从少量样本数据选择到后处理的整体框架。首先，扩散模型在N样本数据集和指导下的训练。接着，模型生成一个增强的数据集，并进一步优化以提高保真度。最后，这些合成数据与少量样本训练数据集结合，用于基准模型的训练和评估。数据分布从最初的红色变为保真度增强的蓝色，这表明模型与真实数据更加吻合，如简化后的数据分布示意图所示。

这篇文章的核心内容是介绍了一种名为BG-Diff（Bi-Guided Diffusion）的新型扩散模型，用于在少样本（few-shot）设置下生成具有特定特征的光体积描记图（PPG）信号，以提高基于PPG信号预测动脉血压（ABP）的准确性。文章详细阐述了该模型的设计、实现和评估过程，并展示了其在多个基准数据集上的性能提升。

背景知识

PPG信号是一种通过测量组织中光的吸收或反射来检测血容量变化的生理信号，常用于估计动脉血压（ABP）。然而，PPG信号因测量环境和设备差异而存在显著变化，且数据分布极不均匀，这给基于传感器的系统准确性带来了挑战。

少样本学习（few-shot learning）是一种在少量训练数据上训练模型的技术，特别适用于数据收集困难或敏感的医疗领域。扩散模型因其在生成高质量、多样化数据方面的能力而被选中用于PPG信号的数据增强。

研究方法

文章提出了BG-Diff模型，它结合了两种条件：决定性组条件（determinant group condition࿰