Ziel: Elektrokardiogramm (ECG)-Signale leiden häufig unter Störungen wie der Baseline-Wanderung. Eine hochwertige und hochtreue Rekonstruktion dieser Signale ist von großer Bedeutung für die Diagnose von Herz-Kreislauf-Erkrankungen. Daher schlägt dieser Artikel eine neue Technologie zur Entfernung von ECG-Baseline-Wanderung und Rauschen vor. Methoden: Wir erweiterten das Diffusionsmodell auf bedingte Weise, speziell angepasst an ECG-Signale, nämlich das Deep Score-Based Diffusionsmodell zur Entfernung von ECG-Baseline-Wanderung und Rauschen (DeScoD-ECG). Darüber hinaus setzten wir eine Strategie des Mehrfach-Averagings ein, die die Signalrekonstruktion verbesserte. Die Experimente wurden an der QT-Datenbank und der MIT-BIH Noise Stress Test Datenbank durchgeführt, um die Machbarkeit der vorgeschlagenen Methode zu überprüfen. Baseline-Methoden wurden für den Vergleich verwendet, darunter traditionelle digitale Filtermethoden und deep-learning-basierte Methoden. Ergebnisse: Die quantitativen Bewertungsergebnisse zeigen, dass die vorgeschlagene Methode in vier distanzbasierten Ähnlichkeitsmetriken herausragende Leistungen erzielte und mindestens 20 % insgesamt bessere Ergebnisse als die beste Baseline-Methode erzielte. Schlussfolgerung: Dieser Artikel demonstriert die Spitzenleistung des DeScoD-ECG bei der Entfernung von ECG-Baseline-Wanderung und Rauschen, wobei es bessere Approximationen der echten Datenverteilung und höhere Stabilität bei extremen Rauschbeeinflussungen bietet. Bedeutung: Diese Studie ist eine der ersten, die ein bedingtes diffusionsbasiertes Generativmodell für die Entfernung von ECG-Rauschen erweitert hat, und das DeScoD-ECG hat das Potenzial, in biomedizinischen Anwendungen weit verbreitet zu werden.