当前位置：首页 > news >正文

「PPG信号处理——（4）基于PPG-ECG 多模态生理信号预处理与特征提取方法研究」2025年11月2日

news 2025/11/3 9:14:17

1 引言

1.1 研究背景与意义

1.2 国内外研究现状

1.3 研究目标与内容

1.3.1 研究目标

1.3.2 研究内容

2 理论基础与数学模型

2.1 异常检测模型

2.1.1 基于均值 ±k 倍标准差的统计异常检测

2.1.2 基于一阶差分的突变异常检测

2.1.3 基于滑动窗口方差的局部异常检测

2.2 信号滤波模型

2.2.1 Butterworth 零相位带通滤波

2.2.2 尖峰噪声去除

2.3 特征提取模型

2.3.1 ECG R 波检测

2.3.2 PPG 波峰波谷检测

3 实验结果与分析

3.1 关键数值结果分析

3.2 结果图分析

3.2.1 预处理步骤与异常检测图

3.2.2 特征检测结果图

3.2.3 有效窗口示例图

4 结论

4.1 主要贡献总结

4.2 实际应用价值

5 参考文献

摘要：针对可穿戴设备采集的光电容积脉搏波（PPG）与心电图（ECG）信号易受运动伪影、环境干扰影响的问题，提出一套多阶段预处理与高精度特征提取方案。以 DaLiA 公开数据集为研究对象，通过稳健异常检测机制（均值 ±k 倍标准差 + 一阶差分 + 滑动窗口方差）、零相位带通滤波、动态阈值特征定位及严格窗口筛选，实现信号质量优化与关键特征提取。

关键词：PPG 信号；ECG 信号；异常检测；特征提取；信号预处理；

1 引言

1.1 研究背景与意义

PPG 与 ECG 信号作为反映心血管系统功能的核心生理指标，广泛应用于心率监测、睡眠分期、情绪识别等领域 [1]。然而，实际采集过程中，信号易受以下干扰影响：

（1）运动伪影：受试者肢体活动导致传感器接触不稳定，产生高频噪声；

（2）环境干扰：光线变化（PPG）、电磁辐射（ECG）引入基线漂移；

（3）设备噪声：传感器精度差异、信号传输损耗导致的幅值失真。

这些干扰会严重降低信号质量，导致后续特征提取偏差与模型预测误差。DaLiA 数据集作为典型的多模态生理信号数据集，包含 15 名受试者在自然生活场景下的 PPG（64Hz）、ECG（700Hz）信号及心率标签，但原始数据存在采样率不一致、部分受试者数据截断（如 S6）、噪声占比高等问题 [2]，亟需针对性预处理方案。

1.2 国内外研究现状

当前 PPG-ECG 信号预处理研究主要集中于以下方向：

（1）异常检测：传统方法多采用固定阈值（如 3 倍标准差），但无法适应信号统计特性动态变化 [3]；

（2）滤波技术：Butterworth 滤波、小波变换应用广泛，但小波基函数选择依赖经验，易导致特征丢失 [4]；

（3）特征提取：ECG R 波检测多基于 QRS 波群增强（如微分 - 平方法），但对低信噪比信号鲁棒性不足 [5]；PPG 波峰波谷检测常忽略重搏波特征，影响后续脉搏波传导时间（PWV）计算 [6]。

