Editorial Ilmu Komputer & AI
Open AccessOA2026
Bio-MF: Generasi Lintas Modal EEG-ke-fNIRS Latensi Rendah dan Fidelitas Tinggi untuk Antarmuka Otak-Komputer Motor-Imagery Hibrida
Kerangka MeanFlow satu-langkah tanpa latent yang menyintesis fNIRS dari EEG dalam 7,0 ms, memungkinkan dekode MI-BCI hibrida waktu nyata tanpa akuisisi berpasangan.
Boyuan Zhao; Sifan Zhang; Luping Chenยท 2026ยท DOI 10.48550/arXiv.2609.20904
Masalah inti
Antarmuka otak-komputer motor-imagery (MI-BCI) hibrida yang menggabungkan electroencephalography (EEG) dengan functional near-infrared spectroscopy (fNIRS) dapat mengungguli sistem EEG saja dengan memanfaatkan informasi elektrofisiologis dan hemodinamik yang saling melengkapi. Namun, memperoleh rekaman EEG-fNIRS berpasangan sering tidak tersedia atau tidak praktis dalam situasi nyata. Penelitian terkini karena itu mengeksplorasi generasi lintas modal EEG-ke-fNIRS untuk menyintesis modalitas hemodinamik yang hilang. Metode generasi yang ada, bagaimanapun, mengalami inferensi lambat dan sering memerlukan pretraining, yang membatasi penerapannya dalam skenario MI-BCI waktu nyata. Meskipun model generatif satu-langkah menawarkan jalur menarik menuju sintesis latensi rendah, menghapus proses penyempurnaan iteratif dapat menurunkan fidelitas generasi dan memunculkan artefak non-fisiologis. Untuk mengatasi masalah ini, penulis mengusulkan **Bio-MF**, kerangka MeanFlow satu-langkah tanpa latent untuk generasi fNIRS terkondisi EEG. Bio-MF melakukan prediksi langsung di ruang sinyal, mengubah keluaran ruang sinyal ini menjadi supervisi kecepatan MeanFlow, dan menyelesaikan inferensi deng
Inovasi
Penulis mengevaluasi Bio-MF pada dua dataset. Pada **Dataset 1**, augmentasi EEG dengan fNIRS sintetis meningkatkan akurasi klasifikasi (ACC) dibandingkan dekode EEG saja sebesar **3,37 poin persentase untuk HbR** dan **4,15 poin persentase untuk HbO**. Pada **Dataset 2**, perolehan yang sesuai tetap **2,98 poin persentase (HbR)** dan **2,50 poin persentase (HbO)** di bawah montase EEG 64 kanal yang belum pernah dilihat, menunjukkan generalisasi lintas tata letak sensor. Dalam hal latensi, Bio-MF menghasilkan satu trial fNIRS dalam **7,0 ms** pada GPU RTX PRO 6000, setara dengan **percepatan 857ร** dibandingkan baseline SCDM 1000 langkah. Hasil ini menunjukkan bahwa Bio-MF memungkinkan sintesis EEG-ke-fNIRS yang cepat sekaligus mempertahankan kualitas generasi yang relevan dengan tugas untuk dekode MI hibrida hilir. Peningkatan akurasi konsisten pada kedua dataset dan kedua spesies hemoglobin, menunjukkan bahwa fNIRS yang disintesis mempertahankan informasi hemodinamik diskriminatif yang berguna untuk klasifikasi motor-imagery.
