基于去噪扩散生成对抗网络与状态空间模型的R峰条件化高质量心电生成：RDiffGAN-ECG模型研究及其临床意义

本文提出RDiffGAN-ECG模型，创新性地将去噪扩散生成对抗网络（DiffGAN）与结构化状态空间序列模型（S4）及选择性状态空间模型（Mamba）相结合，实现基于特定R峰位置的高质量12导联心电图（ECG）生成。该模型在PTB-XL和CPSC2018数据集上取得最优量化指标（RMSE=0.2245/0.2293，FD=5.6795/4.3552，DTW=68.1109/52.2489），显著提升生成ECG的形态保真度与诊断相关性，为心电人工智能训练数据稀缺与隐私保护问题提供突破性解决方案。

　　

Section snippets

Materials

我们基于PTB-XL数据集开展实验，这是全球最全面的临床12导联心电图公共数据集之一，包含21,837条临床12导联ECG记录，每条持续10秒，采样率选用100Hz以平衡计算效率与信号保真度。

The training process of RDiffGAN-ECG

RDiffGAN-ECG的训练包含三个核心环节：扩散前向过程、DiffGAN反向过程与损失反向传播。前向过程通过马尔可夫链逐步添加高斯噪声，直至信号完全被噪声掩盖。数据x_t仅与前一时刻数据x(t-1)相关，其参数化公式为：q(x₁,...,x_T|x₀) = ∏_t=1^T q(x_t|x_t?1)

Qualitative analysis on the PTB-XL test set

考虑到心电信号固有的心率变异性和个体差异，我们针对每个R峰提取前后300ms至500ms的心跳片段进行对齐分析。这种方法确保心跳时序一致性，清晰展现ECG形态特征，为模型性能提供可视化对比基础。

Qualitative analysis

图5显示RDiffGAN-ECG生成的心电信号分位数带紧贴中位曲线，表明模型能产生稳定且可重复的ECG波形，变异性和噪声极低。但需注意真实ECG记录因生理变异和噪声干扰通常具有更宽的分位数带，因此模型生成的窄带特性需结合临床实际综合评估。

Conclusion

本研究证实生成数据能有效提升下游任务（如自动ECG诊断模型）性能。提出的RDiffGAN-ECG模型融合S4与Mamba架构，以诊断类别和R峰信息为条件生成特定R峰的高质量ECG，相较于需PQRST波信息的PGANs模型，大幅降低条件信息需求，在生成质量与多样性间取得突破性平衡。