arXiv（brain-computer interface）·2026-09-17 22:52· 2026-09-17AI 评分27

Bio-MF：面向混合运动想象脑机接口的低延迟高保真 EEG-to-fNIRS 跨模态生成

Bio-MF: Low-Latency and High-Fidelity EEG-to-fNIRS Cross-Modal Generation for Hybrid Motor-Imagery Brain--Computer Interfaces

AI 导读

研究者提出 Bio-MF，一种无潜变量的一步式 MeanFlow 框架，用于 EEG 条件生成 fNIRS 信号，通过直接信号空间 x-prediction 并转化为 MeanFlow 速度监督，单次网络评估即可完成推理。

AI 要点

团队

第一作者 Boyuan Zhao，末位作者 Luping Chen，共 3 位作者。

主要结果

数据集 1 上 EEG+合成 fNIRS 使 ACC 较纯 EEG 提升 3.37（HbR）和 4.15（HbO）个百分点；数据集 2 在未见 64 通道蒙太奇下提升 2.98 和 2.50 个百分点。

解决什么问题

现有 EEG-to-fNIRS 跨模态生成慢且常需预训练，难以用于实时混合运动想象 BCI。

方法

提出 Bio-MF：无潜变量一步 MeanFlow 框架，直接信号空间 x-prediction 并转为 MeanFlow 速度监督，单次网络评估完成推理；融合时空交互 4D 编码、跨模态无分类器引导与噪声级门控 FFT 正则。

局限

从研究设计看，为离线数据集上的生成与解码验证，未报告在线实时 BCI 闭环使用结果。

AI 依据原文整理，未经人工核对。