생리 신호 시계열에 대한 강력한 표현 학습은 효율적인 소수 샷 학습 애플리케이션 개발에 중요한 과제이다. 이 논문에서는 산란 변환기(Scattering Transformer, ST) 특징에서 파생된 맥락적 산란 잠재 공간 내에서 작동하는 매니폴드 인식 확산-증강 대조 학습(DACL) 프레임워크를 제안한다. 제안된 프레임워크는 확산 모델의 생성 구조와 지도 대조 학습의 차별적 능력을 효율적으로 활용한다. 대조 학습 프레임워크 내에서, 우리는 구조화된 매니폴드 인식 특징 증강 기술로 산란 잠재 공간에서 순방향 확산 과정을 사용한다. PhysioNet 2017 ECG 벤치마크 데이터 세트를 사용하여 제안된 프레임워크를 평가했다. 제안된 방법은 단일 리드 ECG 신호에서 심방 세동을 감지하는 작업에서 0.9741의 경쟁력 있는 AUROC를 달성했다. 제안된 프레임워크는 관련 최신 기술과 동등한 성능을 달성했다.
