Lung-DDPM+：利用扩散概率模型实现高效的胸部CT图像合成

《Computers in Biology and Medicine》：Lung-DDPM+: Efficient thoracic CT image synthesis using diffusion probabilistic model

本研究利用Wasserstein GAN with gradient penalty（WGAN-GP）生成人工脑电图（EEG）信号，探讨输入噪声类型（白噪声与1/f噪声）及ERP惩罚带宽（0.5–3 Hz、0.5–5 Hz、0.5–10 Hz）对信号生理合理性的影响。结果表明：1/f噪声输入结合0.5–3 Hz ERP惩罚能最佳还原EEG特征分布；白噪声输入结合0.5–5 Hz ERP惩罚在ERP波形和频谱上更贴近真实数据。需平衡时间域与频域特征，选择噪声类型及惩罚参数需根据应用场景优化。

　　本研究探讨了在使用Wasserstein GAN（WGAN-GP）生成脑电图（EEG）试验时，输入噪声类型（白噪声与1/f噪声）以及基于事件相关电位（ERP）的惩罚项对生成信号的生理合理性的影响。生成对抗网络（GAN）在合成EEG信号方面已被广泛研究，然而，现有模型在生成信号的生理合理性上仍存在局限性，特别是在保持时间域和频率域特征方面。本文提出了一种结合ERP惩罚项的WGAN-GP方法，通过调整输入噪声和惩罚项的参数设置，以提高生成信号的生理合理性。

EEG是一种非侵入式的神经生理学技术，广泛应用于认知神经科学和医学诊断领域。通过测量大脑在休息状态、任务执行以及对外部刺激的反应时的活动，EEG能够帮助检测神经疾病并研究认知功能。然而，由于实验过程中参与者的注意力和兴趣会随时间下降，某些认知实验中难以获取足够高质量的EEG数据。因此，生成合成EEG数据成为一种重要的补充手段，以支持基础研究。此外，生成的EEG数据需要具备生理合理性，才能在实际应用中发挥有效作用。这促使研究者探索不同的生成方法和参数设置，以提升合成数据的可信度。

研究发现，使用1/f噪声作为输入的WGAN-GP模型在保留EEG的频谱特性方面优于白噪声模型。白噪声模型虽然能够捕捉EEG的整体趋势，但容易引入高频振荡，而1/f噪声模型则在时间域和频率域中表现出更稳定的特性。为了进一步改善白噪声模型生成信号的生理合理性，研究者引入了基于ERP的惩罚项，以抑制高频振荡。其中，0.5–5 Hz的带通滤波惩罚项在提升ERP波形和频谱（PS）方面表现最佳，而0.5–3 Hz的惩罚项在1/f噪声模型中也提高了EEG特征分布的合理性。

然而，研究结果也表明，输入噪声和惩罚项的选择需要与具体应用目标相匹配。白噪声模型结合0.5–5 Hz的惩罚项在ERP波形和PS的生成方面表现最佳，而1/f噪声模型结合0.5–3 Hz的惩罚项则在更广泛的生理特征分布上取得更好效果。这说明在生成EEG时，输入噪声和惩罚项之间存在权衡。在某些情况下，使用白噪声和特定惩罚项可以更精确地还原ERP波形和PS，而在其他情况下，1/f噪声与适当惩罚项的结合则有助于更全面地捕捉EEG的复杂性。

研究中使用的WGAN-GP模型包含两个网络：生成器（G）和判别器（D）。G负责生成合成EEG信号，而D则学习区分真实与合成数据。WGAN-GP通过引入Wasserstein距离（WD）作为损失函数，解决了传统GAN训练中的不稳定性问题，并在训练过程中应用了梯度惩罚项（gradient penalty），以提高模型的收敛性。在G的损失函数中，研究者进一步引入了ERP惩罚项，以抑制高频振荡并保留ERP波形特征。

为了评估生成信号的生理合理性，研究者采用了一系列方法，包括ERP波形和PS的视觉检查、统计比较EEG特征（如频带功率、熵值、P3振幅和潜伏期、Petrosian分形维度（PFD）和Hjorth复杂度（HC））、主成分分析（PCA）和t-分布随机邻域嵌入（t-SNE）进行特征空间降维，以及使用核密度估计（KDE）和频谱分解方法来量化真实与合成信号之间的特征分布重叠程度。这些方法有助于从多个角度评估生成信号的合理性。

研究结果表明，使用1/f噪声作为输入的WGAN-GP模型在生成ERP和PS时更接近真实数据。此外，ERP惩罚项的引入显著改善了白噪声模型生成信号的高频振荡问题，特别是在0.5–5 Hz的带通滤波惩罚项下，ERP波形和PS的生成质量得到明显提升。然而，对于1/f噪声模型，ERP惩罚项有时会干扰PS的特性，特别是在0.5–3 Hz的惩罚项下，模型可能会引入额外的振荡。因此，选择适当的输入噪声和惩罚项对于生成生理合理的EEG信号至关重要。

本文的研究为EEG信号的生成提供了一种新的方法，强调了输入噪声和惩罚项的相互作用对信号质量的影响。此外，研究还指出，尽管现有方法在某些方面表现出色，但仍存在一些局限性，例如仅限于单通道（Pz）EEG信号的合成，未能充分捕捉多通道数据中的空间依赖关系。未来的研究可以扩展至多通道EEG生成，以更好地模拟真实脑活动的时空特性。同时，研究还建议进一步探索输入噪声和惩罚项的组合方式，以提升模型在不同EEG任务中的泛化能力。此外，研究还指出，需要引入更多的生理相关指标，如相位一致性（ITPC）和ERP波形的宽度和上升/下降动力学，以更全面地评估生成信号的合理性。

总的来说，本文为EEG信号的生成提供了一个系统性的分析框架，展示了如何通过调整输入噪声和惩罚项的参数设置，来提高生成信号的生理合理性。这一研究不仅有助于理解GAN在EEG生成中的应用，还为未来的EEG信号合成和分析提供了新的思路和方法。