基于表示学习的领域无关PPG信号质量评估框架

《Scientific Reports》：Domain-independent PPG signal quality assessment framework via representation learning

　　

摘要

光电容积脉搏波描记法（PPG）是一种广泛使用的无创传感技术，可用于监测心血管和呼吸参数。然而，其测量结果极易受到干扰因素的影响，这些因素会降低信号质量，进而影响所获取生命体征的准确性。因此，可靠的PPG信号质量评估至关重要。但现有的评估方法往往依赖手工设计的特征或特定的阈值，且通常针对特定数据集，难以在不同传感器位置和用户群体中通用。为解决这些问题，本文提出了一种新的PPG信号质量评估方法，该方法具有实时处理能力且不受传感器位置影响。该算法通过深度表征学习技术，利用预训练的PPG变换器（PPG-PT）并结合三元组损失函数，构建一个嵌入空间，在该空间中可根据PPG信号的形态特征对其进行了有意义的分类。随后通过计算每个时间窗口的嵌入距离与高质量PPG信号对应的参考嵌入之间的距离，来量化信号质量，从而得到一种灵活的基于参考的标准分数。这种方法在适应新设备或新应用场景时无需重新训练模型。该框架在三个PPG数据集上进行了测试：用于手指PPG信号的复杂系统实验室（CSL）数据集、用于手腕PPG信号的可穿戴及临床设备（WCS）数据集，以及用于颈部PPG信号的呼吸暂停与干扰因素（AA）数据集，这些数据集涵盖了多种干扰类型和不同的记录条件。在该框架下，模型在CSL数据集上的评估结果与专家标注高度一致，F1分数约为\(\approx\)90%。在WCS可穿戴设备数据集上，该方法也展现了出色的通用性：通过使用来自多个受试者的参考数据集，其在手腕PPG数据上的F1分数高达约\(\approx\)95%，体现了该方法在更大范围应用中的潜力。而在AA颈部PPG数据集上的表现则较为一般，F1分数约为\(\approx\)70%，这可能是由于该数据集中存在的干扰类型复杂且表现形式多样所致。所提出的方法提供了一种基于深度学习的PPG信号质量评估框架，能够适用于不同位置的PPG传感器和不同类型的设备。