基于Galaxy Watch的PPG信号数据集GalaxyPPG：半自然场景下的心血管监测新工具

本研究针对消费级可穿戴设备（如Galaxy Watch）在真实场景下PPG（光电容积描记）信号受运动伪影干扰的难题，开发了包含24名参与者多模态生理信号的GalaxyPPG数据集，同步采集腕部PPG（Galaxy Watch 5/Empatica E4）与胸导联ECG（Polar H10）数据。通过社交压力测试（TSST/SSST）和日常活动实验，验证了消费级设备在HR/HRV监测中的性能差异，并开源数据采集工具包，为运动伪影消除算法开发和真实场景健康监测研究提供了重要资源。

　　

心血管健康监测正迎来可穿戴设备革命，但隐藏在智能手表背后的技术挑战却鲜为人知。当你在跑步时查看心率，是否想过那些跳跃的数字可能只是手腕晃动制造的假象？这正是当前消费级PPG（光电容积描记）技术面临的困境——运动伪影（MA）会像噪音般淹没真实的脉搏信号。尽管研究级设备（如Empatica E4）能提供高质量数据，但价格昂贵且不符合日常使用场景，使得科学家们难以评估Galaxy Watch等普及设备在真实世界中的表现。

韩国科学技术院的研究团队在《Scientific Data》发表的这项研究，犹如为行业投下一枚“数据炸弹”。他们开发的GalaxyPPG数据集首次将消费级（Galaxy Watch 5）与研究级（Empatica E4）设备置于同台竞技，通过精心设计的半自然实验，揭示了智能手表在压力监测和运动场景下的性能边界。这项研究不仅为算法开发提供了黄金标准数据集，更让普通人使用的健康监测工具首次获得科研级验证。

研究团队采用多模态同步采集技术，通过三星健康传感器SDK获取Galaxy Watch 5的原始PPG信号（25Hz），同时用Empatica E4（64Hz BVP）和Polar H10（130Hz ECG）作为参照。24名健康参与者（20-29岁）在实验室完成社交压力测试（TSST面试/SSST唱歌）和日常活动（打字/跑步等），形成包含351万PPG样本的超大规模数据集。技术验证采用峰值匹配率（PMR）和HRV分析，结合四种去噪算法（IMAT/Kalman/Wiener/SVD）评估信号质量。

背景与摘要
消费级PPG设备面临运动伪影的“阿喀琉斯之踵”。现有数据集（如WESAD、PPG-DaLiA）依赖研究级设备，而GalaxyPPG首次整合商业智能手表数据，填补了真实场景验证的空白。

方法学创新
自主研发的Galaxy Wearable Logger工具包实现PPG/ACC/HR多信号同步采集。实验设计包含两大场景：TSST/SSST诱发心理压力，键盘输入/跑步机运动产生物理干扰，形成生态效度极高的数据链。

数据记录
数据集包含三层结构：Polar H10提供ECG金标准，Empatica E4输出研究级BVP，Galaxy Watch 5采集原始PPG。独创的“弱信号检测算法”确保数据质量，采样率偏差均<2%（如PPG实测24.90±0.06Hz vs 25Hz理论值）。

技术验证
基线测试中Galaxy Watch与ECG的HR误差仅3.8%（75.89 vs 78.47 bpm），但跑步时误差飙升至37%（98.05 vs 133.76 bpm）。Wiener滤波提升PMR至95.36%，但SDNN（心率变异性标准差）仍存在136.25ms vs 40.86ms的显著差异，证实运动伪影仍是消费设备的技术瓶颈。

使用说明
研究者需注意数据集限定于绿色PPG通道（515nm），且参与者均为东亚人群（Fitzpatrick III-IV型皮肤）。原始PPG信号需反相处理，因Galaxy Watch采用反射式传感器设计。

这项研究的突破性在于构建了首个“消费-研究”双轨验证体系。通过对比Galaxy Watch 5与Empatica E4在相同生理状态下的表现，发现即使经过先进滤波处理，消费设备在剧烈运动时仍丢失近40%的ECG特征峰。这些发现为下一代智能手表算法开发划定了明确的改进靶点——不是简单地模仿研究设备，而是需要建立适合消费级传感器的全新信号处理范式。

开源的数据采集工具包更引发连锁反应，使得以往被厂商SDK限制的原始PPG数据得以被学术界自由获取。当科技巨头与学术机构共享数据标准时，可穿戴医疗才能真正从“时尚配件”蜕变为“生命卫士”。GalaxyPPG数据集就像一把钥匙，正在打开消费医疗设备临床验证的潘多拉魔盒。