Brain activity is a rich source of information about human mental states and can potentially inform interactive intelligent systems about human intentions and perception of the environment. Among non-invasive neuroimaging techniques, electroencephalography (EEG) is particularly suited for interactive applications due to its portability, relatively low cost, and real-time measurements. Advances in artificial intelligence (AI) have enabled decoding models to extract complex task-related patterns from EEG signals and reveal information related to intention and perception. However, inherent properties of EEG signals, such as low signal-to-noise ratio, low spatial resolution, and high inter-trial variability, make decoding challenging. These limitations become even more pronounced when decoding targets are high-dimensional, such as natural images. At the same time, existing research is strongly biased toward well-established and highly separable conditions, while more nuanced scenarios remain underexplored. In this thesis, we move beyond conventional EEG applications by investigating settings in which decoding targets are high-dimensional and/or elicited by nuanced conditions. We assess decoding feasibility in these demanding scenarios and propose methods that leverage pretrained models of the stimulus modality for complex targets. We begin by examining the EEG decoding pipeline and discuss how EEG and task constraints shape the architecture and representation choices of decoding models. We then integrate pretrained stimulus models as priors for predicting high-dimensional outputs and propose two complementary approaches to align stimulus representations with EEG activity. The first uses EEG responses as feedback in an online closed-loop framework to guide a pretrained generative model toward a user’s intended mental image. The second aligns EEG representations with perceptually informed embedding spaces from pretrained vision models, improving the retrieval of perceived images from EEG.To go beyond well-established paradigms, we investigate EEG-based intention decoding in demanding same-limb human–robot collaboration scenarios. We also examine how informative EEG signals are about olfactory perception. Finally, we discuss methodological and evaluation challenges in small-scale, task-based EEG datasets, including risks of performance overestimation and limited generalization.

Hjärnaktivitet utgör en rik informationskälla som kan ge interaktiva intelligenta system insikt i mänskliga intentioner och hur omgivningen uppfattas. Bland icke-invasiva tekniker är elektroencefalografi (EEG) särskilt lämpad för interaktiva tillämpningar tack vare portabilitet, relativt låg kostnad och realtidskapacitet. Framsteg inom artificiell intelligens har möjliggjort avkodningsmodeller som kan extrahera komplexa mönster från EEG-signaler och därigenom avslöja kognitiv information. Samtidigt medför EEG-signalens inneboende egenskaper, såsom låg signal-till-brus-kvot, låg spatial upplösning och hög variabilitet, betydande avkodningsutmaningar. Dessa begränsningar förvärras när avkodningsmålen är högdimensionella, exempelvis naturliga bilder. Dessutom är befintlig forskning i hög grad inriktad på väletablerade, tydligt separerbara experimentella förhållanden, medan nyanserade scenarier ofta förblir outredda.I denna avhandling går vi bortom konventionella EEG-tillämpningar genom att undersöka situationer där avkodningsmålen är högdimensionella och/eller framkallas av mer subtila betingelser. Vi utvärderar möjligheten till avkodning i dessa krävande scenarier och föreslår metoder som utnyttjar förtränade stimulusmodeller.Vi analyserar inledningsvis EEG-avkodningspipelinen och diskuterar hur datans egenskaper och uppgiftskrav påverkar arkitektur- och representationsval. Därefter integrerar vi förtränade stimulusmodeller som priorer för att förutsäga högdimensionella utdata, och föreslår två kompletterande metoder för att anpassa stimulusrepresentationer till EEG-aktivitet. Den första metoden använder EEG-responser som återkoppling i ett slutet system för att styra en förtränad generativ modell mot användarens avsedda mentala bild. Den andra anpassar EEG-representationer till perceptuellt informerade inbäddningsrum från förtränade visionsmodeller, vilket förbättrar återskapandet av uppfattade bilder.För att gå bortom etablerade paradigm undersöker vi även EEG-baserad intentionsavkodning i krävande scenarier för människa–robot-samarbete där samma kroppsdel används. Vidare analyserar vi i vilken utsträckning EEG-signaler innehåller information om luktperception. Slutligen diskuteras metodologiska och utvärderingsrelaterade utmaningar i småskaliga EEG-dataset, inklusive risker för prestandaöverskattning och begränsad generaliserbarhet.