心电图噪声对超短期心率变异性指标的频率特异性影响研究

研究人员针对可穿戴设备采集的心电信号(ECG)易受噪声干扰的问题，系统研究了不同类型噪声对超短期(约2分钟)心率变异性(HRV)分析的影响。通过模拟白噪声和特定频率噪声(0.01-300Hz)在-3至20dB不同信噪比(SNR)条件下的干扰，发现低频噪声(≤3Hz)在SNR≤5dB时显著影响HRV指标的可靠性，而高频噪声影响较小。研究证实SNR≥10dB可确保HRV分析的可靠性，为可穿戴设备在复杂环境中的应用提供了重要参考依据。

　　

在现代医疗监测领域，可穿戴设备正日益普及，它们可以持续记录使用者的心电信号(ECG)，为心血管健康评估提供重要数据。然而，这些设备在实际使用中面临一个棘手问题：采集的信号常常受到各种噪声干扰，导致信噪比(SNR)降低。特别是在日常活动或极端环境中，运动伪迹、电源干扰等噪声会严重影响信号质量。更关键的是，目前尚不清楚不同类型的噪声如何影响超短期(约2分钟)心率变异性(HRV)分析的准确性，而HRV作为评估自主神经系统功能和心血管健康的重要指标，其可靠性直接关系到临床诊断的准确性。

为了解决这一问题，意大利巴勒莫大学工程学院的研究团队开展了一项系统性研究，成果发表在《Computers in Biology and Medicine》上。研究人员通过模拟实验，探究了不同类型噪声对HRV指标的影响，为可穿戴设备的临床应用提供了重要参考依据。研究采用了17名健康志愿者的心电数据，通过数字滤波预处理获得参考信号后，模拟了白噪声和0.01-300Hz范围内的特定频率噪声，在-3至20dB不同SNR条件下进行测试。关键技术包括：改进的Pan-Tompkins算法提取R-R间期(RRI)时间序列；时间域(MEAN、SD、RMSSD)、频域(LF、LF_norm、LF/HF)和信息域(H、CE)多维度HRV指标分析；以及Spearman相关性和Bland-Altman等多种统计验证方法。

2.1 数据采集与预处理

研究使用自研多传感器便携系统采集17名健康志愿者(24.7±4.1岁)的ECG信号，采样频率1kHz。通过Butterworth带通滤波(0.1-20Hz)和Chebyshev II型高通滤波(0.40Hz)去除基线漂移和工频干扰，获得参考信号用于后续分析。

2.2 噪声模拟

研究模拟了白噪声和0.01、0.1、0.3、3、50、300Hz六种特定频率噪声，SNR设置为-3、1、5、10和20dB。低频噪声模拟呼吸等生理干扰，3Hz模拟房颤，50Hz模拟电源干扰，300Hz模拟肌电噪声。

2.3 时间序列提取

采用改进的Pan-Tompkins算法从2分钟ECG片段中提取RRI时间序列，平均长度145±18次心跳。通过视觉检查确保信号质量和R峰检测准确性。

2.4 时域分析

计算MEAN、SD和RMSSD指标。结果显示低频噪声在SNR≤5dB时显著影响指标可靠性，而白噪声和高频噪声影响较小。MEAN指标对噪声最稳健，即使SNR=-3dB时仍保持高相关性(R_s=1.00)。

2.5 频域分析

采用Blackman-Tukey方法计算功率谱密度，分析LF(0.04-0.15Hz)、HF(0.15-0.40Hz)频段功率。低频噪声在SNR≤5dB时导致LF功率显著增加，LF/HF比值失真，而≥50Hz噪声影响较小。

2.6 信息域分析

使用k近邻(knn)和线性(lin)方法估计熵(H)和条件熵(CE)。信息域指标对噪声更敏感，特别是线性方法。knn方法在SNR≥5dB时表现更稳健，而lin方法在SNR≤5dB时偏差较大。

1. 结果

   综合分析表明，SNR≥10dB可确保各域HRV指标的可靠性。低频噪声(≤3Hz)在SNR≤5dB时影响最大，导致时间域指标偏差>370ms，频域指标失真，信息域指标相关性降低。白噪声和高频噪声(≥50Hz)影响相对较小，但SNR=-3dB时仍会导致显著偏差。

研究通过多角度验证了不同类型噪声对HRV指标的影响程度和特点。最重要的发现是确立了10dB的SNR阈值，这为可穿戴设备的信号质量要求提供了明确标准。特别值得注意的是，低频噪声由于与生理信号频段重叠，其干扰更难通过滤波消除，这对房颤等病理状态下的HRV分析提出了特殊挑战。研究还揭示了信息域指标对噪声的敏感性，建议在低质量信号中谨慎使用线性熵估计方法。

这项研究的实际意义在于为可穿戴设备的开发和应用提供了重要指导：一方面明确了信号质量的最低要求，另一方面也为不同应用场景下的HRV分析策略选择提供了依据。例如在运动监测等噪声难以避免的场景，可优先选用对噪声鲁棒性更强的时域指标。此外，研究结果也提示需要开发更先进的信号处理算法，特别是针对低频噪声的抑制技术，以提升可穿戴设备在复杂环境中的监测可靠性。