Durch den raschen Fortschritt in Technologien wie Calcium-Imaging und Elektrophysiologie ist die Größe und Reichweite neuronaler Aufzeichnungen dramatisch angestiegen. Dennoch hängt die Interpretation dieser Daten häufig von manuellen Prozessen ab und erfordert umfassendes Wissen über die Natur der neuronalen Repräsentation. Die Dekodierung bietet eine Möglichkeit, den Informationsgehalt solcher Aufzeichnungen abzuleiten, erfordert jedoch typischerweise stark verarbeitete Daten sowie vorherige Kenntnisse über den Kodierungsmechanismus. Hier entwickeln wir einen Deep-Learning-Framework, der sensorische und verhaltensbezogene Variablen direkt aus breitbandigen neuronalen Daten dekodieren kann. Das Netzwerk erfordert nur geringen Benutzereingriff und generalisiert über verschiedene Reize, Verhaltensweisen, Hirnregionen und Aufzeichnungstechniken hinweg. Sobald es trainiert ist, kann es analysiert werden, um jene Elemente des neuronalen Codes zu identifizieren, die für eine gegebene Variable informativ sind. Wir validieren diesen Ansatz an Daten aus dem auditorischen Kortex und dem Hippocampus von Nagetieren und identifizieren dabei eine bisher unbekannte Repräsentation der Kopfrichtung, die von vermutlichen CA1-Interneuronen kodiert wird.