现有方案存在阈值自适应能力弱、特征提取精度不足、未考虑多模态信号协同优化等问题，亟需构建更系统的处理框架。

1.3 研究目标与内容

1.3.1 研究目标

（1）建立自适应异常检测机制，精准识别并排除信号中的异常段；

（2）设计零相位滤波方案，在保留有效特征的同时抑制噪声；

（3）实现 ECG R 波与 PPG 波峰波谷的高精度定位；

（4）构建严格的窗口筛选策略，输出高质量标注数据。

1.3.2 研究内容

（1）推导异常检测的数学模型，确定阈值系数 k 的自适应选择方法；

（2）优化滤波参数，对比不同阶数 Butterworth 滤波器的滤波效果；

（3）设计动态阈值特征定位算法，提升低信噪比信号的特征检测精度；

（4）基于 DaLiA 数据集验证方案有效性，量化分析关键指标。

2 理论基础与数学模型

2.1 异常检测模型

异常检测的核心是区分信号中的 "正常成分" 与 "异常成分"，本文采用三层协同检测机制，具体模型如下：

2.1.1 基于均值 ±k 倍标准差的统计异常检测

首先通过初步过滤排除极端离群点，计算稳健的统计量（避免异常值对均值、标准差的影响）：

（1）初步过滤：排除原始信号中超出 "均值 ±15 倍标准差" 的极端值，公式为：

其中，x_i为信号样本点，为原始信号初始均值，为原始信号初始标准差，N为信号长度。

（2）稳健统计量计算：基于初步过滤后的正常样本集Ω_init，计算稳健均值μ_robust与稳健标准差σ_robust：

其中，M为Ω_init中样本数量。

（3）异常判断：以 "均值 ±k 倍标准差" 为阈值，标记超出范围的异常点：

其中，k为阈值系数（ECG 取 1.5，PPG 取 2），依据信号噪声特性通过交叉验证确定：ECG 信号 QRS 波群能量集中，噪声影响相对较小，取较小 k 值；PPG 信号易受光线干扰，需扩大正常范围，取较大 k 值。

2.1.2 基于一阶差分的突变异常检测

信号突变（如电极脱落、传感器位移）表现为相邻样本点幅值跳变，通过一阶差分检测：

（1）一阶差分计算：

（2）突变阈值确定：基于初步过滤后的样本集Ω_init，计算差分序列的标准差σ_Δx：

其中，μ_Δx为Ω_init对应差分序列的均值。

（3）突变判断：

其中，k_d为差分阈值系数（ECG 取 10，PPG 取 12），通过统计不同干扰场景下的突变幅值确定。

2.1.3 基于滑动窗口方差的局部异常检测

局部高方差（噪声集中）或低方差（信号丢失）均为异常，通过滑动窗口分析：

（1）滑动窗口均值与方差计算：

其中，W为窗口大小（取 5 秒 × 目标采样率 128Hz=640 样本点），确保覆盖完整生理周期。

（2）方差异常判断：基于正常样本集Ω_init计算窗口方差的统计量μ_σw、σ_σw：

（3）最终异常掩码：三层检测结果取并集，过滤短异常段（长度 < 5 样本点，避免孤立噪声误判）：

2.2 信号滤波模型

2.2.1 Butterworth 零相位带通滤波

为保留信号有效频率成分并避免相位偏移，采用 Butterworth 二阶带通滤波器与零相位滤波（filtfilt）结合：

（1）Butterworth 滤波器传递函数：

其中，ωc=2πfc为截止角频率，fc为截止频率（ECG 取 5Hz 与 15Hz，覆盖 QRS 波群能量范围；PPG 取 0.5Hz 与 8Hz，覆盖脉搏波基波与 2 次谐波）。

（2）零相位滤波实现：

其中，b、a分别为滤波器分子、分母系数；先正向滤波，再对结果反向滤波，抵消相位偏移。

2.2.2 尖峰噪声去除

信号中的孤立尖峰（如电磁脉冲干扰）通过滑动窗口均值修复：

（1）尖峰检测

其中，σx为滤波后信号的全局标准差。

（2）尖峰修复：采用前后向填充法，避免信号断裂：

2.3 特征提取模型

2.3.1 ECG R 波检测

采用 "滤波 - 增强 - 定位 - 校正" 四阶段算法：

（1）信号增强：通过微分、平方、滑动平均突出 QRS 波群特征

其中，hd为 5 点微分滤波器，增强 QRS 波群的陡峭边缘；平方操作放大高频成分；滑动平均平滑噪声。

（2）动态阈值定位

初始阈值：（前 2 秒信号最大值的 1/3）；
阈值更新：检测到 R 波后（r为 R 波位置）；

RR 间期约束：正常 RR 间期范围为 0.3-1.5 秒（对应心率 40-200bpm），排除超出范围的伪峰值。

（3）相位校正：在原始 ECG 信号中精确定位 R 波：

其中，r_detect 为增强信号中检测到的 R 波位置，搜索窗口为 ±6 样本点（约 50ms），确保定位原始信号中的真实峰值。

2.3.2 PPG 波峰波谷检测

考虑 PPG 信号的 "主波 - 重搏波" 特征（主波对应心脏收缩期的血流脉冲，重搏波对应主动脉瓣关闭后的血液反流振动），采用多区域搜索 + 动态阈值约束策略，提升复杂噪声场景下的特征定位精度，具体实现如下：

