近日，东北大学医工学院谢丽萍副教授指导的本科生在中科院一区TOP期刊《Expert Systems With Applications》发表题为《A Diffusion-Enhanced Classification System for Physiological Signal-based Diagnosis》的研究论文。该期刊为Elsevier旗下人工智能领域国际权威期刊，聚焦专家系统与智能系统的理论创新及跨学科应用，2025年影响因子为7.5，位列中科院计算机科学大类一区TOP期刊。论文由2024级本科生汤昊天、崔涵禹担任共同第一作者，2022级本科生吴熙东、李卓远及2024级研究生许悦参与完成，谢丽萍副教授为通讯作者。论文链接：https://doi.org/10.1016/j.eswa.2026.132906。

该研究聚焦心电图（ECG）、脑电图（EEG）等生理信号的自动化疾病诊断需求，提出了一套扩散增强的生理信号疾病分类系统。不同于传统方法仅关注分类模型或单一数据增强策略，系统将双分支噪声预测扩散模型 PhysioSAug与噪声鲁棒多尺度分类网络 PhysioNeXt有机结合，构建了端到端的智能诊断框架。

图1  PhysioSAug 双分支扩散生成模型结构示意图

PhysioSAug通过全局注意力Transformer分支、多尺度卷积分支及全局 局部融合模块，协同建模生理信号的长程时序依赖与细粒度波形特征，能够生成多模态、多导联、多病理状态下的真实多样信号。PhysioNeXt在ConvNeXt骨干网络中嵌入自适应去噪模块与多粒度特征提取模块，采用相似性引导的软阈值机制抑制噪声干扰，并在不同时间尺度上提取判别性诊断模式。

图2 PhysioNeXt 噪声鲁棒多尺度分类网络结构示意图

实验表明，PhysioSAug数据增强方法可在多个生理信号数据集及不同分类骨干网络上稳定提升诊断性能。该研究从临床数据不足、样本分布不均衡、真实环境噪声干扰等实际痛点出发，探索了生成式建模与鲁棒判别模型协同优化的新路径。相关成果为生理信号智能诊断提供了创新技术方案，对医学人工智能系统在真实临床场景中的可靠应用与辅助诊断落地具有重要参考价值。