基于AlphaFold3的CHCHD2单体病理突变结构效应研究：构象集合生成与运动伪影校正算法在PPG心率监测中的创新应用

针对运动伪影影响光电容积脉搏波(PPG)心率监测准确性的难题，研究人员系统评估了126种结合加速度计的HR估计算法，首次对11种开源算法进行统一基准测试。研究发现深度学习算法BeliefPPG表现最优（偏差0.7±0.8 bpm，相关系数0.73），为可穿戴设备动态心率监测提供了可靠解决方案。

　　

在数字健康时代，通过智能手表等可穿戴设备实现持续、无创的心率监测已成为健康管理的重要需求。光电容积脉搏波(Photoplethysmography, PPG)技术因其便捷性被广泛应用，但运动过程中产生的伪影(motion artifacts)导致信号失真，其噪声频谱(0.1-10 Hz)与PPG脉动成分(0.5-4 Hz)重叠，使传统滤波方法失效。尽管已有研究提出结合加速度计数据的校正算法，但缺乏系统性比较和真实场景验证。

意大利Complementary National Plan资助的DARE项目团队在《Computers in Biology and Medicine》发表重要研究。研究人员首先通过PubMed/Scopus/GitHub系统检索126种PPG-HR估计算法，发现60%算法仅在小规模IEEE SPC数据集验证。随后采用PPG-DaliA自然场景数据集，建立包含估计偏差、变异系数和Spearman相关性的多维评估体系，对11种开源算法进行统一基准测试。关键技术包括：基于信号质量评估算法量化运动干扰强度、构建深度学习与传统算法的对比框架、采用意大利PNC-1.1计划资助的真实世界数据集。

研究结果显示：

1. 算法性能比较：深度学习组在动态场景下显著优于传统算法，BeliefPPG表现最佳，其HR估计偏差(0.7±0.8 bpm)比最差算法低3.2 bpm，变异系数(4.4±2.0 bpm)达最优水平。
2. 运动干扰影响：加速度计数据校正使算法在剧烈运动时的Spearman相关系数提升0.21±0.15，证实运动补偿的必要性。
3. 数据集局限性：75%算法仅在实验室环境验证，PPG-DaliA数据集测试显示算法泛化能力存在显著差异。

讨论部分指出，该研究首次建立PPG-HR算法的标准化评估框架，证实深度学习在运动伪影校正中的优势。BeliefPPG通过端到端学习实现PPG信号与加速度计数据的特征融合，其4.4 bpm的变异系数已接近临床可接受范围。但作者强调，现有数据集仍缺乏心血管疾病患者数据，未来需扩大样本多样性以提升算法普适性。这项研究为可穿戴医疗设备的精准监测提供了方法论基础，其构建的评估体系将成为后续研究的重要基准。