DenoFlow
基于流匹配（Flow Matching）的EEG脑电信号去噪模型，专为SSVEP脑机接口系统设计，将去噪问题建模为条件运输过程，并引入可解码性监督目标
时间轴 (近 90 天)
DenoFlow 是一种用于稳态视觉诱发电位（SSVEP）脑电信号去噪的方法，采用流匹配（Flow Matching）建模思路
DenoFlow 发表于 arXiv 上
DenoFlow 将去噪问题重新定义为运输（transport）过程，而非学习从污染信号到干净信号的直接映射
DenoFlow 采用 rectified-flow（修正流）框架，场网络回归污染信号与干净信号之间直线路径上的速度场
DenoFlow 以观测到的污染信号作为积分起点，而非随机噪声，从而继承原始信号的结构信息，降低信号失真风险
DenoFlow 的训练过程被简化为回归问题，避免了对抗生成网络中不稳定的 min-max 博弈
DenoFlow 的场网络采用编码器-解码器架构，污染信号在每一层都被网络看到，路径位置信息注入到瓶颈层
DenoFlow 并行训练了一个分类器来监督积分后的输出，将输出是否仍可解码作为优化目标纳入训练
DenoFlow 通过将真实记录的 EMG 和 EOG 生理伪影按受控信噪比注入干净信号来人工构造配对训练样本
DenoFlow 在两个公开 SSVEP 数据集上，结合五种主流 SSVEP 解码器进行测试，在信号保真度和下游解码准确率两个维度均超越七个基线去噪模型
还有 1 条时间轴事件
全部知识事实 (11)
DenoFlow 是一种用于稳态视觉诱发电位（SSVEP）脑电信号去噪的方法，采用流匹配（Flow Matching）建模思路
50%待验证DenoFlow 发表于 arXiv 上
50%待验证DenoFlow 将去噪问题重新定义为运输（transport）过程，而非学习从污染信号到干净信号的直接映射
50%待验证DenoFlow 采用 rectified-flow（修正流）框架，场网络回归污染信号与干净信号之间直线路径上的速度场
50%待验证DenoFlow 以观测到的污染信号作为积分起点，而非随机噪声，从而继承原始信号的结构信息，降低信号失真风险
50%待验证DenoFlow 的训练过程被简化为回归问题，避免了对抗生成网络中不稳定的 min-max 博弈
50%待验证DenoFlow 的场网络采用编码器-解码器架构，污染信号在每一层都被网络看到，路径位置信息注入到瓶颈层
50%待验证DenoFlow 并行训练了一个分类器来监督积分后的输出，将输出是否仍可解码作为优化目标纳入训练
50%待验证DenoFlow 通过将真实记录的 EMG 和 EOG 生理伪影按受控信噪比注入干净信号来人工构造配对训练样本
50%待验证DenoFlow 在两个公开 SSVEP 数据集上，结合五种主流 SSVEP 解码器进行测试，在信号保真度和下游解码准确率两个维度均超越七个基线去噪模型
50%待验证DenoFlow 的代码已在 GitHub 开源，地址为 https://github.com/wzwvv/DenoFlow
50%