Bio-MF：低延迟、高保真 EEG 到 fNIRS 跨模态生成，用于混合运动想象脑-计算机接口

arXiv:2609.20904v1 公告类型：新 摘要：结合 EEG 和 fNIRS 的混合运动想象脑机接口 (MI-BCIs) 通过利用互补的电生理和血流动力学信息，可以超越仅 EEG 的系统。为了在配对 EEG-fNIRS 采集不可用或不方便时获得此类混合信息，最近的研究集中在 EEG-to-fNIRS 跨模式生成上。然而，现有方法仍然存在生成速度慢的问题，并且通常需要预训练，限制了它们在实时 MI-BCI 场景中的使用。尽管一步生成模型为低延迟合成提供了一种有吸引力的途径，但消除迭代细化过程可能会降低生成保真度并引入非生理伪影。为了解决这些问题，本文提出了 Bio-MF，一种用于 EEG 条件 fNIRS 生成的无潜在单步 MeanFlow 框架。 Bio-MF 执行直接信号空间 x 预测，将信号空间输出转换为 MeanFlow 速度监督，并通过一次网络评估完成推理。为了在异构传感器布局下保留与任务相关的血流动力学结构，Bio-MF 集成了时空交互式 4D 编码、跨模态无分类器引导和噪声水平门控 FFT 正则化。在数据集 1 上，对于 HbR 和 HbO，EEG + 合成 fNIRS 与仅 EEG 相比，ACC 分别提高了 3.37 和 4.15 个百分点。在数据集 2 上，在未见过的 64 通道 EEG 蒙太奇下，相应的增益仍保持 2.98 和 2.50 个百分点。在 RTX PRO 6000 GPU 上，Bio-MF 在 7.0 毫秒内生成一次 fNIRS 试验，相当于 1000 步 SCDM 延迟的加速 857 倍。这些结果表明，Bio-MF 能够实现 EEG 到 fNIRS 的快速合成，同时保留下游混合 MI 解码的任务相关生成质量。我们的代码可在 https://github.com/psychosiwa/Bio-MF 获取。