新上线10天前0 投票
DenoFlow：用流匹配为 SSVEP 脑电信号去噪，真实生理伪迹下解码精度显著提升
一句话总结
华中科技大学团队提出 DenoFlow，把 SSVEP 脑电去噪重新定义为「传输问题」——用整流流（rectified flow）让模型从受污染信号出发、沿直线路径积分回干净信号，并在训练中引入分类器监督，确保去噪结果仍然「可解码」。在两个公开 SSVEP 数据集、五种主流解码器上，它同时赢下了信号保真度与下游解码准确率两项指标。
问题：去噪做得好，不等于解码解得出
基于脑电（EEG）的脑机接口，尤其是**稳态视觉诱发电位（SSVEP）**系统，对噪声和生理伪迹极其敏感。眼动、眨眼、肌肉活动带来的 EOG/EMG 干扰，会直接拉低解码准确率。
近年来不少深度去噪方法看似有效，但论文指出了三个共性缺陷：
- 没有配对真值：真实脑电数据拿不到「干净版」，模型只能靠无监督方式拟合；
- 容易退化成恒等映射：网络可能直接复制输入，看起来「去噪」了，其实什么都没做；
- 只优化波形距离：波形接近干净信号，并不代表输出还能被解码器正确识别。
换句话说，过去的评价标准与脑机接口真正关心的目标之间存在错位。
方法：把去噪当作「传输」而非「映射」
DenoFlow 的核心思路是：不去学一个从「脏信号 → 干净信号」的直接映射，而是学习两者之间直线路径的速度场，遵循 rectified-flow 的表述，去噪时从观测信号出发、沿该场向前积分。
几个关键设计值得注意：
- 场网络是一个编码器-解码器结构，每一层都能看到受污染的信号，瓶颈处则接收路径位置信息；
- 训练时并行训练一个分类器，直接监督积分后的输出，把「是否可解码」写进优化目标；
- 由于观测信号既是条件输入、又是积分起点，模型从噪声生成信号这一步被彻底绕开，训练退化为纯回归，去掉了对抗式 min-max 博弈。
数据：用真实生理伪迹「人工造脏」
没有配对真值是脑电去噪的老大难。作者的做法是：记录真实的 EMG（肌电） 与 EOG（眼电） 信号，在受控信噪比目标下注入干净试次，从而构造出带有真实生理特征的配对数据。这比合成高斯噪声更接近实际使用场景。
结果与意义
在两个公开 SSVEP 数据集上，面对五种常用 SSVEP 解码器，DenoFlow 在信号保真度和下游解码准确率上都超过了 7 个基线去噪模型。
对脑机接口领域而言，这项工作的价值不只是刷了一个指标，而是提示了一个方向：去噪模型的目标函数应当与下游任务对齐。当去噪器只对波形负责时，它可能悄悄破坏了解码器依赖的判别性特征；而把分类器拉进训练回路，等于给去噪加了一道「任务保真」的约束。代码已开源。
