ArtifactGen：基准测试 WGAN-GP 与扩散模型用于标签感知的 EEG 伪影合成

脑电图 (EEG) 中的伪影——肌肉、眼动、电极、咀嚼和抖动——干扰了自动化分析，但规模化标注成本高昂。我们研究现代生成模型是否能够合成适合数据增强和压力测试的真实、标签感知的伪影片段。使用 TUH EEG Artifact (TUAR) 语料库，我们构建了受主控的划分和固定长度的多通道窗口（例如 250 个样本），并为每个模型定制了预处理（对抗性训练中每个窗口的 min-max 标准化；扩散模型中每个记录/通道的 z-score 标准化）。我们将带条件的 WGAN-GP 与投影判别器与 1D 去噪扩散模型进行比较，并沿三个维度进行评估：(i) 通过 Welch 带宽功率 delta ($\Delta\delta,\ \Delta\theta,\ \Delta\alpha,\ \Delta\beta$)、通道协方差 Frobenius 距离、自相关 $L_2$ 以及分布指标 (MMD/PRD) 评估保真度；(ii) 通过轻量级 kNN/分类器评估特定性；(iii) 通过数据增强效应评估实用性。在本研究中，WGAN-GP 实现了更接近的谱对齐和更低的 MMD 距离，而两个模型都表现出弱的类别条件恢复，限制了即时数据增强的收益，揭示了更强条件和覆盖范围的潜在机会。我们发布了可复现的管道——包括数据清单、训练配置和评估脚本——以建立 EEG 伪影合成的基准，并揭示可操作的失败模式供未来工作使用。