心电图（ECG）信号包含生物特征信息，共享原始ECG信号可能导致患者重识别和隐私泄露。现有的ECG匿名化方法在隐私保护与效用保留之间存在权衡：增强隐私往往会降低下游任务（如心律失常检测）的性能，而保留效用则容易泄露个人信息。针对这一问题，本文提出了一种基于重建感知的ECG匿名化方法REAN（REconstruction-aware ECG ANonymizer），旨在原始信号层面实现隐私-效用的最优平衡。REAN的核心思想是使用一维U-Net架构对原始ECG信号进行重建，训练过程中利用冻结的隐私分类器和效用分类器的损失函数来指导匿名化：一方面最小化隐私泄漏（即使得隐私分类器无法正确识别患者身份），另一方面保留与任务相关的生理信息（如心律失常特征）。关键的创新在于作者发现隐私和效用的梯度方向接近正交（约93.8°），因此减少隐私泄漏几乎不影响效用。在四个公开PhysioNet数据库上的实验表明，REAN在原始ECG信号匿名化基线中达到了最强的隐私-效用平衡：重识别准确率从0.96降至随机水平0.00，心律失常检测宏AUROC保持在接近无干扰水平（原始0.9982 vs REAN 0.9991），并且对未见过的隐私分类器架构仍保持强大的重识别防护能力。该方法为医疗数据共享中的隐私保护提供了新的思路。