综述：心搏率检测中的计算效率与内存效率：ECG与PPG技术综述

《Sensors》：Computational and Memory Efficiency in Heartbeat Rate Detection: A Review of ECG and PPG Techniques Manuel Merino-Monge, Clara Lebrato-Vázquez, Juan Antonio Castro-García, Gemma Sánchez-Antón and Alberto Jesús Molina-Cantero

本文系统评述了基于心电（ECG）与光电容积脉搏波（PPG）信号的心搏检测算法，聚焦其在可穿戴设备中的计算、内存与能耗约束。文献分析表明，时域峰值检测方法在ECG信号处理中准确度（≥99.69%）高且复杂度线性，是资源受限系统的优选；频域与矩阵/机器学习方法虽可应用于PPG平均心率估计，但计算开销大，更适合边缘或云端处理。本综述为面向心率（HR）与心率变异性（HRV）应用的高效算法选择与嵌入式实现提供了关键权衡指南。

　　

随着健康监测、运动追踪和压力评估需求的增长，基于心电（ECG）和光电容积脉搏波（PPG）信号的心搏检测在可穿戴设备中应用广泛。然而，算法的实际适用性不仅取决于准确性，还受到资源受限系统固有的计算和内存限制。近期一篇综述通过对2017年至2024年间52项研究的范围性审查，系统评估了时域、频域、矩阵基础和机器学习等多种方法，并着重从估计精度、计算复杂性、内存占用和设备端部署适宜性等维度进行比较，为算法选择与实现策略提供了深刻洞见。

心搏率估计的生理信号基础

心脏活动分析是评估人体状态、健康风险、运动表现和压力水平的重要手段。ECG通过测量心脏电活动来记录信号，其QRS波群（由心室收缩产生）最为显著。PPG则基于特定波长的光照射皮肤，通过检测经组织透射或反射的光强变化来反映血容量变动。两者均可用于获取心率（HR）及其变异性（HRV）。HR计算可基于ECG中相邻QRS波群的时间间隔，或PPG信号中的主频成分；HRV分析则需要心跳间隔时间序列。在可穿戴场景中选择PPG或ECG时，需权衡运动敏感性、电极成本和测量舒适度等因素。

方法学：范围性审查框架

该研究遵循Arksey和O‘Malley提出的范围性审查方法框架，旨在回答“如何从ECG和PPG信号中检测心搏？”这一核心问题，并探究其计算局限与能耗约束。研究检索了Scopus、PubMed和IEEE Xplore三大数据库2017年至2024年8月的文献，经筛选最终纳入52篇论文进行分析。审查特别关注适用于单通道ECG或PPG信号、且适合在计算、内存和能耗受限的可穿戴设备上实时运行的HR估计算法。

ECG信号的心跳检测

从ECG估计心跳通常包括信号预处理、QRS波群检测和心率计算几个步骤。其中，心率计算公式为：HR = 60 / RR_QRS(i)，其中RR_QRS表示连续QRS波群之间的时间间隔（秒）。

