從少量樣本數據選擇到后處理的整體框架。首先，擴散模型在N樣本數據集和指導下的訓練。接著，模型生成一個增強的數據集，并進一步優化以提高保真度。最后，這些合成數據與少量樣本訓練數據集結合，用于基準模型的訓練和評估。數據分布從最初的紅色變為保真度增強的藍色，這表明模型與真實數據更加吻合，如簡化后的數據分布示意圖所示。

這篇文章的核心內容是介紹了一種名為BG-Diff（Bi-Guided Diffusion）的新型擴散模型，用于在少樣本（few-shot）設置下生成具有特定特征的光體積描記圖（PPG）信號，以提高基于PPG信號預測動脈血壓（ABP）的準確性。文章詳細闡述了該模型的設計、實現和評估過程，并展示了其在多個基準數據集上的性能提升。

背景知識

PPG信號是一種通過測量組織中光的吸收或反射來檢測血容量變化的生理信號，常用于估計動脈血壓（ABP）。然而，PPG信號因測量環境和設備差異而存在顯著變化，且數據分布極不均勻，這給基于傳感器的系統準確性帶來了挑戰。

少樣本學習（few-shot learning）是一種在少量訓練數據上訓練模型的技術，特別適用于數據收集困難或敏感的醫療領域。擴散模型因其在生成高質量、多樣化數據方面的能力而被選中用于PPG信號的數據增強。

研究方法

文章提出了BG-Diff模型，它結合了兩種條件：決定性組條件（determinant group condition?