《Sensors》：Improving Wearable PPG Monitoring with Morphology-Aware and Learning-Driven Heartbeat Detection
编辑推荐：
光电容积脉搏波（Photoplethysmography, PPG）是一种广泛使用的非侵入性心率监测技术，但其可靠性常因噪声和运动伪迹（Motion Artifacts, MAs）而受损。本研究提出峰值相关脉搏检测器（Peakwise Correlation
光电容积脉搏波（Photoplethysmography, PPG）是一种广泛使用的非侵入性心率监测技术，但其可靠性常因噪声和运动伪迹（Motion Artifacts, MAs）而受损。本研究提出峰值相关脉搏检测器（Peakwise Correlation Pulse Detector, PCPD），一种无需在运行期间依赖心电图（Electrocardiogram, ECG）信号、可直接从PPG信号中检测心搏的算法，并在干净及受控合成无脉搏噪声条件下对其进行评估。PCPD遵循五步流程：（1）带重叠的信号分段；（2）使用高质量心搏模板进行滑动互相关；（3）计算最小相关曲线（Minimum Correlation Curve, MCC）；（4）基于机器学习的特征提取与分类；（5）带约束分析的峰值平移。该方法在一个干净数据集上进行了评估，该数据集包含新采集的、带有手动标注信号质量的PPG数据集，以及公开可用的BIDMC数据集；此外还在一个噪声数据集上进行了评估，该噪声数据集通过带限高斯噪声生成的合成无脉搏片段对干净数据进行增强。该评估框架在理想条件下以及受控非信息噪声协议下测试了心搏检测器。在干净信号上，PCPD在所提出数据集（内部性能）上取得了99.13%的平衡精确率-召回率得分，在独立BIDMC数据集上取得了97.04%。在添加合成无脉搏噪声条件下，PCPD在所提出数据集和BIDMC数据集上分别取得了99.30%和97.16%的准确率。在与十一种基准心搏检测算法的对比实验中，PCPD在所测试的合成噪声协议下，于所评估的实现方案中取得了最佳性能。这些结果支持PCPD作为一种有前景的纯PPG峰值检测器，并推动其在真实运动伪迹条件下以及下游信号质量评估中的进一步验证。
论文解读文章
一、研究背景与问题
光电容积脉搏波（Photoplethysmography, PPG）是一种非侵入性、被广泛采用的技术，常用于可穿戴设备监测心率等心血管健康指标。其波形由重复周期构成，每个周期包含对应收缩压的主收缩峰和振幅较低的舒张峰。然而，PPG数据的准确性与可靠性常受多种外部因素显著影响，尤其是运动伪迹（Motion Artifacts, MAs）。这些由受试者日常活动产生的伪迹会扭曲PPG波形，使分析复杂化。在低灌注条件下，脉搏波微弱且收缩压与舒张压差异极小，生理信号极易被噪声掩盖。研究表明，MAs可导致高达70–71%的脉搏血氧仪误报警，在呼吸暂停监测中，错误去饱和报警率甚至可达85%。此外，肤色差异、传感器佩戴位置和环境光照等因素也会加剧信号退化，削弱后续自动化信号分析及生理解读的准确性。同时，在运行期间不依赖心电图（Electrocardiogram, ECG）等额外数据来检测心搏，有助于实现可穿戴设备的独立运行。现有文献中，许多方法依赖PPG信号与ECG或加速度计等同步数据源结合以提高检测精度，但此类方法受限于辅助信号的可用性和精确同步。且以ECG作为验证参考存在方法论局限：ECG标记的真阳性（True Positive, TP）峰在PPG信号中未必可辨，算法因未识别此类峰而受罚，可能源于生理信号固有差异而非算法缺陷。因此，亟需开发仅利用PPG信号即可准确识别收缩峰的先进技术。
二、研究内容与结论
针对上述问题，研究人员提出了峰值相关脉搏检测器（Peakwise Correlation Pulse Detector, PCPD），一种无需辅助ECG或加速度计信号即可在PPG信号中进行心搏检测的算法，并强调其对受控无脉搏噪声的鲁棒性。该方法的性能以人工验证的PPG脉搏峰而非独立ECG参考为基准进行评估。通过识别内在PPG波形模式，PCPD在所测试协议下将合理心搏特征与非信息性噪声极大值区分开来。研究结论表明，PCPD在干净信号上，于所提出数据集取得99.13%的平衡精确率-召回率得分（内部性能），在独立BIDMC数据集上取得97.04%；在添加合成无脉搏噪声条件下，于两个数据集分别取得99.30%和97.16%的准确率。在与十一种基准算法的对比中，PCPD在所测试合成噪声协议下取得最佳性能。这些结果支持PCPD作为有前景的纯PPG峰值检测器，并需在真实运动伪迹条件下进一步验证。其重要意义在于提供了一种可独立运行的PPG心搏检测方案，为可穿戴监测中的信号质量评估（Signal Quality Assessment, SQA）工作流奠定基础。
三、关键技术方法
研究人员构建了包含新采集的多受试者PPG数据集（使用Polar Verity Sense设备，三光学通道平均，采样率55 Hz，共24小时数据，分为8640个10秒片段，按四级信号质量分级）及公开BIDMC数据集（53条记录，每条8分钟，采样率125 Hz）的干净评估数据集，并构建了通过注入带限（0.5–8 Hz）高斯噪声模拟无脉搏片段的噪声数据集。PCPD算法采用五步流程：带1秒重叠的信号分段；使用16个由高质量（Grade-4）片段平均心搏生成的理想模板进行滑动皮尔逊互相关；计算最小相关曲线（Minimum Correlation Curve, MCC），即各时间点所有模板相关值的最小值；提取偏度（Skewness）与面积比（Ratio of Area, RoA）两个形态特征，输入二次判别分类器进行二分类；最后进行峰值平移（±10样本搜索窗口）与约束分析（心率限值40–220 bpm、窗口边缘对称性差异不超过50%）。评估采用精确样本索引一一对应匹配，无时间容差窗口。
