基于PPG质量评估与深度神经网络建模的运动心率估计算法创新研究

为解决运动状态下光电容积脉搏波(PPG)信号质量不稳定导致的心率(HR)估计误差问题，研究人员创新性地将频域峰度(kurtF )指标与深度神经网络(DNN)建模相结合。通过构建E-K散点图筛选高质量PPG样本，在PPG_DaLiA和IEEE-Training数据集上分别实现3.76 bpm和3.18 bpm的MAE，为运动生理监测提供了抗运动干扰的新范式。

　　

这项研究开创性地将光电容积脉搏波(PPG)信号质量评估与深度神经网络(DNN)建模相结合，为运动状态下的心率(HR)监测提供了创新解决方案。研究团队引入频域峰度(kurt_F
)这一全新指标，能有效识别受运动伪影干扰较小的高质量PPG样本。通过构建能量-峰度(E-K)散点图可视化分析，实现了训练数据集的智能优化筛选。

针对单通道PPG信号设计的专用DNN模型，在公开数据集PPG_DaLiA和IEEE-Training上分别取得3.76次/分钟(bpm)和3.18 bpm的平均绝对误差(MAE)。理论分析与实验验证共同揭示：基于kurt_F
指标的样本优选策略可显著提升模型稳定性，使心率估计误差降低达23.5%。研究还开发了标准化数据集质量分析方法，为不同PPG监测设备的性能比较建立了统一框架。

该成果的重要意义在于：首次将信号质量评估深度融入HR估计流程，即使在数据受限场景下，通过kurt_F
筛选的优质样本仍能保证模型性能。这为可穿戴设备在剧烈运动场景下的精准生理监测开辟了新途径，推动PPG技术向临床级应用迈进。