脑机百科消息(bciwiki.com)，据arXiv提供的预印本信息，DenoFlow研究于2026-09-24上传至arXiv，尚未经同行评审。作者Zhentao He、Ziwei Wang和Dongrui Wu提出以流匹配处理稳态视觉诱发电位（SSVEP）脑机接口中的生理伪迹，并将去噪后的解码表现纳入训练监督。
DenoFlow采用校正流建模方式，由场网络回归受污染试次与干净试次之间直线路径的速度，再从观测信号出发，对该速度场进行前向积分。场网络采用编码器—解码器结构，各层均接收受污染试次，瓶颈层接收路径位置；同步训练的分类器监督积分后的输出。作者解释，观测信号同时作为条件输入和积分起点，因此模型不从噪声生成试次，训练也无需对抗式极小极大博弈。
为在没有干净真值的数据集上构建配对数据，研究在受控目标信噪比下，注入已记录的肌电（EMG）和眼电（EOG）信号所含的生理伪迹。作者报告，在两个公开SSVEP数据集上使用5种常用SSVEP解码器评估时，DenoFlow在信号保真度和下游解码准确率方面均优于7种基线去噪模型。