自监督自动编码器网络用于从噪声较大的光电容积脉搏图（PPG）中提取可靠的心率数据：将盲源分离技术应用于生物信号分析

《Computers in Biology and Medicine》：Self-supervised autoencoder network for robust heart rate extraction from noisy photoplethysmogram: Applying blind source separation to biosignal analysis

提出自监督多编码器自动编码器MEAE用于从噪声PPG信号中分离心跳信号，无需预处理，在九名受试者日常活动和手术数据集（4681例）中验证，RMSE 4.9±，相关性0.407±，优于传统方法，适用于医疗级HR检测。

　　本文提出了一种用于从噪声干扰的脉搏波（PPG）信号中提取心率（HR）的盲源分离（BSS）方法。该方法基于一种自监督的多编码器自编码器（MEAE）网络架构，旨在解决PPG信号中因运动伪影、皮肤接触变化等因素导致的噪声干扰问题，从而提升HR检测的准确性。PPG作为一种通过光的透射或反射来测量外周脉搏的技术，广泛应用于医疗和健康监测领域，例如重症监护中的血氧饱和度检测和可穿戴设备中的HR监测。然而，PPG信号在实际应用中常常受到各种噪声的影响，特别是在日常活动和手术过程中，这些噪声可能显著降低HR检测的可靠性。

传统的PPG信号去噪方法，如基于频率的滤波、自适应滤波以及小波方法，虽然在一定程度上能够改善信号质量，但它们各自存在一定的局限性。例如，频率分析难以处理非平稳噪声，自适应滤波需要已知的噪声参考信号，而小波方法则依赖于小波基与目标信号之间的匹配度，这种匹配关系可能会随着生理状态的变化而改变。此外，这些传统方法在处理信号时可能会引入相位失真，从而影响时域特征的完整性。因此，寻找一种无需依赖特定噪声模型或参考信号，同时能够有效提取HR信号的去噪方法，成为当前研究的一个重要方向。

自编码器（Autoencoder, AE）作为一种无监督学习的神经网络模型，近年来在生物信号处理领域展现出良好的应用前景。AE的主要功能是学习输入数据的高效表示，通过编码器将输入数据压缩为低维特征，再通过解码器重建原始数据。在一些研究中，AE已被用于EEG特征提取、ECG分类以及生物特征数据压缩等任务。然而，尽管AE在这些任务中表现出色，其在PPG信号去噪方面的应用仍然较为有限。特别是在实际环境中，PPG信号常常受到多种复杂噪声的干扰，传统的AE模型可能无法充分适应这些噪声的多样性。

在之前的研究中，作者提出了一种多编码器自编码器（MEAE）架构，并通过自监督的方式进行训练，以从混合信号中提取出源信号。该方法在提取呼吸频率方面取得了良好的效果，其结果与通过胸廓运动测量得到的呼吸频率具有可比性。这一成果表明，MEAE在生物信号处理中的潜力，尤其是在无需依赖外部参考信号的情况下，能够有效提取出与生理活动相关的特征。然而，该方法仍然存在一定的局限性，例如需要人工添加噪声以模拟实际环境中的干扰，这可能限制了其在不同噪声类型下的泛化能力。

为了克服上述问题，本文提出了一种改进的MEAE方法，能够在不进行任何预处理或数据筛选的情况下，直接从大规模开放多导睡眠图（polysomnography, PSG）数据库中训练模型。该数据库包含大量PPG信号，能够覆盖不同个体在多种生理状态下的数据。通过利用这些数据，MEAE能够在复杂的噪声环境下自动学习并提取出与心率相关的源信号。这种方法不仅避免了对噪声模型的依赖，还提高了模型的泛化能力，使其能够适应更多实际应用场景。

在实验中，作者将训练好的MEAE模型应用于两个不同的数据集：一个是九名受试者在日常活动中的噪声PPG数据集，另一个是包含4681名患者的手术数据集。通过对比提取出的HR信号与同时记录的ECG信号，研究团队评估了MEAE在去噪效果和HR检测精度方面的表现。结果显示，MEAE提取出的HR信号在误差和相关性方面均优于原始PPG信号，特别是在存在显著噪声的情况下，MEAE能够有效地分离出心率相关的特征。这一发现表明，MEAE在PPG信号处理中的应用具有重要的实际意义，尤其是在医疗级设备中需要进行脉搏波分析的场景。

盲源分离（BSS）作为一种信号处理技术，其核心思想是通过分析混合信号的结构，恢复出原始的源信号。在BSS过程中，通常假设混合信号是由多个源信号通过一个未知的混合系统产生的，而目标是找到一个逆向的映射，将混合信号还原为源信号。BSS可以应用于多种类型的混合信号，包括音频、图像和生物信号等。在生物信号处理中，BSS方法被广泛用于从混合信号中提取出特定的生理特征，例如心率、呼吸频率和脑电波等。

本文的研究基于BSS的基本原理，通过MEAE网络架构实现对PPG信号中HR成分的提取。MEAE的核心在于其多编码器结构，每个编码器负责学习不同的特征表示，从而增强模型对复杂信号的处理能力。通过自监督的方式进行训练，MEAE能够利用PPG信号本身的信息，无需额外的标签数据即可完成学习过程。这种自监督训练方法不仅降低了数据标注的难度，还提高了模型的适应性，使其能够在不同的噪声环境下保持良好的性能。

