基于去噪扩散模型的多元生物医学信号缺失区域补全框架（DBSCF）及其稳健性研究

本文提出了一种创新的扩散式生物医学信号补全框架（DBSCF），通过结合去噪隐式扩散模型（DDIM）与时序嵌入技术，在保留信号关键特征的前提下有效重构心电图（ECG）、表面肌电图（sEMG）及脑电图（EEG）的缺失片段。该模型采用融合ConvNeXt模块与多头ProbSparse自注意力的UNet结构，显著提升长序列特征捕获能力，在散点缺失、块状缺失及末端缺失场景下均优于现有张量分解与深度学习方法（如SAITS、LATC），为下游疾病诊断与健康监测任务提供高质量数据支撑。

　　

亮点

• •
  我们提出扩散式生物医学信号补全框架（DBSCF），该通用框架能整合时序嵌入信息，并以已知信号段为条件从噪声中高效重构具有实际意义的信号，适用于多种生物医学信号（如ECG、sEMG、EEG）的补全，且补全结果可有效支持下游模式识别任务。
• •
  我们设计了包含ConvNeXt模块与多头ProbSparse自注意力的UNet型去噪模型，旨在捕获长序列特征及其依赖关系，为DBSCF的去噪过程提供局部与全局模式表征。
• •
  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 Competition 2008数据集）上，DBSCF在散点缺失、块状缺失和末端缺失场景下均优于大多数基于张量和深度学习的先进方法。

方法

本节首先详细描述基于扩散的信号生成步骤，随后介绍基于条件反向过程的信号补全方法，最后详细阐述DBSCF的架构与算法流程。

实验设置与训练细节

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与评估指标，最后说明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，进而评估补全信号对下游任务的影响，最后提出相关讨论与本方法的局限性。

结论

本研究提出了一种新型扩散式信号补全框架DBSCF，以解决生物医学信号中的缺失数据挑战。与现有补全方法相比，该框架在ECG、sEMG和EEG等多种生物医学信号的散点缺失、块状缺失及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能够生成逼真且具有语义意义的重构结果，有效……