اطلاعات حسی و هماهنگی واکنش ها به محیط اطراف است. با این حال، آسیب ها و اختلالات عصبی می توانند به طور جدی این عملکردها را مختل کنند و منجر به ناتوانی های قابل توجهی در فعالیت های روزمره و حرکات غیرارادی شوند. پیشرفت های اخیر در فناوری واسط مغز-رایانه (BCI) به منظور ارائه راه حل هایی برای افرادی که از این مشکلات رنج می برند، انجام شده است. رمزگشایی اطلاعات بصری از سیگنال های عصبی، به ویژه در مواجهه با چالش هایی نظیر ابعاد بالای داده، تعداد محدود نمونه ها و نویز ذاتی سیگنال های مغزی، یکی از موانع اصلی در مسیر توسعه ی واسط های مغز-رایانه پیشرفته است. این رساله با هدف غلبه بر این محدودیت ها، یک چارچوب مولد احتمالی غیرپارامتری نوین با عنوان کدگشای مولد تبعیض یاب پنهان (LDGD)، مبتنی بر فرآیندهای گوسی، ارائه می دهد. این مدل با یادگیری یک فضای پنهان مشترک و کم بعد، از طریق بهره گیری همزمان از ویژگی های سیگنال عصبی و برچسب های محرک بصری، قادر است وظایف تمایزی (دسته بندی) و مولد (بازتولید داده) را به انجام رساند. برای افزایش مقیاس پذیری و امکان آموزش دسته ای، از تکنیک نقاط القایی استفاده شده و همچنین نسخه ای سریع از مدل با نام fastLDGD برای کاربردهای بلادرنگ توسعه یافته است.

برای ارزیابی مدل، از داده های الکتروآنسفالوگرام داخل جمجمه ای (iEEG) ثبت شده از بیماران مبتلا به صرع در حین انجام دو آزمایش بصری استفاده شد: یک وظیفه ی ساده با تحریک دوتایی (آزمایش چشمک زن) و یک وظیفه ی پیچیده ی چندخروجی (آزمایش توالی صفحه شطرنجی 10×10). نتایج نشان داد که در آزمایش ساده، مدل fastLDGD به میانگین صحت 72 دست یافت و عملکردی برتر از مدل های مرجع یادگیری ماشین
(مانند SVM و XGBoost) و یادگیری عمیق (مانند VAE و EGNet) از خود نشان داد.

در آزمایش پیچیده ی صفحه شطرنجی، اگرچه همانطور که انتظار می رفت، کدگشایی تمام پیکسل ها به صورت یکنواخت بالاتر از سطح شانس نبود، اما نتایج، یافته های مهمی را در بر داشت. مدل توانست وضعیت پیکسل مرکزی را با دقت 69 کدگشایی کند و تحلیل فضایی دقت، یک ارتباط معنادار میان عملکرد مدل و کانون توجه بصری را آشکار ساخت؛ به طوری که دقت با افزایش فاصله از مرکز تصویر کاهش می یافت.

این پژوهش کارایی چارچوب بیزی پیشنهادی را برای رمزگشایی مقاوم اطلاعات بصری از داده های عصبی محدود و پرنویز اثبات می کند. یافته ها و مدل های توسعه یافته در این رساله، گامی مهم در جهت طراحی نسل جدیدی از واسط های مغز-رایانه ی تفسیرپذیر برای کاربردهایی نظیر پروتزهای عصبی بینایی و نگاشت عملکردی مغز به شمار می روند.