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

本文研究应用生成对抗网络（GANs）生成真实且无隐私顾虑的电信号数据，用于医疗培训和数据分析，并就 GANs 产生的合成数据的隐私问题进行讨论。研究结果表明 GANs 的架构成功地生成了与训练集相似且不同样本的时间序列信号，并且能够经受住简单的成员推断攻击，保证了训练集的隐私。

Sep, 2019

本文提出了一种新的基于生成对抗神经网络的框架，名为 PulseGAN，用于通过去噪染色信号产生逼真的远程光电容积脉搏测量 (rPPG) 脉搏信号，以提高健康监控和情感识别的准确性。该框架在公共 UBFC-RPPG 数据库中得到了验证，表明 PulseGAN 可以有效地提高波形质量，进而增强心率 (HR)、心率变异性 (HRV) 和心动间隔 (IBI) 的准确性，且显著优于其他方法。

Jun, 2020

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

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

本研究采用条件生成对抗网络，同时生成不同类别的 ECG 信号和检测心脏异常情况，且基于类别特定的 ECG 信号合成逼真的对抗例子，相比其他分类模型，在检测正常 / 异常 ECG 信号方面表现出更好的性能。

Jul, 2021

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

我们提出了一种基于注意力机制的深度状态空间模型，将光电脉搏图信号转化为相应的心电图波形，从而通过连续的光电脉搏图监测来补充心电图的准确性以检测成人中最常见的心律失常，房颤。在 MIMIC III 数据库的 55 个受试者上对该模型进行了评估，定量和定性的实验结果证明了我们方法的有效性和效率。

Sep, 2023

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

本文提出了一个新方法，使用 Cycle-GAN 来盲目去噪 ECG 信号，从而提高信号质量，无论信号受到何种类型和严重程度的干扰，使其恢复成临床水平的 ECG。该方法在 CPSC-2020 ECG 数据集上经过了量化和定性评估，并得到了心脏病专家的验证。

Jan, 2022