基于LightGBM的手腕光电容积脉搏波信号质量评估方法研究

为解决手腕光电容积脉搏波(PPG)信号易受运动和光线干扰的问题，研究人员开发了基于LightGBM算法的信号质量评估模型。该研究通过提取时频域数学统计特征和模板匹配特征，在公开数据集(WCS)和自建实验室数据集(LAB)上分别取得92.6%和96.1%的准确率，为可穿戴设备心血管监测提供了可靠的质量控制工具。

　　

在可穿戴健康监测领域，手腕采集的光电容积脉搏波(Photoplethysmography, PPG)信号质量直接影响心血管参数监测的准确性。然而现实场景中，运动伪迹和环境光干扰常常导致信号失真。这项研究创新性地提出融合多维度特征的机器学习解决方案：首先对原始信号进行去噪和归一化预处理，随后提取11个基于脉搏波形态学的时频域特征（包括时域统计量和频域特征），并结合2个模板匹配特征（欧氏距离Euclidean Distance和相关系数Correlation Coefficient）。

研究团队采用轻量级梯度提升机(LightGBM)构建分类器，在严格留一法交叉验证(LOSO-CV)框架下取得突破性性能：在公开的WCS数据集（含18名受试者的3,038段Empatica E4设备采集信号）上实现AUC 0.925，召回率达89.8%；在自建的LAB数据集（12名受试者2,426段定制手表采集信号）表现更优，F1-score高达96.6%。特别值得注意的是，该模型对运动干扰场景下的信号识别精度(98.1%)显著优于传统方法。

这项技术突破使得智能手表等穿戴设备能够像专业医疗仪器般"智能过滤"噪声信号，其创新性的特征工程策略——将脉搏波形态分析与动态模板匹配相结合，为移动健康监测领域提供了新的质量评估范式。高达0.941的AUC值表明，该算法具备临床级应用潜力，可有效提升居家场景下的心率变异性(HRV)和血氧饱和度(SpO₂)监测可靠性。