Las tareas de aprendizaje automático que involucran señales biomédicas a menudo se enfrentan a problemas como la disponibilidad limitada de datos, conjuntos de datos desequilibrados, complejidades de etiquetado y la interferencia del ruido de medición. Estos desafíos a menudo obstaculizan el entrenamiento óptimo de los algoritmos de aprendizaje automático. Abordando estas preocupaciones, presentamos BioDiffusion, un modelo probabilístico basado en difusión optimizado para la síntesis de señales biomédicas multivariadas. BioDiffusion demuestra excelencia en la producción de señales multivariadas no estacionarias de alta fidelidad para una variedad de tareas, incluida la generación incondicional, condicional a la etiqueta y condicional a la señal. Aprovechar estas señales sintetizadas ofrece una solución notable a los desafíos mencionados anteriormente. Nuestra investigación abarca evaluaciones cualitativas y cuantitativas de la calidad de los datos sintetizados, subrayando su capacidad para mejorar la precisión en tareas de aprendizaje automático relacionadas con señales biomédicas. Además, al compararse con los modelos generativos líderes actuales de series temporales, la evidencia empírica sugiere que BioDiffusion los supera en calidad de generación de señales biomédicas.