编辑推荐：
这篇综述聚焦于深度生成模型在生理信号（如心电图（ECG）、脑电图（EEG）、光电容积脉搏波（PPG）和肌电图（EMG））分析中的应用。梳理了当前前沿模型，探讨其应用、挑战，还回顾评估协议和常用数据库，为相关研究提供参考。
引言
生理信号，像心电图（ECG）、脑电图（EEG）、光电容积脉搏波（PPG）和肌电图（EMG），还有医学成像（例如 MRI、CT），在健康监测中至关重要，能反映人体内部状态。近年来，深度学习方法在分析生理信号和医学成像以辅助诊疗方面备受关注，其中深度生成模型在医学领域应用广泛。然而，虽然有不少分析生成模型在医学成像应用的综述，但针对医学时间序列数据（如生理信号）的系统研究较少。现有关于生理信号的综述，要么只聚焦于 ECG 信号，要么覆盖的生成模型种类有限。本文首次对深度生成模型在 ECG、EEG、PPG 和 EMG 信号中的应用进行系统综述。
ECG 信号反映心脏电活动，可用于诊断心脏疾病和监测心脏功能；EEG 信号记录大脑电活动，能为脑部疾病诊断提供关键信息；PPG 信号测量心脏血流动力学活动，在心血管系统评估中意义重大；EMG 信号通过测量肌肉电活动，助力诊断神经肌肉疾病和评估肌肉功能。
本文旨在全面概述当前用于分析这些信号的深度生成模型，确定其架构，探讨应用中解决的问题、面临的挑战，以及评估模型性能的现有协议和指标，为后续研究提供参考。
方法
本系统文献综述遵循一套明确的方法，包括：
- 提出具体研究问题，明确研究目标。
- 制定全面的搜索策略，以查找相关研究。
- 确定纳入和排除标准，筛选符合要求的研究。
- 进行数据收集。
深度生成模型类别
基于所选研究，确定了三类用于 ECG、PPG、EEG 和 EMG 信号的深度生成模型：
- 生成对抗网络（GANs）
- 变分自编码器（VAEs）
- 扩散模型（DMs）
部分研究在同一篇论文中对多种信号应用 GANs，使得相关论文总数超过 71 篇。
讨论与未来方向
生成对抗网络、变分自编码器和扩散模型是目前分析和处理生理信号的有前景的方法，已成功应用于数据增强、去噪、插补等任务。不过，这些模型仍面临挑战，主要是训练不稳定以及生理信号复杂的动态特性，需要进一步研究。未来研究可针对这些问题展开，探索更有效的模型改进方法。
结论
本系统文献综述共研究 71 项主要研究，探讨了多种深度生成模型在 ECG、EEG、PPG 和 EMG 信号中的应用。回顾了 GANs、VAEs 和扩散模型的基本原理，讨论了应用这些模型的挑战，为该领域研究提供了全面的参考。