• •
  ECG预处理
  预处理旨在消除基线漂移（<0.5 Hz）和工频干扰（50/60 Hz），常用高通和陷波滤波器。为增强QRS波，也常使用5–20 Hz的带通滤波器。此外，小波变换（WT）、变分模态分解（VMD）和经验模态分解（EMD）等自适应多分辨率技术也可用于提取QRS相关的频带。其他预处理手段还包括幅度归一化、直流分量去除、基于布谷鸟搜索优化算法的自适应滤波、中值滤波、移动平均滤波以及指数权重均值-方差滤波等。
• •
  时域增强与检测
  时域方法通常通过整流（取绝对值、平方等）和滑动窗口积分（或移动平均）来生成每个QRS波群对应的类钟形脉冲。常辅以香农能量计算来集中QRS区域能量。也有研究采用包络提取、中值滤波、计算信号方差或自适应滤波预测误差等策略。另一种思路是通过对归一化的一阶导数进行特定运算来增强特征。此外，还有方法致力于保持QRS形态以便后续分析Q、R、S波位置，或采用概率分析（利用峰值斜率、幅度和布拉维斯-皮尔逊相关性等统计参数）结合贝叶斯规则和KL散度来判定QRS复合波。
• •
  时频变换方法
  时频方法利用小波变换（WT）等工具，通过分析特定分解层级（通常对应QRS的5–20 Hz频带）来定位QRS。希尔伯特变换（HT）可用于生成与QRS形态对齐的包络；S变换、可变频率复分解法以及非负矩阵分解等技术也应用于从频谱中分离QRS成分。
• •
  阈值判定
  增强后的信号通过阈值判定QRS时刻。常见方法包括检测希尔伯特变换的零交叉点，或设置自适应阈值。自适应阈值可根据历史QRS幅度进行递归更新（如加权移动平均、指数衰减），也可采用双阈值系统以同时检测正向和负向QRS。时域滤波（如拒绝间隔小于250 ms的检测）常用于剔除伪迹。
• •
  ECG中的机器学习
  机器学习方法，特别是卷积神经网络（CNN），被用于从信号片段中预测QRS存在的概率。网络架构多样，包括简单CNN、结合长短时记忆网络（LSTM）的CNN、并行多分支CNN（处理不同频率成分）、编码器-解码器结构以及层次聚类算法等。这些模型通常能实现高准确率（如99.96%），但计算成本相对较高。

PPG信号的心率估计

从PPG估计心率同样始于预处理以消除运动伪迹等噪声，随后进行候选点选择与心跳定位。

• •
  PPG预处理
  鉴于心率范围通常在[40, 240] BPM，预处理常采用[0.4, 4] Hz或[0.5, 10] Hz的带通滤波。为应对运动伪迹，可采用经验模态分解（EMD）或变分模态分解（VMD）保留特定频率分量（如[0.75, 2.5] Hz）。此外，基于方差表征序列的运动检测、结合奇异值分解的信号重建、离散余弦变换滤波以及基于加速度计的自适应最小均方滤波等方法也被用于降噪。
• •
  PPG心率估计方法
  心率可通过计算功率谱中主导频率分量获得：HR = 60 × F_HR，其中F_HR为心率对应频率。时域方法通过检测PPG波形的峰值（对应收缩期）来估计心跳间隔，但易受运动干扰。频域方法（如傅里叶变换）能估计平均心率，但无法保留心跳间期信息，误差范围约为[1.07, 6.4] BPM。矩阵分解方法（如非负矩阵分解）和机器学习方法（如CNN-LSTM混合模型、自编码器、隐马尔可夫模型等）也被应用，其中一些方法在特定数据集上能达到较低的均方根误差（如2.34 BPM），但计算复杂度较高。

计算、内存与效率的综合考量

该综述的核心贡献在于对不同方法进行了跨维度的比较评估：

• •
  ECG方法：时域峰值检测方法 consistently 提供高准确度（最低79.25%，最高99.96%，中位数≥99.69%），且具有线性计算复杂度、低内存需求和低能耗，最适合在可穿戴设备上实现。频域、矩阵基础和机器学习方法虽然也能实现高精度（如95.4%至99.96%），但往往带来更高的计算成本，在可穿戴场景下的性能提升并不成比例。
• •
  PPG方法：频域方法适用于从PPG估计平均心率，但会丢失心跳间期信息。矩阵和机器学习方法在PPG信号处理中误差范围约为[1.07, 6.4] BPM，其较高的计算开销在资源受限的穿戴设备上需要慎重权衡。
• •
  结论：轻量级的信号处理技术（特别是时域方法）在可穿戴设备中实现了准确性与效率之间最有利的权衡。而计算密集型的方法（如某些复杂的机器学习模型）则更适合在具备更强处理能力的边缘设备或云端进行计算。这一分析为面向心率与心率变异性应用的嵌入式系统设计，在选择算法、确定最小内存、计算能力和功耗要求时提供了关键决策依据。