基于流形学习的PPG信号表征：在异常检测、活动分类与真实性验证中的创新应用

《IEEE Transactions on Biomedical Engineering》：Manifold Learning Approaches for Characterizing Photoplethysmographic Signals

本文针对光电容积脉搏波（PPG）信号分析中存在的变异性大、采集设置不统一、可解释性有限等问题，提出了一种基于流形学习的低维嵌入框架。研究通过自编码器（AE）、全连接神经网络（FCNN）和均匀流形近似与投影（UMAP）等技术，在临床（BIDMC、MIMIC-PERFORM）、可穿戴（Wrist PPG）和远程PPG（UBFC）四类数据集上验证了低维表征在异常检测、活动分类和信号真实性验证任务中的有效性。结果表明，该方法在不同噪声条件下均能保持稳定的性能（如MIMIC-PERFORM数据集分类F1=0.92，UBFC伪造信号检测AUC=0.73），为生物医学信号分析提供了紧凑且任务相关的编码方案，显著提升了多场景下的分类与检测能力。

　　

心血管系统如同人体的动力泵，通过规律的心跳将氧气和营养物质输送到全身各个角落。这一过程产生的生理信号——尤其是光电容积脉搏波（PPG）——已成为临床监测和健康评估的重要工具。PPG通过光学原理捕捉皮肤微血管的血容量变化，具有无创、低成本、易集成等优势，广泛应用于心率估计、血压监测、睡眠分析等领域。近年来，远程光电容积脉搏波（rPPG）技术的出现，更是让普通摄像头也能实现非接触式心率检测，为远程医疗和健康管理开辟了新途径。

然而，PPG信号分析却面临三大难题：首先，信号形态受个体差异、传感器位置、运动干扰等因素影响，变异性极高；其次，缺乏标准化流程，不同设备采集的数据难以直接比较；最后，大多数深度学习模型虽能提升分析精度，却像“黑箱”一样难以解释其决策依据。这些瓶颈限制了PPG在真实场景中的可靠性和推广价值。

为解决上述问题，西班牙马德里大学研究团队在《IEEE Transactions on Biomedical Engineering》发表了一项创新研究。他们另辟蹊径，将流形学习（Manifold Learning, MnL）引入PPG分析，提出了一种从原始信号中提取低维表征的统一框架。该研究的核心假设是：尽管PPG信号在高维空间中显得复杂多变，但其本质可能分布在一个低维流形上。通过捕捉这一内在结构，即可实现信号的紧凑编码，并支持下游任务如异常检测、活动分类等。

研究团队设计了一套完整的技术流程，涵盖数据生成、预处理、降维和性能评估四个环节。在数据层面，他们利用BIDMC数据集注入可控噪声模拟异常，并通过DeepLive Cam工具对UBFC数据集进行人脸替换，生成伪造视频以验证rPPG信号的真伪性。预处理阶段，信号被重采样至100 Hz，经0.67–8 Hz带通滤波去噪，再进行Z-score标准化和分段缓冲处理。关键降维技术包括：自编码器（AE）通过编码-解码结构学习压缩表征；全连接神经网络（FCNN）以多标签分类为代理任务提取嵌入特征；均匀流形近似与投影（UMAP）则基于拓扑原理构建高维与低维空间的概率映射。最终，性能评估结合了聚类指标（如Davies-Bouldin Index）、分类度量（F1-score、AUC）和异常检测率，全面验证表征质量。

异常检测：噪声环境下的稳健性验证

在BIDMC数据集上，研究引入不同信噪比（SNR）的合成异常，利用HDBSCAN聚类算法识别异常片段。结果显示，即使在2 dB的低信噪比条件下，AE嵌入仍能达到0.77的AUC值，异常检测率为24.16%。随着SNR升高（10 dB、30 dB），检测率逐渐下降，但异常点在潜在空间中始终呈现聚集趋势，证明低维表征对噪声干扰具有鲁棒性。视觉化分析进一步表明，正常信号与异常信号在UMAP生成的环形流形上形成明显分区。

成人-新生儿信号分类：表征可分性对比

针对MIMIC-PERFORM数据集中成人与新生儿PPG信号的差异，AE和UMAP分别生成嵌入特征后，由支持向量分类器（SVC）进行区分。AE表征在测试集上实现90%的准确率（F1=0.92，AUC=0.90），而UMAP表现较差（F1=0.33）。这一结果说明AE更能捕捉年龄相关的生理特征差异，其潜在空间中的信号分布呈现清晰的类间分离。

运动活动聚类：可穿戴场景下的适用性

通过Wrist PPG数据集分析行走、跑步、骑行等活动时，UMAP以最低戴维斯-布尔丁指数（DBI=5.40）显著优于AE和FCNN，表明其更擅长分离运动引起的形态变化。然而，低阻力与高阻力骑行等活动仍存在部分重叠，反映运动伪影对腕部PPG信号的干扰尚未完全解决。

伪造视频识别：rPPG信号的防伪潜力

在UBFC数据集上，仅使用真实视频训练的UMAP模型对伪造rPPG信号仍达到F1=0.75、AUC=0.73的检测效果。潜在空间可视化显示，真实信号形成环状聚集，而伪造信号分布更为分散，说明深度伪造操作会引入可检测的生理信号失真。

本研究系统验证了流形学习在PPG信号分析中的多重价值：低维表征不仅压缩了数据维度，还保留了与生理状态、噪声干扰、信号真实性相关的关键特征。AE在分类任务中表现突出，而UMAP更适用于聚类和异常检测场景，说明方法选择需结合具体应用需求。尽管运动伪影和跨数据集泛化能力仍是挑战，但该框架为可解释生物医学信号处理提供了新思路。未来工作可融合注意力机制等深度学习工具，进一步挖掘表征与生理事件间的关联，推动PPG在健康监测、疾病预警乃至反深伪安全领域的应用。