基于脉冲时空流形优化的语义心电图对抗表示 (SCAR)

深度学习模型在电生理图（ECG）分析中已达到专家水平，但仍易受到对抗攻击威胁。然而，将通用对抗扰动（UAP）应用于 ECG 信号 presents a unique挑战：标准不可感知噪声约束（如 10 μV）因心脏波形的高个体变异性而难以生成有效的通用攻击。此外，传统“不可见”攻击易被临床医生视为技术瑕疵，无法突破人类-人机诊断管线。本研究提出 SCAR（Semantic Cardiac Adversarial Representation），即一种针对临床“人类防火墙”的新型 UAP 框架。与传统方法不同，SCAR 将脉冲时空平滑（W=25，约 50ms）、谱系一致性（<15 Hz）和解剖幅度约束（<0.2 mV）直接集成到梯度优化流形中。结果表明：与严格基准（Standard Universal DeepFool 及事后生理滤波）相比，基准在转移任务上性能崩溃（约 16% 成功率），而 SCAR 在 ResNet 上保持稳健的迁移性（58.09%），并在源模型上达到 82.46% 成功率。关键在于，临床分析揭示了 SCAR 的一种新型有针对性行为：SCAR specifically 收敛于伪造冠状动脉心肌梗死特征（90.2% 误诊）。最后，我们展示了 SCAR 具有双重用途：不仅作为鲁棒的数据增强策略用于混合对抗训练，提供最佳临床防御；而且为训练临床医生识别低成本、面向 AI 的语义伪造样本提供了有效教育样本。