脉搏片段智能筛选：抗运动干扰的心率监测算法SRPNet

为解决运动伪影干扰下非接触式心率检测精度低的问题，研究者提出SRPNet算法，融合时域、频域及统计特征，通过全连接神经网络(FCNN)学习特征权重，实现脉搏信号三级质量评估（高质量/部分可用/不可用）。实验表明，在严重运动干扰场景下，排除信号质量<0.63的片段后，SRPNet的HR检测精度超越现有方法，显著提升rPPG技术在真实场景的可靠性。

　　

论文解读

在公共卫生与个人健康监测领域，心率（HR）作为核心生理指标，可反映心律失常、失眠及体力活动水平。传统接触式检测需佩戴设备，而远程光电容积描记技术（remote photoplethysmography, rPPG）通过摄像头捕捉面部肤色微变实现无接触心率监测，具有便捷、低感染风险的优势，尤其适用于婴幼儿及传染病患者。然而在实际应用中，运动伪影（如头部晃动）、环境光线波动及设备噪声严重干扰rPPG信号，导致脉搏波形失真，心率计算准确性大幅降低。更棘手的是，干扰信号与真实心率信号频域特征相似，传统滤波方法难以有效分离，过度处理甚至可能损伤有效信号。

针对上述挑战，来自国内研究机构的研究者开发了SRPNet算法，创新性地提出基于多维度特征融合的脉搏信号质量评估体系。该成果发表于《Biomedical Signal Processing and Control》，其核心突破在于：通过智能筛选高质量脉搏片段，显著提升运动干扰场景下的心率检测精度。

关键技术方法

1. 多维度特征提取：从原始rPPG信号中提取时域（如波形周期性）、频域（如频谱能量分布）及统计特征（如信噪比），并融合运动参考信号特征。
2. 特征权重学习：利用全连接神经网络(FCNN)训练特征权重与偏差值，量化各特征对信号质量评估的贡献度。
3. 三级质量分级：基于权重分析构建信号质量评分模型，将片段分为高质量（可用）、低质量（部分可用）及不可用三级，设定0.63为可用性阈值。
4. 跨场景验证：采用UBFC-rPPG、MMSE-HR及私有数据集，在无干扰、轻微运动干扰和严重运动干扰三类场景进行跨库测试。

研究结果

• 运动干扰显著影响HR检测精度
实验数据表明，运动干扰导致HR测量误差激增，尤其在剧烈运动场景下，传统方法误差率攀升至临界水平。

• SRPNet实现高质量片段精准筛选
在严重运动干扰场景中，当排除信号质量评分<0.63的片段后：

• SRPNet的HR检测精度超越所有对比算法
• 关键运动特征权重分析揭示：头部平移幅度、加速度频域能量等特征与信号质量强相关

• 跨数据集验证鲁棒性
在UBFC-rPPG数据集上：

• 库内测试：平均绝对误差(MAE)降低21.3%
• 跨库测试（MMSE-HR→UBFC）：MAE仍保持低于主流方法

• 光线干扰暴露模型局限
在LGI-PPGI-FVD数据集中，环境光线突变导致算法性能下降，揭示当前模型对光干扰的敏感性。

结论与意义

SRPNet通过多特征融合与权重学习，首次实现rPPG信号的三级质量智能评估，其核心价值在于：

1. 精准剔除低质片段：在严重运动干扰下，以0.63为质量阈值过滤信号片段，使HR检测误差降至临床可接受范围（MAE<5 BPM）。
2. 特征贡献可视化：通过FCNN权重分析，明确头部运动加速度频域能量、信号峰谷对称性等特征对质量评估的主导作用，为算法优化提供靶点。
3. 推动真实场景应用：解决运动伪影导致的数据可靠性难题，扩展rPPG在家庭健康监护、传染病房监护等动态场景的应用边界。

该研究的局限在于未充分建模环境光干扰的影响，未来需融合光强自适应补偿机制。尽管如此，SRPNet为构建抗干扰非接触式生命体征监测系统提供了新范式，其"评估-筛选"框架可迁移至血氧、呼吸率等多参数检测领域，推动智慧医疗设备的场景适应性突破。