SSVEP去噪新突破：DenoFlow让五种解码器准确率飙升！
DenoFlow: Flow Matching for SSVEP Denoising under Real Physiological Artifacts
📖 AI 总结
本文提出DenoFlow，一种面向稳态视觉诱发电位（SSVEP）脑机接口的去噪新方法。针对现有方法缺乏配对真值、易退化为复制输入、且仅以波形距离优化而忽视解码可用性的问题，作者将去噪建模为传输过程：场网络回归污染试次与干净试次之间直线路径的速度，去噪时从观测出发沿该场前向积分。网络采用编码器-解码器结构，每层均可看到污染试次，瓶颈处接收路径位置信息，并由同步训练的分类器监督积分输出。由于观测既是条件输入又是积分起点，模型无需从噪声生成信号，训练退化为回归，避免了对抗式极小极大博弈。为在无真值数据集上获得配对数据，作者按受控信噪比注入真实记录的肌电与眼电生理伪迹。在两个公开SSVEP数据集和五种主流解码器上的实验表明，DenoFlow在信号保真度与下游解码准确率上均优于七种基线去噪模型。
🔑 关键词速览
| SSVEP | 稳态视觉诱发电位，一种通过周期性视觉刺激诱发的大脑电响应，常用于脑机接口。 |
| Flow Matching | 流匹配，一种通过回归概率路径速度场来学习生成或传输模型的方法。 |
| Rectified Flow | 整流流，一种流匹配公式，学习连接两个分布之间直线路径的速度场。 |
| EMG/EOG Artifacts | 肌电图和眼电图伪迹，分别由肌肉活动和眼球运动产生的生理电信号干扰。 |
| Downstream Decoding Accuracy | 下游解码准确率，指去噪后的信号在后续脑机接口分类任务中的正确识别率。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