四、研究结果
4.1 干净信号性能：在无添加噪声条件下，PCPD于所提出数据集（4462个Grade-4片段，49626个参考峰）取得99.13%的平衡精确率-召回率得分，于BIDMC数据集（37035个参考峰）取得97.04%，表明其在理想干净条件下能有效识别脉搏峰。
4.2 噪声条件下性能：在注入合成无脉搏噪声后，候选集共134643个局部极大值，其中44.44%为有效脉搏候选，55.56%为无效噪声候选。PCPD在所提出数据集取得99.30%准确率、99.03%召回率、99.30%精确率，于BIDMC取得97.16%准确率、97.31%召回率、96.82%精确率。平衡准确率分别为99.27%和97.17%。结果表明其能有效区分真实脉搏形态与合成非脉搏噪声。
4.3 基准方法对比：与十一种基准心搏检测算法（来自ppg-beats工具箱默认参数）对比，在干净条件下多数方法表现良好，主要例外为PWD和ATM。在噪声条件下，PCPD取得最佳准确率与F1分数，优于MSPTD和AMPD等基于尺度图的多尺度峰值检测方法。PCPD的优势特定于合成噪声条件；在干净信号上，其与最强基准方法表现相当但未超越（如ERMA和qppg在部分数据集上F1更高）。PCPD在干净BIDMC上的假阳性（False Positive, FP）约94%落在参考峰后20%–60%间搏间期，即舒张波位置，约三分之二来自53条记录中的5条，归因于模板与分类器源自腕部反射式PPG，其舒张特征较弱，应用于具有明显重搏波的指端透射式PPG时产生差异。
4.4 消融与敏感性分析：在噪声数据上，移除心率范围约束、边缘对称约束或分类器均导致性能下降，其中分类器是噪声鲁棒性的主导因素（移除后F1损失3.59个百分点，假阳性增加12倍）；在干净数据上，这些约束影响可忽略甚至略负，表明其作为噪声拒绝机制而非通用滤波器。边缘对称阈值在0.5以下稳定，0.7时急剧退化；峰值平移窗口在±10样本达到平台；心率上限在180–240 bpm间变化无显著影响。
4.5 受试者独立评估：在未参与模板或分类器开发的29个受试者（受试者22–50）上，PCPD性能未下降（干净F1为99.50%，噪声准确率为99.50%）。在受试者级五折交叉验证中，每折重建模板与分类器，干净F1为98.93%，噪声准确率为98.87%。噪声条件下，PCPD在全部50个受试者上均超过MSPTD和AMPD（中位差异+7.1和+7.9个百分点，受试者为单位的两侧Wilcoxon符号秩检验p<0.001）。最低折（噪声准确率96.90%）是唯一模板来自不同受试者的折，表明对模板来源存在一定依赖性。
五、讨论与结论
讨论部分指出，PCPD在干净与合成噪声条件下均表现强劲，其抗噪能力归因于MCC及其形态特征设计。两数据集间的性能差距（BIDMC上精确率与召回率均较低，FP为852对232，漏检为719对320）与域依赖性一致：模板与分类器均仅由所提出数据集构建，对独立数据集存在预期优势。研究局限性包括：未按BMI分层分析性能、未在低灌注条件下专门评估、真实Grade 2/3片段（占数据集26.6%）未纳入定量评估、分类器分割为片段级而非受试者级、模板源自单一受试者、基准方法采用默认实现而PCPD在自有数据上开发。未来工作需包括BMI与灌注状态分层分析、真实Grade 2/3片段峰级标注与评估、含自然发生PPG伪迹的数据集验证，以及独立受试者队列与采集设备上的泛化验证。
结论部分翻译：PCPD是一种在干净和受控合成噪声条件下检测PPG信号中心搏的新方法。该算法通过五步流程运行：（1）带重叠的信号分段以确保峰全面捕获，（2）与高质量模板心搏的滑动互相关以评估波形相似性，（3）推导MCC以强调跨模板最不利对齐，（4）基于机器学习、使用偏度和RoA等特征的分类，以及（5）峰值平移与约束分析。PCPD在新建的50受试者数据集（带手动标注信号质量等级）和公开BIDMC数据集的53条记录上进行了评估。在干净条件下评估了86661个手动验证的真实峰；在噪声条件下分析了134643个局部极大值候选。在干净信号上，PCPD在所提出数据集取得99.1%的平衡精确率-召回率得分（内部性能），在独立BIDMC数据集上取得97.0%。在合成无脉搏噪声条件下，PCPD保持了高准确率，所提出数据集为99.3%，BIDMC为97.1%。这些结果凸显了该方法在所测试协议下区分有效脉搏峰与合成噪声诱导伪迹的能力。PCPD的一个关键实际优势是其纯PPG设计，可在部署期间无需ECG等辅助信号即可进行峰检测；尽管如此，独立生理参考（如ECG）将进一步强化未来心搏检测性能的验证。此外，若增加片段级质量验证，PCPD可能对未来SQA工作流有用。总之，PCPD代表了一种有前景的基于PPG的心搏检测方法，在所评估的干净和合成无脉搏噪声条件下提供了抗噪且准确的解决方案。其独立于辅助信号运行的能力表明其在可穿戴PPG监测中具有更广泛的潜在应用，尽管在真实运动伪迹下的验证仍然必要。
