功能性磁共振成像（fMRI）通过测量血氧水平依赖（BOLD）信号，为动态脑活动提供了非侵入性观测手段，在脑科学和临床诊断中具有重要价值。然而，fMRI采集过程成本高昂、耗时较长，导致高质量样本数量有限，这严重制约了数据驱动的脑分析模型的发展。近年来，虽然生成模型（如GAN、扩散模型）在合成fMRI数据方面取得了一定进展，但这些方法在复现原始BOLD信号固有的非平稳性、复杂的时空动态以及生理变化方面仍面临巨大挑战。原始BOLD信号包含丰富的瞬态变化和多尺度波动，而现有生成模型往往无法准确捕捉这些关键特征。
针对上述问题，来自Hwa Hui Tew等研究者提出了双频谱流匹配（Dual-Spectral Flow Matching, DSFM）框架，一种创新的fMRI时间序列生成方法。该框架的核心思想是通过级联两种频域变换来全面表征BOLD信号的特性。首先，利用离散小波变换（DWT）将BOLD信号转换为小波分解图，这种变换能够同时捕获全局瞬态变化和不同尺度上的波动信息。小波变换的优势在于其时间和频率的局部化特性，能够精准呈现信号的非平稳特征。随后，将小波分解图投影到离散余弦变换（DCT）空间，DCT擅长将能量集中在低频系数上，从而高效压缩BOLD信号中的主要能量。通过跨脑区和跨时间维度进行DCT，框架能够利用低频主导系数的局部能量压缩特性，进一步提炼关键信息。
在得到双重频域表示后，DSFM训练一个频谱流匹配模型，该模型基于条件生成范式，能够根据所要求的脑疾病类别生成对应的余弦频率表示。频谱流匹配是一种基于最优传输的生成方法，能够生成高质量且多样化的样本。生成的余弦频率表示通过逆DCT和逆DWT操作，被重建为时域BOLD时间序列。这种双重变换策略为生成过程施加了结构化的频率先验，从而确保重建信号保留关键的生理脑动态。整个框架端到端可训练，利用流匹配的稳定训练特性，避免了传统生成模型的模式坍塌问题。
在实验评估中，研究者将DSFM生成的fMRI数据应用于下游的脑网络分类任务。结果显示，使用DSFM合成数据增强训练集后，分类性能得到显著提升，验证了生成数据在保持真实生理特征方面的有效性。该研究已被机器学习顶级会议ICLR 2026接收，相关代码已在GitHub上开源（https://github.com/htew0001/DSFM.git），为fMRI数据增强和脑疾病识别研究提供了新的有力工具。这一工作不仅推动了生成模型在医学影像领域的发展，也为解决fMRI数据稀缺问题提供了切实可行的方案。