基于扩散模型的生物医学信号补全框架(DBSCF)：一种提升心电、肌电和脑电信号完整性的创新方法

本文提出基于扩散模型的生物医学信号补全框架(DBSCF)，通过结合ConvNeXt块和多头ProbSparse自注意力机制，有效解决心电(ECG)、表面肌电(sEMG)和脑电(EEG)信号在散点缺失、块状缺失和末端缺失场景下的数据补全问题。实验表明该方法在保持信号语义特征方面优于现有张量分解和深度学习方法，为下游疾病诊断任务提供可靠数据支撑。

　　

亮点

• (1) 我们提出基于扩散的生物医学信号补全框架(DBSCF)，该框架整合时间嵌入信息，并利用已知信号区域作为条件，从噪声中逐步重建有意义的信号。该方法能补全多种生物医学信号（如ECG、sEMG和EEG），且重建信号适用于下游模式识别任务。

• (2) 我们设计了类UNet去噪模型，融合ConvNeXt块和多头ProbSparse自注意力机制，旨在捕捉长序列特征及其依赖关系。该模型能有效捕获输入序列的局部和全局模式，为DBSCF的去噪过程提供有价值的表征。

• (3) 在三个公共生物医学信号数据集（MIT-BIH心律失常数据库、sEMG数据库和BCI竞赛2008数据集）上，DBSCF在散点缺失、块状缺失和末端缺失场景下的多种缺失率条件下，均优于大多数主流张量方法和深度学习方法。

方法学

本节首先详细描述基于扩散的信号生成步骤，随后提出基于反向过程的信号补全条件设置方法，最后详细说明DBSCF的架构和算法流程。

实验方案与训练细节

本节首先介绍用于补全分析的生物医学信号数据集，随后对比多种数据补全方法和评估指标，最后描述所提方法的训练细节。

结果与讨论

本节首先展示关键超参数的选择过程，随后比较不同方法的信号补全性能，接着评估补全信号对下游任务的影响，最后提出相关讨论和本方法的局限性。

结论

本研究提出新型扩散信号补全框架DBSCF，以解决生物医学信号缺失数据的挑战。与现有补全方法相比，该框架在多种生物医学信号（ECG、sEMG、EEG）的散点缺失、块状缺失和末端缺失场景下均表现出稳健且一致的性能。值得注意的是，DBSCF能够生成逼真且语义丰富的重建信号，有效...