DenoFlow：真实生理伪影下 SSVEP 去噪的流量匹配

arXiv:2610.08817v1 公告类型：新 摘要：基于脑电图 (EEG) 的脑机接口 (BCI)，特别是稳态视觉诱发电位 (SSVEP) 系统，非常容易受到噪声和伪影的影响，从而严重降低解码精度。尽管最近的去噪方法已经显示出希望，但它们没有配对的地面事实，可以决定再现其输入，并且仅在波形距离上进行优化，这并没有说明输出是否保持可解码。为了解决这些问题，我们提出了 DenoFlow，它将 SSVEP 去噪视为传输：现场网络不是学习从受污染的试验到干净的试验的直接映射，而是遵循修正流公式，回归它们之间的直线路径的速度，并且去噪将该场从观察中向前整合。现场网络是一个编码器-解码器，可以看到每一层的受污染试验以及其瓶颈处的路径位置，并且与它一起训练的分类器监督集成输出。因为观察本身既是调节输入又是集成的起点，因此模型永远不会从噪声中生成试验，并且训练会简化为回归，从而消除对抗性的最小-最大游戏。为了获得没有真实数据的数据集的配对数据，我们在受控的信噪比目标下注入了记录的肌电图 (EMG) 和眼电图 (EOG) 信号的生理伪影。使用五种流行的 SSVEP 解码器对两个公共 SSVEP 数据集进行的实验表明，DenoFlow 在信号保真度和下游解码精度方面均优于七种基线去噪模型。代码可在 https://github.com/wzwvv/DenoFlow 获取。