扩散生成式数据赋能ECG病理信号分类研究

来源：电子与信息学报杂志2026年第3期北京时间：

作者：葛贝宁, 陈诺, 金鹏, 苏新, 陆晓春

单位：1.河海大学信息科学与工程学院 常州 2132022.河海大学人工智能与自动化学院 常州 213200

摘要：心电图(ECG)是衡量一个人身体健康的重要指标，由于ECG图像组成复杂，特征较多，人眼识别往往会出现误差，因此该文提出一种基于数据生成的ECG病理信号分类算法。首先，扩散生成网络通过向真实的ECG信号添加噪声，逐步将其转换为接近纯噪声的分布，从而便于模型的处理。为了提高生成速度和减少内存占用，该文进一步提出了一种基于知识蒸馏的蒸馏-扩散生成 (KD-DGN)模型，该模型在内存和生成效率上优于传统的DGN。该文还讨论了KD-DGN的内存占用、生成效率及ECG数据的准确性，探讨了轻量化处理后生成的数据特征。最后，通过比较原始MIT-BIH数据集与扩展数据集(MIT-BIH-PLUS)在分类模型中的效果，表明卷积网络能够从DGN生成的扩展数据集中获取更多的特征信息，从而提升ECG病理信号的识别效果。

关键词：ECG信号分类, 扩散生成网络, 卷积网络

基金资助：国家自然科学基金(62371181)，常州市政策引导类计划(CZ20230029)