Bio-MF: Low-Latency and High-Fidelity EEG-to-fNIRS Cross-Modal Generation for Hybrid Motor-Imagery Brain--Computer Interfaces

📄 arXiv: 2609.20904v1 📥 PDF

作者: Boyuan Zhao, Sifan Zhang, Luping Chen

分类: cs.LG, cs.AI

发布日期: 2026-09-17

备注: 10pages

🔗 代码/项目: GITHUB

💡 一句话要点

提出Bio-MF以解决EEG到fNIRS生成的低延迟与高保真问题

🎯 匹配领域: 支柱四：生成式动作 (Generative Motion)

关键词: 脑机接口 EEG fNIRS 跨模态生成 信号处理 实时系统 深度学习

📋 核心要点

  1. 现有EEG到fNIRS的生成方法存在生成速度慢和需要预训练的问题，限制了其在实时MI-BCI场景中的应用。
  2. 本文提出Bio-MF框架，通过直接信号空间预测和一网络评估实现EEG条件下的fNIRS生成，旨在提高生成速度和保真度。
  3. 在两个数据集上，Bio-MF在EEG + 合成fNIRS的情况下，分别提高了HbR和HbO的准确率，且生成速度显著提升，达到7.0毫秒。

📝 摘要（中文）

混合运动想象脑机接口（MI-BCI）结合EEG和fNIRS，能够利用互补的电生理和血流动力学信息，超越仅使用EEG的系统。为了解决在EEG-fNIRS配对采集不可用时的跨模态生成问题，本文提出Bio-MF，一个无潜变量的一步MeanFlow框架，用于EEG条件下的fNIRS生成。Bio-MF通过直接信号空间预测，转换为MeanFlow速度监督，并通过单次网络评估完成推断。实验结果表明，Bio-MF在生成速度和任务相关生成质量方面表现优异。

🔬 方法详解

问题定义：本文旨在解决EEG到fNIRS生成中的低延迟和高保真问题。现有方法通常需要多次迭代生成，导致生成速度慢，并且可能引入非生理性伪影。

核心思路：Bio-MF框架采用无潜变量的一步生成方法，通过直接信号空间预测来提高生成速度，同时保持生成质量，避免了迭代过程中的信息损失。

技术框架：Bio-MF的整体架构包括信号空间预测模块、MeanFlow速度监督模块和单次网络评估流程。通过这些模块的协同工作，实现了高效的EEG到fNIRS生成。

关键创新：Bio-MF的核心创新在于其无潜变量的生成方式和Spatial-Temporal Interactive 4D编码的结合，显著提升了生成的速度和质量，与传统方法相比，减少了生成过程中的复杂性。

关键设计：Bio-MF采用了交叉模态无分类器引导和噪声水平门控FFT正则化等技术细节，以确保在异构传感器布局下保留任务相关的血流动力学结构。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，Bio-MF在Dataset 1上，EEG + 合成fNIRS的HbR和HbO准确率分别提高了3.37和4.15个百分点；在Dataset 2上，分别提高了2.98和2.50个百分点。此外，Bio-MF在RTX PRO 6000 GPU上生成一个fNIRS试验仅需7.0毫秒，相比于1000步SCDM的延迟提升了857倍。

🎯 应用场景

该研究的潜在应用领域包括医疗监测、脑机接口技术和神经科学研究。Bio-MF能够在实时环境中提供高质量的EEG到fNIRS生成，促进混合脑机接口的广泛应用，提升人机交互的效率和准确性。

📄 摘要（原文）

Hybrid motor-imagery brain-computer interfaces (MI-BCIs) combining EEG and fNIRS can outperform EEG-only systems by exploiting complementary electrophysiological and hemodynamic information. To obtain such hybrid information when paired EEG-fNIRS acquisition is unavailable or inconvenient, recent studies have focused on EEG-to-fNIRS cross-modal generation. However, existing methods still suffer from slow generation and often require pretraining, limiting their use in real-time MI-BCI scenarios. Although one-step generative models offer an attractive route to low-latency synthesis, removing the iterative refinement process can reduce generation fidelity and introduce non-physiological artifacts. To address these problems, this paper proposes Bio-MF, a latent-free one-step MeanFlow framework for EEG-conditioned fNIRS generation. Bio-MF performs direct signal-space x-prediction, converts this signal-space output into MeanFlow velocity supervision, and completes inference with one network evaluation. To preserve task-relevant hemodynamic structure under heterogeneous sensor layouts, Bio-MF integrates Spatial-Temporal Interactive 4D Encoding, cross-modal classifier-free guidance, and noise-level-gated FFT regularization. On Dataset 1, EEG + synthetic fNIRS improves ACC over EEG-only by 3.37 and 4.15 percentage points for HbR and HbO, respectively. On Dataset 2, the corresponding gains remain 2.98 and 2.50 percentage points under the unseen 64-channel EEG montage. On an RTX PRO 6000 GPU, Bio-MF generates one fNIRS trial in 7.0 ms, corresponding to an 857x speedup over the 1000-step SCDM latency. These results show that Bio-MF enables fast EEG-to-fNIRS synthesis while preserving task-relevant generation quality for downstream hybrid MI decoding. Our code is available at https://github.com/psychosiwa/Bio-MF.