探索用于分钟级心电图（ECG）生成的潜在扩散模型

《Computer Methods and Programs in Biomedicine》：Exploring Latent Diffusion Models for ECG Generation on the Minute Scale

ECGEN通过潜在扩散模型生成长时序ECG，解决数据集分布不均问题，应用于数据增强和信号修复，但存在HRV分布偏移和模型坍塌风险。

　　随着人工智能技术在医疗领域的广泛应用，其在心电图（ECG）解读中的作用日益凸显。ECG作为一种重要的生理信号，广泛用于心脏疾病诊断和监测。然而，当前用于训练AI模型的ECG数据集存在明显的局限性和偏差，主要体现在对正常心律和常见形态的过度代表，以及对罕见病理状态的不足。这种不平衡不仅影响了分类算法的性能，还限制了其在临床场景中的通用性和实用性，尤其是在如中风管理等关键护理情境中，心房颤动（AFib）等心律失常问题尤为重要。

为了克服这些限制，研究人员提出了一种名为ECGEN的模型，该模型基于潜变量扩散模型（LDM），旨在生成长时程、真实感强的ECG信号，用于数据增强、特定心律的生成以及信号修复。ECGEN的设计考虑了多种应用场景，包括生成30秒的心电图片段以区分窦性心律和AFib，以及生成90秒或更长的ECG信号以进行缺失部分的修复和补全。这些模型通过使用向量量化变分自编码器（VQ-VAE）进行编码，并结合去噪扩散隐式模型（DDIM）作为潜变量空间的骨干，从而实现对ECG信号的高效生成和处理。

ECGEN的成功在于其能够有效模拟ECG信号的复杂特征，包括心率（HR）、心率变异性（HRV）和形态学一致性。在实验中，ECGEN-Small在窦性心律与AFib的分类任务中达到了0.98的AUC值，表明其在条件生成方面具有较高的准确性。同时，ECGEN-Medium能够修复缺失的ECG段，并保持合理的心率动态变化。ECGEN-Large则能够生成长达320秒的ECG信号，但其在HRV方面表现出分布偏移，例如NN间隔的标准差被夸大，这提示其在建模全局时间依赖性方面仍存在不足。研究还发现，网络深度对输出质量和训练稳定性具有显著影响，因此在模型设计中需要仔细考虑。

ECGEN的引入标志着在生物信号合成领域的一个重要进展。通过使用LDM，该模型能够在分钟尺度上生成具有形态学和心律学一致性的ECG信号，为数据增强和信号修复提供了新的可能性。此外，ECGEN的多种配置使其能够适应不同的临床需求，例如生成特定心律的短时ECG信号或进行长时程信号的修复。这些能力对于提升AI模型在临床场景中的表现和实用性具有重要意义。

在实际应用中，ECGEN能够帮助研究人员在有限的临床数据基础上生成更多的训练样本，从而提升AI模型的泛化能力。特别是在罕见病理状态的研究中，ECGEN能够生成具有这些病理特征的ECG信号，使得AI模型能够更好地识别和分类这些复杂情况。此外，ECGEN在信号修复方面的表现也表明，其可以有效去除ECG中的伪影，提高信号的清晰度和可靠性。这对于临床诊断和研究具有重要的价值。

尽管ECGEN在多个方面表现出色，但其在某些情况下仍存在挑战。例如，在生成长时程ECG信号时，模型可能会出现分布偏移，这提示其在建模全局时间依赖性方面仍需进一步优化。此外，虽然ECGEN能够生成具有真实感的ECG信号，但在某些情况下可能会出现轻微的伪影，这需要通过进一步的训练和优化来解决。为了提高模型的准确性和可靠性，研究人员建议未来的工作应着重于改进长程时间建模，并通过条件化或对抗训练等方法提升信号的真实性。

在研究过程中，研究人员还探讨了生成模型在生物信号合成中的潜在问题，例如模型崩溃，即生成的信号缺乏多样性，导致原始数据分布的尾部消失。尽管这一问题在图像生成等其他领域已有研究，但在生物信号合成中仍需进一步探索。ECGEN的引入为解决这一问题提供了新的思路，其基于LDM的架构能够有效捕捉ECG信号的复杂特征和时间依赖性，从而生成更加真实和多样化的信号。

ECGEN的应用不仅限于数据增强和信号修复，还可以用于模拟不同的临床场景，例如生成具有特定心律的ECG信号，以帮助研究人员更好地理解心脏疾病的发展过程。此外，ECGEN还可以用于训练AI模型，使其在面对复杂和多样化的ECG信号时能够做出更准确的判断。这种能力对于提升AI在医疗领域的应用具有重要意义。

为了确保研究的透明性和可重复性，研究人员在数据和代码的可用性方面也做了详细说明。所有用于本研究的代码均可在GitHub上获取，这有助于其他研究者在该领域进行进一步的探索和应用。此外，研究人员还强调了开放源码实践的重要性，特别是在医疗AI研究中，开放源码可以促进更多的合作和创新。

在伦理方面，本研究遵循了赫尔辛基宣言，并获得了Charité – Universit?tsmedizin Berlin的伦理审查委员会的批准。由于数据是回顾性和匿名化的，因此不需要获得知情同意。这一伦理框架确保了研究的合规性和伦理性，同时也为其他研究者提供了参考。

总之，ECGEN的提出和应用为生物信号合成领域带来了新的突破。其基于LDM的架构能够有效生成长时程、真实感强的ECG信号，为数据增强、信号修复和临床研究提供了新的工具。尽管在某些方面仍存在挑战，但通过进一步的优化和改进，ECGEN有望成为医疗AI研究中的重要组成部分。