摘要

本文介绍了一种名为SCDM（时空控制扩散模型）的创新框架，用于在运动想象脑-机接口（MI-BCI）系统中从脑电图（EEG）信号生成功能性近红外光谱（fNIRS）信号。该研究解决了同时记录EEG和fNIRS信号的技术挑战，通过跨模态生成方法，使得合成fNIRS信号在分类性能上可与真实fNIRS信号相媲美，甚至更优。这一进展为混合EEG-fNIRS信号的获取提供了一种新的范式，有望推动MI-BCI系统的广泛应用。

原理

SCDM模型通过两个核心模块实现EEG到fNIRS的跨模态生成：空间跨模态生成（SCG）模块和多尺度时间表示（MTR）模块。SCG模块利用EEG和fNIRS信号的空间关系，通过改进的基于时间序列的二维自注意力机制，有效地学习并映射这两种信号的潜在空间表示。MTR模块则结合因果膨胀卷积和深度可分离卷积，捕捉多样的时间表示，消除空间信息干扰，从而在统一的表示空间中学习EEG和fNIRS信号的时空特征。

流程

SCDM的工作流程包括两个主要阶段：扩散过程和去噪过程。在扩散过程中，模型通过逐步添加高斯噪声将原始fNIRS时间序列转换为符合标准高斯分布的噪声数据。在去噪过程中，模型通过反向传播逐步去除噪声，生成合成的fNIRS时间序列。具体而言，SCDM使用UNet架构，输入EEG和fNIRS时间序列，输出预测的噪声，通过优化L2损失函数来训练模型。一旦训练完成，模型可以使用随机采样的高斯噪声作为输入，通过去噪过程生成合成的fNIRS信号。

应用

SCDM模型在MI-BCI系统中的应用前景广阔，特别是在需要高时空分辨率信号的场景中。合成fNIRS信号不仅可以替代真实fNIRS信号进行分类任务，还可能用于其他需要fNIRS信号的神经科学研究。此外，该模型的高效性和稳定性使其成为未来跨模态脑功能数据生成的重要工具，有望在医疗诊断、神经反馈治疗等领域发挥重要作用。