本文提出了一种基于去噪扩散概率模型的心电波形合成方法，此方法可以生成心跳、完成部分信号或进行心跳预测，且其效果较其他同类方法更佳，为心电信号合成提供了一个更为广义的条件方法。

Jun, 2023

本文提出一种基于生成式对抗网络（GANs）和统计的心电图（ECG）数据建模的新方法，以在 ECG 信号生成任务中利用先前对 ECG 信号动态特性的理解，在 MIT-BIH 心律失常数据库中进行实验验证，结果表明以 2-D 格式建模 ECG 信号的时间和幅度变化可以生成更真实的信号并提高最新的心律失常分类基线的性能。

Oct, 2022

该论文提出一种产生锐实的心电图图像的新方法，用于训练深度学习算法，在保护个人身份信息的同时使用这些图像来进行数字化，得到的结果表明，产生的合成心电图像数据集对于训练深度学习模型具有重要意义。

Jul, 2023

使用生成对抗网络 (GAN) 的 ECGNet 程序能够从任何单导联输入生成完整的 12 导联心电图 (ECG) 信号，并且通过交叉和自相关分析识别能够表征心血管疾病的特征。经过与肺心病功能结果数据，并使用具有 CVD - 指示特征的 ECG 信号作为输入进行 CVD 发作预测的 CNN 模型训练后，我们的模型可以实现对多个 CVD 目标的准确预测。该研究是首次利用单导联输入预测剩余的 11 个导联。

Sep, 2023

本文提出了一种新型的面向疾病的生成对抗网络 ME-GAN 用于多视角心电图合成，实现了以疾病为条件的泛光心电表征，并将它们投影到多种标准视图上，同时还提出了一种新的度量标准 rFID 来评估合成心电图信号的质量。

Jul, 2022

本文系统性地综述了深度生成模型在生理信号方面的研究，特别是心电图、脑电图、光电容抗图和肌电图等，总结了最新的技术、应用和挑战，同时强调了评估协议和生理数据库。

Jul, 2023

提出了一种基于健康心电图数据训练的去噪扩散生成模型（DDGM），该模型注重心电图形态学和导联间的依赖关系。结果表明，这种创新型生成模型能够成功生成逼真的心电图信号。此外，还探索了使用 DDGM 解决线性逆贝叶斯问题的最新突破应用。这种方法能够开发出几种重要的临床工具，包括计算校正的 QT 间期（QTc）、有效抑制心电图信号的噪声、恢复缺失的心电图导联以及识别异常读数，从而实现心脏健康监测和诊断方面的重大进展。

Dec, 2023

该研究提出了一种名为 CardioGAN 的对抗生成网络，通过接收 PPG 信号为输入，生成 ECG 信号为输出，旨在解决智能手表等可穿戴设备中连续和可靠心脏监测方案的问题。该模型通过利用注意力机制生成器来学习局部显著特征，并采用双重判别器来保持所生成数据在时间和频域内的完整性，实验结果表明，由 CardioGAN 生成的 ECG 提供了比输入 PPG 更可靠的心率测量数据。

Sep, 2020

通过物理基础模型和深度学习方法的结合，本文提出了一种新的混合建模框架来描述个性化的心脏数字孪生，在两个实例和合成实验的证明下，展示了这种混合建模框架的可行性和广泛适用性。

Mar, 2024

该研究通过扩展 SimGAN 方法来调整一维数据，并修改基因编程框架 ezCGP 以进化 SimGAN，以评估新的定量指标，并使用该框架来增强心电图数据集，以提高异常心电分类器的准确性。

May, 2022