（1）动态归一化

为消除不同受试者、不同采集时段的信号幅值差异（如传感器接触压力变化、皮肤阻抗波动导致的幅值漂移），基于正常段信号的统计特性进行归一化处理：

其中：

xfilter [n] 为经过零相位带通滤波后的 PPG 信号（滤波参数：0.5-8Hz 二阶 Butterworth 滤波器，见 2.2.1 节）；

μ_valid、σ_valid分别为异常检测后正常段信号的均值与标准差（仅使用正常数据计算统计量，避免异常值对归一化结果的干扰）；

分母添加 10^−8 为避免 σ_valid 趋近于 0 时的数值溢出问题。

（2）波峰检测

为从归一化后的脉搏波信号 x_norm 中准确识别出每个心跳周期对应的主波峰，同时抑制噪声干扰并避免重复检测，本系统采用 “动态高度阈值” 与 “最小间距约束” 的组合检测策略。该策略的核心步骤与公式定义如下：

动态高度阈值

该阈值用于过滤由噪声引起的低幅值伪峰，其值根据信号的统计特性动态计算：

其中，μ_norm 与 σ_norm 分别为归一化信号 x_norm 的均值和标准差；α 为经验系数，此处取值为 0.3。仅当候选波峰的幅值超过此阈值时，才被纳入初步候选集。

最小间距约束

为避免在同一脉搏周期内检测到多个重复峰，引入最小峰间距约束，其由目标采样率 fs 计算得出：

其中，β 为比例因子，此处取值为 0.15。在采样率 fs=128Hz 时，计算得最小峰间距为 0.15×128=19 个样本点，对应时间间隔约为 19/128≈0.148s(或148ms)。此约束对应的心率上限为 60/0.148≈405bpm，远超人体正常心率范围（40-200 bpm），从而有效确保在每个心跳周期内至多只识别一个波峰。

波峰定位优化（窗口内二次寻峰）

为修正因前期信号滤波处理可能导致的波峰位置偏移，对初步检测到的每一个波峰 Peaks_initial(i)，在其邻域内进行二次精确定位：

其中，搜索窗口的半宽 W 定义为 W = round(fs×0.05)。在 fs=128Hz 时，W ≈ 6，即窗口总宽度约为 ±39ms。通过在此窗口内搜索信号的局部最大值点，实现对波峰位置的精确修正，提升周期计算的准确性。

（3）波谷检测

针对 PPG 信号的 "主波谷 - 重搏波谷" 双谷特征，采用分区域搜索 + 幅值差约束策略，分别定位两类波谷：

主波谷定位

主波谷对应心脏舒张期的血流最低值，位于相邻两个主波波峰之间的前 1/3 区域（血流从舒张到收缩的过渡阶段），搜索范围定义为：

其中：

pi、pi+1 为相邻两个主波波峰的索引（i为波峰序号）；

0.1×fs=12 样本点（约 78ms）：避免主波峰右侧的快速下降沿被误判为主波谷；

0.05×fs=6 样本点（约 39ms）：避免与下一个主波峰的上升沿重叠；

主波谷的幅值需满足 valley_main<0.7×min(x_norm[pi],x_norm[pi+1])，确保与相邻波峰存在显著幅值差。

重搏波谷定位

重搏波谷位于主波谷与下一个主波波峰之间（血流从收缩到舒张的过渡阶段，对应主动脉瓣关闭），搜索范围定义为：

其中：

valley_main 为已定位的主波谷索引；

0.05×fs=6 样本点（约 39ms）：避免与主波谷重叠；

0.1×fs=12 样本点（约 78ms）：避免与下一个主波峰重叠；

重搏波谷的幅值需满足双重约束：valley_dicrotic>valley_main（重搏波谷高于主波谷，符合血流变化规律）；valley_dicrotic<0.9×min(x_norm[pi],x_norm[pi+1])（与相邻波峰存在幅值差，排除噪声干扰）。

