功能性磁共振成像（fMRI）通過測量血氧水平依賴（BOLD）信號，為動態腦活動提供了非侵入性觀測手段，在腦科學和臨牀診斷中具有重要價值。然而，fMRI採集過程成本高昂、耗時較長，導致高質量樣本數量有限，這嚴重製約了數據驅動的腦分析模型的發展。近年來，雖然生成模型（如GAN、擴散模型）在合成fMRI數據方面取得了一定進展，但這些方法在復現原始BOLD信號固有的非平穩性、複雜的時空動態以及生理變化方面仍面臨巨大挑戰。原始BOLD信號包含豐富的瞬態變化和多尺度波動，而現有生成模型往往無法準確捕捉這些關鍵特徵。
針對上述問題，來自Hwa Hui Tew等研究者提出了雙頻譜流匹配（Dual-Spectral Flow Matching, DSFM）框架，一種創新的fMRI時間序列生成方法。該框架的核心思想是通過級聯兩種頻域變換來全面表徵BOLD信號的特性。首先，利用離散小波變換（DWT）將BOLD信號轉換為小波分解圖，這種變換能夠同時捕獲全局瞬態變化和不同尺度上的波動信息。小波變換的優勢在於其時間和頻率的局部化特性，能夠精準呈現信號的非平穩特徵。隨後，將小波分解圖投影到離散餘弦變換（DCT）空間，DCT擅長將能量集中在低頻係數上，從而高效壓縮BOLD信號中的主要能量。通過跨腦區和跨時間維度進行DCT，框架能夠利用低頻主導係數的局部能量壓縮特性，進一步提煉關鍵信息。
在得到雙重頻域表示後，DSFM訓練一個頻譜流匹配模型，該模型基於條件生成範式，能夠根據所要求的腦疾病類別生成對應的餘弦頻率表示。頻譜流匹配是一種基於最優傳輸的生成方法，能夠生成高質量且多樣化的樣本。生成的餘弦頻率表示通過逆DCT和逆DWT操作，被重建為時域BOLD時間序列。這種雙重變換策略為生成過程施加了結構化的頻率先驗，從而確保重建信號保留關鍵的生理腦動態。整個框架端到端可訓練，利用流匹配的穩定訓練特性，避免了傳統生成模型的模式坍塌問題。
在實驗評估中，研究者將DSFM生成的fMRI數據應用於下游的腦網絡分類任務。結果顯示，使用DSFM合成數據增強訓練集後，分類性能得到顯著提升，驗證了生成數據在保持真實生理特徵方面的有效性。該研究已被機器學習頂級會議ICLR 2026接收，相關代碼已在GitHub上開源（https://github.com/htew0001/DSFM.git），為fMRI數據增強和腦疾病識別研究提供了新的有力工具。這一工作不僅推動了生成模型在醫學影像領域的發展，也為解決fMRI數據稀缺問題提供了切實可行的方案。