基于双通道混合模型的非接触式心冲击信号运动伪迹检测方法研究

针对非接触式睡眠监测中运动伪迹(MA)干扰导致的心冲击信号(BCG)失真问题，研究人员创新性地提出了一种结合双向门控循环单元-全卷积网络(BiGRU-FCN)与多尺度标准差阈值的混合模型。该模型在10例睡眠呼吸暂停患者数据中实现98.61%的分类准确率，有效信号损失率仅4.61%，显著优于现有方法，为家庭健康监测提供了更可靠的解决方案。

　　

在非接触式健康监测领域，压电传感技术通过捕捉人体微振动实现心率和呼吸监测，为家庭睡眠监测带来革命性变革。然而，这项技术长期面临运动伪迹(Motion Artifacts, MA)的困扰——当受试者翻身或肌肉震颤时，传感器采集的心冲击信号(Ballistocardiogram, BCG)会产生严重失真。现有方法如Alivar的方差阈值法或Enayati的53维特征提取方案，或因特征单一导致漏检，或因计算复杂难以推广。更棘手的是，运动伪迹在持续时间（从1秒到数分钟不等）和形态特征（振幅突变、波形紊乱）上表现出高度随机性，如图1所示，传统算法往往顾此失彼。

针对这一技术瓶颈，华南师范大学电子科学与工程学院（微电子学院）的Yuelong Jiang团队创新性地构建了双通道混合检测模型。该研究通过整合深度学习的抽象特征提取能力与手工特征的物理可解释性，在睡眠呼吸暂停患者数据集中实现了98.61%的MA检测准确率，相关成果发表于《BioMedical Engineering OnLine》。

研究团队采用三项关键技术：首先，对1kHz采样的原始信号进行10倍降采样和6阶巴特沃斯低通滤波（截止频率10Hz）预处理；其次，构建包含双向GRU（时序特征提取）、三组卷积核（7×1,5×1,3×1）的FCN（高维特征抽象）和MLP（形态特征映射）的BiGRU-FCN网络；最后，设计五尺度（1/30/60/120/240秒）标准差阈值决策通道，通过信号变异度量化实现MA辅助判断。

【结果分析】

1. 模型架构验证：如表1所示，BiGRU-FCN在七种时序模型中表现最优，准确率达99.31%，单5秒片段处理仅需26ms。其双向GRU结构参数量（720,066）仅为LSTM-FCN的60%，却实现了更高的F1分数（0.9929）。

2. 多尺度阈值优化：1秒尺度在检测率（95.09%）与信号损失（11.14%）间取得最佳平衡（表2），过短（0.5秒）导致误检激增，过长（5秒）则漏检率上升至18.21%。

3. 双通道协同效应：如图2所示，深度学习对>5秒的复杂MA更具优势（抽象特征捕捉），而手工特征在短时MA检测中准确率更高。融合后模型将8号患者（742次MA）的检测率从95.01%提升至98.11%，同时有效信号损失从18.52%降至4.60%（表3）。

4. 横向对比优势：如表4所示，本模型在四项指标上全面超越Wiard的FD-ICA法（准确率+2.61%）、Enayati的SVM模型（信号损失率降低5.39%）和Alivar的方差阈值法（检测率提升8.61%）。

该研究通过创新性的双通道架构，首次实现MA检测中"长时形态复杂性"与"短时突变显著性"的协同判断。其价值不仅体现在技术指标的突破，更在于为可穿戴设备信号处理提供了"深度学习+物理特征"的新范式。未来若嵌入边缘计算芯片，有望推动非接触式睡眠监测设备的家庭普及，特别适用于呼吸暂停综合征患者的长期夜间监测。