Bio-MF：面向混合运动想象 BCI 的低延迟、高保真 EEG 到 fNIRS 跨模态生成

Bio-MF 针对无法或不便同步采集 EEG-fNIRS 时的混合运动想象 BCI，提出由 EEG 条件驱动、无需潜在空间的单步 MeanFlow 框架，以降低 fNIRS 合成延迟并保留任务相关信息。以下基于摘要分析，未取得论文全文。 机制上，Bio-MF 直接在信号空间执行 x-prediction，并将输出转换为 MeanFlow 速度监督，推理仅需一次网络求值。为应对异构传感器布局并约束生成信号，方法结合 Spatial-Temporal Interactive 4D Encoding、跨模态 classifier-free guidance 和噪声水平门控的 FFT 正则化。摘要未给出这些模块的具体计算方式、损失权重及训练流程，也未明确其是否完全不需要预训练，相关细节尚未验证。 作者报告，在 Dataset 1 上，EEG 与合成 fNIRS 联合解码相较 EEG-only 的 ACC，在 HbR、HbO 条件下分别提高 3.37、4.15 个百分点；在 Dataset 2 的未见 64 通道 EEG 布局下，对应增益分别为 2.98、2.50 个百分点。摘要未提供数据集正式名称、被试数量、绝对 ACC、被试内或跨被试划分，因此不能据此判断跨被试泛化，亦不宜直接比较两个数据集的增益。 作者报告，在 RTX PRO 6000 GPU 上，生成一个 fNIRS trial 耗时 7.0 ms，相比 1000 步 SCDM 的延迟加速 857 倍。该数字描述指定硬件上的生成耗时，不等同于完整在线 BCI 的端到端延迟；输入时间窗、预处理、批量设置和计时边界仍需核对。 阅读与复现重点是单步生成如何兼顾任务判别信息与血流动力学结构。下游 ACC 提升本身不能证明合成信号等同于真实 fNIRS，也不能单独验证生理真实性。配对训练数据要求、实验协议、消融及统计信息尚未验证。摘要提供了代码仓库，但其可运行性与复现条件尚未核验。