在实际应用中，PPG信号的噪声来源多种多样，包括环境噪声、运动伪影以及设备本身的干扰等。这些噪声通常具有非平稳性，即其统计特性会随时间变化，这使得传统的去噪方法难以有效应对。MEAE通过其多编码器结构和自监督训练机制，能够在不依赖噪声模型的情况下，学习到PPG信号中与HR相关的特征。这种方法的优势在于，它能够自动适应不同类型的噪声，并且在训练过程中不需要对数据进行额外的预处理或筛选，从而简化了整个信号处理流程。

此外，MEAE的应用不仅限于HR提取，还可能拓展到其他生物信号的处理。例如，在睡眠监测中，PPG信号可以用于分析呼吸频率和血氧饱和度等参数，而MEAE的自监督训练机制能够帮助提取这些关键特征。在手术过程中，PPG信号可以用于监测患者的心率和血流动力学状态，MEAE的高鲁棒性使其能够在复杂的医疗环境中保持良好的性能。因此，MEAE在生物信号处理中的应用具有广泛的前景，特别是在需要实时监测和分析的医疗场景中。

本文的研究结果表明，MEAE在PPG信号去噪和HR提取方面表现出色。通过将MEAE应用于不同噪声环境下的PPG数据，研究团队验证了该方法的有效性。在日常活动数据集中，MEAE能够从噪声干扰的PPG信号中准确提取出HR信号，其误差和相关性指标均优于原始PPG信号。在手术数据集中，MEAE同样能够有效分离出HR相关的成分，显示出其在复杂环境下的鲁棒性。这些实验结果不仅证明了MEAE在PPG信号处理中的可行性，还为其在其他生物信号领域的应用提供了理论支持。

从技术角度来看，MEAE的成功在于其自监督训练机制和多编码器结构的设计。自监督训练机制使得模型能够在没有外部标签的情况下，通过数据本身的结构和模式进行学习，从而提高了模型的泛化能力。多编码器结构则增强了模型对不同特征的提取能力，使其能够更好地适应PPG信号中的复杂成分。此外，MEAE的训练过程不需要对数据进行任何预处理，这在实际应用中具有重要意义，因为它能够减少数据准备的复杂性，提高处理效率。

在实际应用中，MEAE的去噪效果可能会受到多种因素的影响，例如数据采集设备的精度、环境噪声的强度以及受试者的生理状态等。因此，未来的研究可以进一步探索MEAE在不同设备和环境下的性能表现，以确保其在实际医疗场景中的可靠性。此外，MEAE的模型结构和训练方法也可以进行优化，以提高其在处理大规模数据集时的计算效率和资源利用率。

本文的研究还强调了MEAE在生物信号处理中的潜在价值。由于PPG信号在医疗和健康监测中具有重要的应用意义，而MEAE能够有效提取HR信号，这使得其在临床诊断和健康管理中具有广阔的应用前景。例如，在远程医疗和可穿戴设备中，MEAE可以用于实时监测患者的心率变化，从而为医生提供更准确的诊断依据。此外，MEAE还可以与其他生物信号处理技术相结合，以实现更全面的健康监测和分析。

在方法论方面，本文提出了一种基于MEAE的BSS方法，其核心在于利用自监督学习机制提取PPG信号中的HR成分。这种方法不仅避免了传统去噪方法的局限性，还能够适应不同类型的噪声环境。通过将MEAE应用于两个不同的数据集，研究团队验证了该方法的有效性，并展示了其在实际应用中的潜力。这些实验结果表明，MEAE能够在复杂的PPG信号中准确提取出HR信号，从而为后续的HR分析和应用提供了高质量的数据支持。

从研究意义来看，本文的研究为PPG信号的去噪和HR提取提供了一种新的解决方案。该方法不仅能够在没有预处理的情况下处理PPG信号，还能够有效应对非平稳噪声的干扰，从而提高了HR检测的准确性。此外，MEAE的自监督训练机制使其具有较强的适应性，能够在不同个体和不同环境条件下保持良好的性能。这些优势使得MEAE成为一种有潜力的生物信号处理工具，特别是在需要高精度HR监测的医疗场景中。

在实际应用中，MEAE的去噪效果可能会受到数据质量的影响。例如，如果PPG信号本身存在较大的失真或缺失，MEAE的性能可能会有所下降。因此，未来的研究可以进一步探讨如何提高PPG信号的质量，以增强MEAE的处理能力。此外，MEAE的模型结构也可以进行改进，以适应不同类型的生物信号处理任务。例如，在提取呼吸频率或其他生理特征时，MEAE可以通过调整编码器的结构和训练目标，实现更精确的特征提取。

本文的研究还涉及了一些伦理和数据使用的问题。例如，MESA数据集是通过申请获得的，这表明研究团队在数据使用方面遵循了相应的伦理规范。此外，对于9名受试者的PPG数据集，研究团队也确保了所有数据的采集和处理均符合伦理标准，并获得了受试者的知情同意。这些做法不仅符合科学研究的伦理要求，也为后续的研究提供了可借鉴的范例。

总的来说，本文提出了一种基于MEAE的BSS方法，用于从噪声干扰的PPG信号中提取HR信号。该方法通过自监督训练机制，避免了传统去噪方法的局限性，并能够在复杂的噪声环境下保持良好的性能。实验结果表明，MEAE在提取HR信号方面具有显著的优势，其误差和相关性指标均优于原始PPG信号。这些成果不仅为PPG信号的去噪和HR提取提供了新的思路，也为其他生物信号处理任务提供了参考。未来的研究可以进一步优化MEAE的模型结构和训练方法，以提高其在不同应用场景下的适应性和性能。同时，研究团队还可以探索MEAE与其他生物信号处理技术的结合，以实现更全面的健康监测和分析。