波谷后处理

对初步检测到的波谷（主波谷 + 重搏波谷），采用与波峰相同的 "窗口内二次寻谷" 策略：在波谷前后 ±5 样本点窗口内重新搜索最小值，修正定位偏差，最终输出排序后的波谷索引序列valleys。

3 实验结果与分析

3.1 关键数值结果分析

本次处理基于标准化流程完成 S14 受试者数据的预处理，核心环节包括：数据加载与重采样→异常检测→信号滤波 / 去尖峰 / 归一化→特征检测（ECG R 波、PPG 波峰波谷）→窗口分割与有效数据筛选，最终输出标准化数据及可视化结果，为后续建模或数据分析提供支撑。

（1）数据加载与重采样

信号类型	原始参数（样本数 / 采样率）	重采样后参数（样本数 / 采样率）
ECG	6,270,600 样本 / 700Hz	1,146,624 样本 / 128Hz
PPG	573,312 样本 / 64Hz	1,146,624 样本 / 128Hz
标签	4476 个（8 秒窗 / 2 步长）	4476 个（与原始标签一致）

分析：

重采样后 ECG 和 PPG 样本数完全一致（1,146,624），实现时间轴严格对齐（总时长≈8958 秒≈2.5 小时），解决了原始数据采样率差异导致的同步问题，为多模态信号融合分析奠定基础。
标签数量与原始一致，说明时间轴匹配未破坏标签与信号的对应关系。

（2）异常检测结果

信号类型	异常段数量	异常数据占比	检测逻辑	结果解读
ECG	2425 个	9.3%	均值 ±1.5× 标准差 + 一阶差分 + 滑动窗口标准差	异常比例适中，ECG 易受电极接触、运动干扰
PPG	2758 个	6.2%	均值 ±2.0× 标准差 + 一阶差分 + 滑动窗口标准差	异常比例低于 ECG，腕部 PPG 抗干扰性更强

分析：

PPG 采用更高的标准差倍数（2.0 倍），适配其幅值波动本身更大的特性，避免过度标记正常波动为异常；ECG 用 1.5 倍标准差，精准识别电极噪声、运动伪影等干扰。
异常数据占比均低于 10%，说明 S14 受试者原始数据质量整体良好，无大规模信号失真（如设备故障、长时间脱离监测）。
ECG 异常段数量少于 PPG，但占比更高，因 ECG 异常段平均持续时间更长（可能是短暂运动导致的连续干扰）。

（3）特征检测结果

信号类型	特征类型	检测数量	关键衍生指标	结果解读
ECG	R 波	13188 个	平均心率 94.5bpm	心率偏高（符合 DaLiA 野外活动场景）
PPG	波峰	13790 个	-	波峰数量与 ECG R 波接近，反映脉搏周期性
PPG	波谷	25541 个	-	波谷数量≈1.85× 波峰，符合 PPG“主波峰 + 重搏波谷” 的生理特征

分析：

ECG R 波检测中13188 个 R 波对应 2.5 小时数据，密度合理；平均心率 94.5bpm 处于正常高值区间（静息心率 60-100bpm），符合 DaLiA 数据集 “日常活动监测” 的场景设定（受试者非静息状态）。
关于异常 RR 间期校正，检测到 508 个异常 RR 间期并自动校正，说明 R 波检测算法鲁棒性强，能有效过滤误检 / 漏检导致的间期异常，提升心率计算准确性。
PPG 检测的波峰数量（13790）与 ECG R 波（13188）接近，验证了 PPG 波峰检测的准确性（脉搏率与心率理论一致）；波谷数量多于波峰，是因为每个 PPG 主波峰后会伴随一个重搏波谷，符合生理信号特性。

