【儀表網 研發快訊】腦機接口(BCI)技術作為連接人腦與外部設備的重要橋梁，近年來在醫療、康復、智能家居等領域展現出了巨大的應用潛力。然而，傳統的BCI系統多依賴單一的EEG信號，其空間分辨率低且易受干擾，限制了其性能的進一步提升。為此，研究者們開始探索將EEG與fNIRS(功能性近紅外光譜)相結合的雙模態BCI系統，以期通過兩種信號的互補優勢，實現更高效、更準確的腦機交互。 然而，同時記錄EEG和fNIRS信號并非易事。由于兩種傳感器在頭皮上的布局存在沖突，同時記錄高質量的混合信號面臨諸多挑戰。
 

　　為突破這一瓶頸，中國科學院深圳先進技術研究院的王書強課題組提出了一種創新的解決方案——SCDM(Spatio-Temporal Controlled Diffusion Model)，即時空控制擴散模型。該模型利用生成式AI技術，從EEG信號中生成fNIRS信號，從而實現雙模態信號的采集。 2025年3月4日團隊相關工作在IEEE Transactions on Medical Imaging發表了題為SCDM: Unified Representation Learning for EEG-to-fNIRS Cross-Modal Generation in MI-BCIs的研究成果，首次實現了基于生成式人工智能的EEG到fNIRS跨模態生成。
 

　　SCDM模型的核心在于其兩個關鍵模塊：空間跨模態生成(SCG)模塊和多尺度時序表示(MTR)模塊。SCG模塊通過改進的二維注意力機制，學習EEG和fNIRS信號的空間表示，并實現從EEG到fNIRS的準確映射。MTR模塊則通過因果擴張卷積和深度可分離卷積，捕捉多樣化的時序特征，同時減少空間特征的干擾，從而提高表示的準確性。
 

　　研究團隊通過對比真實fNIRS信號和合成fNIRS信號的分類性能，發現合成信號在多項指標上與真實信號相當，甚至在某些情況下表現更優。這表明，SCDM模型生成的fNIRS信號不僅在質量上接近真實信號，而且在實際應用中具有潛在的替代價值。 此外，研究還發現，合成fNIRS信號在空間分布和時間特征上與真實信號高度一致。通過對比fNIRS通道與EEG通道的相關性，發現合成信號保留了與EEG信號的空間對應關系，這為雙模態信號的融合提供了有力支持。 SCDM模型不僅解決了同時記錄EEG和fNIRS信號的難題，還為未來BCI系統的性能提升提供了新的可能性。
 

　　數字所研究生李逸升為第一作者，王怡珊研究員為共同作者，王書強研究員為論文通訊作者，該研究工作得到了國家重點研發計劃、國家自然科學基金等科技項目資助。
 

SCDM模型圖
 

合成fNIRS信號與真實fNIRS信號的血流動力學響應曲線對比