ArtifactGen：面向标签感知 EEG 伪迹合成的 WGAN-GP 与 Diffusion 基准比较

基于摘要分析。本研究针对 EEG 中肌肉、眼动、电极、咀嚼与颤抖等伪迹标注成本高、干扰自动分析的问题，比较条件 WGAN-GP 与 1D 去噪扩散模型能否生成真实且符合指定类别的伪迹片段，用于数据增强与压力测试。贡献主要是建立多维评估基线，并揭示信号分布相似与类别条件有效性之间的差距。 数据与机制：研究使用 TUH EEG Artifact（TUAR）语料，按被试划分数据并构建固定长度多通道窗口，摘要以 250 个采样点为例，未提供对应时长。WGAN-GP 使用投影判别器，扩散模型使用 classifier-free guidance。两者采用不同预处理：对抗训练按窗口进行 min–max 归一化，扩散模型按记录、通道进行 z-score 标准化；核对模型比较时需考虑这一差异，不能仅将结果归因于生成架构。 评估分为三类：保真度采用 Welch 各频带功率差、通道协方差 Frobenius 距离、自相关 L2 距离及 MMD/PRD；类别特异性通过轻量 kNN 或分类器检查类别条件恢复；实际效用通过伪迹识别任务中的增强效果评估。作者报告，在其当前设置下，WGAN-GP 与真实数据的频谱更接近、MMD 更低，但两类模型的类别条件恢复均较弱，限制了直接的数据增强收益。摘要未提供具体分数、统计不确定性或增强幅度，不能据此推断某模型在所有指标上更优。 本版本全部分析均基于固定检查点的事后评估，没有重新训练，因此结果应限定于所用检查点与评估设置，不代表重新调优后的性能上限。作者称发布包含数据清单、训练配置及评估脚本的可复现流程，其可获取性尚未验证。被试划分细节、类别分布、训练规模、对照配置、消融及统计信息尚未验证；用于 EEG 数据增强前，仍需核对生成样本的类别一致性及独立测试集上的下游收益。