基于同步心电参考的夜间心冲击图数据集：推动中老年人群床旁心律评估算法发展

《Scientific Data》：A ballistocardiogram dataset with reference ECG signals for bed-based heart rhythm assessment

本研究针对心冲击图(BCG)技术在真实临床场景中缺乏多样化病理数据的问题，收集了46名中老年受试者（含心律失常及心肌缺血患者）的夜间BCG信号及同步Holter心电图(ECG)数据。通过时间-频率融合信号处理技术，实现了心率(HR)和心率变异性(HRV)的精准提取（误差≤2.76 bpm，符合AAMI标准），为BCG技术在心血管疾病早期筛查和长期监测中的临床应用提供了高质量开源数据集。

　　

随着心血管疾病全球负担的持续加重，连续心血管健康监测成为早期识别风险因素、降低疾病发生率的关键手段。虽然心电图(Electrocardiogram, ECG)是临床诊断的金标准，但其依赖皮肤接触的测量方式导致长期监测中存在舒适性差、易引起皮肤过敏等问题。这使得无感心血管监测技术成为研究热点，其中心冲击图(Ballistocardiogram, BCG)因其通过日常物品（如床垫、椅垫）无感采集心脏机械振动信号的特性，展现出巨大潜力。

BCG通过记录心脏收缩射血引起的细微身体振动，系统反映循环功能状态，可提取心率(Heart Rate, HR)、心跳间隔(Inter-Beat Interval, IBI)和心率变异性(Heart Rate Variability, HRV)等关键心律指标。尽管BCG技术已在睡眠监测、情绪识别、呼吸障碍检测等多领域应用，现有研究多集中于健康年轻人群，与真正需要长期监测的高风险人群（如中老年及心血管病患者）存在显著差异。这类人群常伴有心房颤动、室性早搏等心律失常疾病，这些病理状态会改变心室射血模式，引起BCG波形形态变化（如振幅衰减、间隔不规则），导致基于健康人群训练的BCG心律模型泛化能力不足。

为填补这一空白，由华中科技大学软件学院Gang Shen团队联合浙江大学医学院附属邵逸夫医院等机构的研究人员，在《Scientific Data》发表了首个包含临床多样化人群的开放式夜间BCG数据集。该研究采集了46名中老年参与者（年龄27-93岁）在自然睡眠状态下的BCG信号，并同步记录了三维Holter ECG作为参考。参与者包含心房心律失常、室性心律失常、心肌缺血及非临床性窦性心律失常等多种心血管健康状况，真实反映了临床监测人群的特征。

研究采用BOBO Technology Co., Ltd.开发的聚偏氟乙烯(Polyvinylidene fluoride, PVDF)压电薄膜传感器（采样率125 Hz）采集BCG信号，同步使用三导联Holter设备（型号Beneware CT-08S，采样率200 Hz）记录ECG。通过带通滤波（3-12 Hz）、信号质量评估（均方根阈值分割）和时间-频率融合特征提取等技术处理BCG信号，并采用自动多尺度峰值检测(Automatic Multi-scale Peak Detection, AMPD)算法识别心跳事件，最终以ECG标注结果为金标准进行验证。

数据采集与处理

研究在浙江大学医学院附属邵逸夫医院开展，参与者为住院健康检查或接受24小时ECG监测的患者。BCG传感器水平放置于床垫表面，长轴垂直于人体头脚方向，确保仰卧时心脏位置正对传感器。数据采集从就寝准备开始至次日醒来结束，所有BCG信号通过加密传输实时上传云端，ECG信号根据记录时间提取，并通过网络时间协议(Network Time Protocol, NTP)和手动校准实现信号同步。

信号质量验证

通过计算带通滤波后信号的均方根(Root Mean Square, RMS)值，将BCG段分为有效段、体动干扰段和离床事件段。设定阈值τ₁=0.25×中位数和τ₂=2×中位数，排除干扰段及前后5秒缓冲期，保留连续≥5分钟的有效BCG段进行分析。结果显示，所有参与者有效BCG段平均占比70.95%（平均有效时长443.16分钟），表明数据集适用于可靠心血管指标推导。

心律指标提取与验证

研究采用时间-频率融合策略提取HR特征：时间域通过希尔伯特变换提取能量包络，频率域通过小波变换提取能量包络，将所得包络线性组合生成复合信号，再利用AMPD算法识别心脏相关峰值。以60秒为单位计算HR，与ECG衍生心率（R-R间隔计算）进行对比。

三种信号处理策略（时间序列能量包络、频域能量包络和时间-频率复合包络）的验证结果表明，复合包络方法具有最优的一致性：95.6%的数据点落在95%一致限内，回归方程（y=1.06x±4.61）接近理想趋势，皮尔逊相关系数r=0.92（p<0.001），均方根误差(Root Mean Square Error, RMSE)=2.76 bpm，平均绝对误差(Mean Absolute Error, MAE)=1.75 bpm，符合美国医疗器械促进协会(Association for the Advancement of Medical Instrumentation, AAMI)的临床标准（误差≤10%或±5 bpm）。

Bland-Altman分析进一步显示，时间-频率融合方法相比单特征方法具有更窄的差异分布和更低的平均偏差，证实了融合策略的增强鲁棒性。

该研究创建的数据集首次提供了真实世界环境下夜间心脏活动的开放访问BCG数据，具有三大核心特征：临床多样化队列（涵盖从健康个体到心律失常和心肌缺血患者）、真实世界有效性（家庭化环境中自然夜间睡眠采集）和同步ECG参考（提供时间对齐的心脏电活动数据）。这不仅为开发基于BCG的心律指标提取算法（如IBI、HRV）提供了资源，尤其增强了对心律失常和波形异常的鲁棒性处理能力，还为心血管疾病（如心房颤动、心房扑动和缺血事件）的早期检测提供了支持，并启发了多模态融合应用（如ECG合成、生物特征识别和纵向生命体征监测）。

研究通过验证常规算法在HR估计上的可靠性，为未来采用更先进的机器学习方法评估心律指标（如HRV、IBI）奠定了坚实基础。数据集的技术验证代码已公开于GitHub仓库，支持进一步研究和应用开发。该工作通过填补BCG研究在临床多样化数据方面的空白，推动了无感监测技术在真实医疗场景中的部署，对实现长期、连续的心血管健康管理具有重要意义。