本研究针对眼电信号(EOG)数据采集受限导致深度学习模型训练不足的难题，创新性地开发了基于条件扩散模型的生成框架。研究人员通过向量化类别信息引导信号生成，在阿拉伯数字和日语片假名笔画分类任务中分别取得94.63%和80.36%的准确率，其生成质量与计算效率均优于传统生成对抗网络(TimeGAN)，为运动障碍患者的人机交互系统提供了数据增强新范式。

　　眼睛是心灵的窗户，但对于肌萎缩侧索硬化症(ALS)等运动功能障碍患者而言，眼动更成为他们与外界沟通的唯一桥梁。眼电描记术(EOG)通过捕捉视网膜与角膜间的电位差，将眼球运动转化为可解读的生物电信号，这种技术不受环境光线或眼睑遮挡影响，在辅助通信和眼控交互领域展现出独特优势。然而传统眼动追踪技术存在严重局限——当研究者将屏幕划分为多个区域来对应不同指令时，既要求使用者做出大幅度的眼球转动，又因分区数量受限导致信息传递效率低下。

　　韩国某研究机构团队在《Biomedical Signal Processing and Control》发表的研究中，另辟蹊径地采用眼写技术突破这一瓶颈。这种让用户用视线书写字符的方法，既能减少眼球转动幅度，又可实现单屏传递更多信息。但深度学习模型对EOG数据量的渴求遭遇现实阻碍：作为敏感的生物特征信号，EOG收集面临严格的伦理法律限制，使得样本稀缺成为制约模型精度的关键因素。

　　研究团队创新性地将扩散模型这一图像生成领域的尖端技术引入生物电信号处理。该模型通过逐步添加和去除噪声的迭代过程学习数据分布特性，相比传统生成对抗网络(GAN)能产生更高质量的合成数据。特别值得注意的是，研究者采用条件向量化类别信息引导生成过程，并创造性地利用扩散过程中的中间状态信号来增强数据多样性。实验采用公开的阿拉伯数字(540样本)和日语片假名笔画数据集，通过9倍数据扩增策略验证模型效能。

　　关键技术包括：1) 基于扩散模型的时序信号生成框架；2) 条件向量化类别引导机制；3) 中间状态信号多样性增强策略；4) 动态时间规整(DTW)和深度神经网络(DNN)的对比验证体系。

　　研究选取两个代表性数据集：包含10个阿拉伯数字的540个样本数据集，以及12类日语片假名笔画数据集。通过标准化和滑动窗口分割处理，构建符合扩散模型输入的时序数据格式，保留原始信号的空间-时间特性。

　　生成信号在时域波形和二维轨迹图上均展现出与真实EOG信号高度相似的特征模式。定量评估显示，扩散模型生成的阿拉伯数字分类准确率达94.63%，显著优于传统GAN模型。在更具挑战性的片假名笔画任务中仍保持80.36%的准确率，且推理速度优于参数量更大的TimeGAN模型。

　　该研究首次证实扩散模型在生物电信号生成领域的优越性，其生成质量与计算效率的双重优势，为突破医疗数据隐私壁垒提供了创新解决方案。通过中间状态信号利用策略，有效缓解了小样本条件下的模型过拟合问题。方法论的可扩展性表明，该框架可适配脑电图(EEG)等其它生物电信号，为运动功能障碍患者的辅助技术开发开辟新途径。

　　研究团队特别指出，相比需要30万次迭代训练的GAN模型，扩散模型仅需5万次即可收敛，这种计算效率对临床环境下的实时应用至关重要。未来工作将探索跨模态生成技术，进一步拓展其在多生物信号融合系统中的应用潜力。