Antarmuka otak-komputer motor-imagery (MI-BCI) hibrida yang menggabungkan electroencephalography (EEG) dengan functional near-infrared spectroscopy (fNIRS) dapat mengungguli sistem EEG saja dengan memanfaatkan informasi elektrofisiologis dan hemodinamik yang saling melengkapi. Namun, memperoleh rekaman EEG-fNIRS berpasangan sering tidak tersedia atau tidak praktis dalam situasi nyata. Penelitian terkini karena itu mengeksplorasi generasi lintas modal EEG-ke-fNIRS untuk menyintesis modalitas hemodinamik yang hilang. Metode generasi yang ada, bagaimanapun, mengalami inferensi lambat dan sering memerlukan pretraining, yang membatasi penerapannya dalam skenario MI-BCI waktu nyata. Meskipun model generatif satu-langkah menawarkan jalur menarik menuju sintesis latensi rendah, menghapus proses penyempurnaan iteratif dapat menurunkan fidelitas generasi dan memunculkan artefak non-fisiologis. Untuk mengatasi masalah ini, penulis mengusulkan **Bio-MF**, kerangka MeanFlow satu-langkah tanpa latent untuk generasi fNIRS terkondisi EEG. Bio-MF melakukan prediksi langsung di ruang sinyal, mengubah keluaran ruang sinyal ini menjadi supervisi kecepatan MeanFlow, dan menyelesaikan inferensi dengan satu evaluasi jaringan. Untuk mempertahankan struktur hemodinamik yang relevan dengan tugas di bawah tata letak sensor yang heterogen, Bio-MF mengintegrasikan Spatial-Temporal Interactive 4D Encoding, cross-modal classifier-free guidance, dan noise-level-gated FFT regularization. Karya ini menyasar sintesis latensi rendah dan fidelitas tinggi untuk dekode MI hibrida hilir.
Bio-MF dibangun di atas formulasi **MeanFlow satu-langkah tanpa latent**. Alih-alih beroperasi di ruang latent terkompresi, model langsung memprediksi sinyal fNIRS bersih di ruang sinyal, yang disebut prediksi . Keluaran ruang sinyal ini kemudian diubah menjadi target kecepatan MeanFlow, memungkinkan model dilatih dengan objektif flow-matching sambil mempertahankan jalur inferensi satu-langkah. Secara formal, dengan kondisi EEG dan sampel noise , model mempelajari medan kecepatan sehingga satu evaluasi pada menghasilkan trial fNIRS yang digenerasi:
Mengapa penting
Kontribusi utama Bio-MF adalah kombinasi generasi satu-langkah dengan supervisi ruang sinyal, yang menghindari kehilangan fidelitas yang biasanya terkait dengan penghapusan penyempurnaan iteratif. Dengan mengubah prediksi di ruang sinyal menjadi supervisi kecepatan MeanFlow, model mempertahankan objektif flow-matching yang berprinsip sekaligus memungkinkan inferensi evaluasi tunggal. Integrasi Spatial-Temporal Interactive 4D Encoding mengatasi tantangan tata letak sensor yang heterogen, memungkinkan model menggeneralisasi ke montase yang belum pernah dilihat seperti pengaturan EEG 64 kanal pada Dataset 2. Cross-modal classifier-free guidance memperkuat keselarasan antara kondisi EEG dan fNIRS yang digenerasi, sementara noise-level-gated FFT regularization mempertahankan struktur spektral dan mengurangi artefak non-fisiologis. Latensi 7,0 ms yang dilaporkan dan percepatan 857ร dibandingkan SCDM membuat Bio-MF cocok untuk aplikasi MI-BCI waktu nyata. Perolehan akurasi hingga 4,15 poin persentase dibandingkan dekode EEG saja menegaskan bahwa fNIRS sintetis membawa informasi hemodinamik yang saling melengkapi. Sebuah batasan adalah evaluasi hanya terbatas pada dua dataset; validasi yang lebih luas lintas subjek, tugas, dan kondisi akuisisi masih menjadi pekerjaan masa depan. Meskipun demikian, Bio-MF merupakan langkah praktis menuju generasi lintas modal latensi rendah dan fidelitas tinggi untuk BCI hibrida.
Siapa yang sebaiknya membaca
Praktisi dan peneliti ilmu komputer
Membuka konten memberโฆ