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。该研究针对 EEG 中肌肉、眼动、电极、咀嚼及颤抖伪迹标注成本高的问题，比较条件 WGAN-GP 与 1D 去噪扩散模型能否生成具有真实感且符合指定标签的多通道伪迹片段，用于数据增强与压力测试。其贡献是建立同时考察逼真度、类别特异性和下游增强效用的比较基线，而非仅凭生成信号的外观判断质量。 数据来自 TUH EEG Artifact（TUAR），采用按被试划分的数据集和固定长度多通道窗口，摘要以 250 个采样点为窗口长度示例，但未给出对应时长。两类模型使用不同预处理：对抗训练采用逐窗口 min–max 归一化，扩散模型采用逐记录、逐通道 z-score 标准化。条件 WGAN-GP 使用 projection discriminator，扩散模型使用 classifier-free guidance；具体网络结构、条件编码及训练配置尚未验证。 评估包括三个维度：逼真度通过 Welch 频带功率差（Δδ、Δθ、Δα、Δβ）、通道协方差 Frobenius 距离、自相关 L2 及 MMD/PRD 衡量；类别特异性通过轻量 kNN 或分类器检验类别条件恢复；实际效用通过合成数据对伪迹识别的增强效果检验。作者报告，在本文采用的数据划分与各模型预处理设置下，WGAN-GP 的频谱对齐更好、相对真实数据的 MMD 更低，但两种模型的类别条件恢复均较弱，限制了直接的数据增强收益。摘要未提供具体数值，不能据此断言 WGAN-GP 在所有质量维度或其他 EEG 数据上更优。 复现时需核对被试划分、窗口构建、类别分布、不同归一化方式对比较结果的影响，以及增强实验的训练与测试协议。作者表示发布了数据清单、训练配置和评估脚本组成的可复现流程，但材料未提供可核查的实现细节。实验协议、消融及统计信息尚未验证；本研究直接涉及 EEG 伪迹处理，但并未证明其能改善具体 BCI 任务性能。