arXiv（brain-computer interface）·· 2026-09-24AI 评分33
DenoFlow：面向真实生理伪影下 SSVEP 去噪的流匹配方法
DenoFlow: Flow Matching for SSVEP Denoising under Real Physiological Artifacts
AI 导读
DenoFlow 将 SSVEP 去噪建模为传输问题，用场网络回归含噪试次到干净试次直线路径的速度，并按整流流公式从观测出发前向积分完成去噪，避免从噪声生成试次。该场网络为编码器-解码器结构，每层可见含噪试次、瓶颈处接收路径位置，并由同步训练的分类器监督积分输出。在两个公开 SSVEP 数据集上，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。
AI 要点
团队
第一作者 Zhentao He，末位作者 Dongrui Wu，共 3 位作者。
主要结果
在两个公开 SSVEP 数据集、五种常用 SSVEP 解码器上，DenoFlow 在信号保真度和下游解码准确率上均优于七个基线去噪模型。
解决什么问题
SSVEP 系统易受噪声与伪迹影响导致解码精度下降；现有去噪方法无配对真值、可能只复现输入，且仅按波形距离优化，不保证输出仍可解码。
方法
将 SSVEP 去噪视为传输：场网络按 rectified-flow 回归污染试次与干净试次间直线路径的速度，去噪从观测前向积分；场网络为编码器-解码器，每层可见污染试次，瓶颈处见路径位置，并有分类器监督积分输出。无真值数据集上按受控信噪比注入记录的 EMG 和 EOG 生理伪迹获得配对数据。
局限
从研究设计看，配对数据由注入 EMG、EOG 伪迹合成，并非真实配对真值；实验仅在两个公开 SSVEP 数据集上验证。
AI 依据原文整理，未经人工核对。
来源：arXiv（brain-computer interface） · arxiv.org