Zespół badawczy zaproponował DenoFlow, nową metodę do usuwania szumów i artefaktów z sygnałów EEG w opartych na SSVEP systemach interfejsów mózg-komputer. Zamiast nauczać się bezpośredniego mapowania między sygnałami zaburzonym i czystym, podejście wykorzystuje rectified-flow, gdzie sieć neuronowa uczy się regresji prędkości prostej ścieżki transportu między dwoma stanami. Podczas denoizacji całkowanie tego pola odbywają się od obserwacji, co oznacza, że model nigdy nie generuje całkowitego sygnału z szumu.
Kluczową zaletą jest podejście do treningu: obserwacja służy zarówno jako wejście warunkujące, jak i punkt początkowy integracji. To sprawia, że trening redukuje się do regresji, eliminując skomplikowaną grę min-max charakterystyczną dla podejść opartych na sieciach antagonistycznych. Dodatkowo sieć neuronowa sieć encoder-decoder ma dostęp do zaburzonym sygnałów na każdej warstwie, a klasyfikator trenowany razem z nią nadzoruje zintegrowane wyjście, upewniając się, że oczyszczone dane pozostają dekodowalne.
Problem braków danych treningowych z parami sygnał zaburzony-czysty badacze rozwiązali poprzez zastrzyknięcie artefaktów fizjologicznych ze zarejestrowanych sygnałów elektromiografii i elektrookulografii w kontrolowanych warunkach. Takie podejście pozwala na efektywne trenowanie na rzeczywistych datasets, gdzie brak jest ground truth, a jednocześnie zapewnia, że model uczy się obsługi rzeczywistych artefaktów biologicznych.