3.2 结果图分析

3.2.1 预处理步骤与异常检测图

图展示 ECG/PPG 的 “原始信号→滤波后→归一化后” 三阶段变化，叠加异常段标记（红色填充）和阈值线（均值 ±k 倍标准差）。

图1：预处理步骤与异常检测图

图2：异常段时间分布图

原始信号：可直观看到 ECG/PPG 的幅值分布，阈值线（橙线）准确框定正常信号范围，异常点（超出阈值）被精准标记。
滤波后：信号平滑度显著提升，高频噪声（如 ECG 的肌电干扰、PPG 的工频噪声）被抑制，异常段与原始信号一致，说明滤波未破坏异常标记的准确性。
归一化后：信号幅值集中在 [-1,1] 区间，正常段分布均匀，异常段保持 0 值，验证了 “仅用正常段计算统计量” 的合理性（避免异常值污染归一化效果）。

3.2.2 特征检测结果图

下图展示前 10 秒滤波 ECG（蓝色）+R 波标记（红色圆点）、归一化 PPG（绿色）+ 波峰（黄色上三角）+ 波谷（紫色下三角）。

图3：特征检测结果图

ECG R 波：准确标记在 ECG 信号的峰值位置，无明显误标（如未标记在 T 波、P 波上），验证了 R 波检测算法的准确性。
PPG 特征：波峰与波谷交替出现，周期与 ECG R 波周期一致，重搏波谷清晰可辨，说明 PPG 特征检测能有效提取生理关键节点。

3.2.3 有效窗口示例图

下图展示 4 个有效窗口内的 ECG（蓝色）和 PPG（红色）信号，标注心率标签。

有效窗口内信号平稳，无异常波动，ECG 和 PPG 均呈现明显的周期性，验证了窗口筛选的有效性。
不同窗口的心率标签存在差异（反映受试者心率动态变化），符合 “日常活动” 场景下的生理状态波动，说明标签与信号的对应关系未被破坏。

4 结论

4.1 主要贡献总结

本文提出了一套完整的PPG-ECG多模态生理信号预处理与特征提取方案，主要贡献包括：

创新性异常检测机制：结合均值±k倍标准差、一阶差分突变检测和滑动窗口方差分析的三层异常识别框架，显著提升了对运动伪影和噪声干扰的识别精度。
高精度特征提取算法：ECG R波检测采用相位校正和动态阈值更新，PPG特征检测考虑主波与重搏波的生理特性，实现了在复杂噪声环境下的稳定特征定位。
严格的质量控制体系：基于异常标记的窗口筛选机制，确保后续分析仅使用高质量数据，为模型训练提供可靠的数据基础。

4.2 实际应用价值

本方案在DaLiA数据集上的成功应用证明了其实际价值：

数据标准化：为多中心、多设备采集的生理信号数据提供了统一的预处理标准。
特征工程基础：提取的ECG R波、PPG波峰波谷等特征为心率变异性分析、血压估计等任务提供了关键输入。
质量控制参考：异常检测和窗口筛选标准可为其他生理信号数据集的处理提供参考。

5 参考文献

[1] Reiss, A. (2019). Deep PPG: Large-Scale Heart Rate Estimation with Convolutional Neural Networks. Sensors (Basel), 19(14), 3079. https://doi.org/10.3390/s19143079

[2] 李群，吴官胜，肖明霞，韦海成. (2019). ECG 与 PPG 多通道信号采集系统滤波延迟补偿研究. 现代电子技术，42 (14), 121-124.

[3] Biswas, D., et al. (2019). CorNET: Deep Learning Framework for PPG-Based Heart Rate Estimation and Biometric Identification in Ambulant Environment. IEEE Transactions on Biomedical Circuits and Systems, 13(2), 307-319. https://doi.org/10.1109/TBCAS.2018.2878344

[4] Zheng, Y., et al. (2023). Unsupervised Transformer-Based Anomaly Detection in ECG Signals. MDPI Sensors, 16(3), 152. https://doi.org/10.3390/s16030152

Tips：下一讲，我们将进一步探讨，脉搏波信号处理与应用的其他部分。

以上就是基于PPG-ECG 多模态生理信号预处理与特征提取方法研究的全部内容啦~

我们下期再见，拜拜(⭐v⭐) ~

（Ps：有代码实现需求，请见主页信息，谢谢支持！~）

查看全文

http://www.dtcms.com/a/561488.html