基于指-to-胸式风格迁移辅助的深层学习 PPG 波形恢复方法
信号处理
2025-03-19 v1 机器学习
定量方法
摘要
可穿戴测量（如由光电容积图 (PPG) 传感器获取的测量）高度易受运动伪影和噪声影响，影响心血管措施。胸部获取的 PPG 信号尤其脆弱，信号退化主要源于血流度较低、呼吸引起的运动以及胸部运动的机械干扰。传统恢复方法常导致信号退化，监督式深度学习 (DL) 难以处理随机和系统性失真，需大量数据才能成功训练。为高效恢复胸部 PPG 波形，我们提出一种风格迁移辅助的循环一致生成对抗网络方法，称为 starGAN，其性能在三通道 PPG 信号（红、绿、红外）上进行评估，这些信号由胸部佩戴的多模态传感器 Soundi 获取。采用两个相同的设备，其中一个传感器收集胸部的 PPG 信号，视为质量较低需恢复的信号，另一个传感器获取手指处的高质量 PPG 信号，作为参考信号。对约 8,000 段 5 秒数据（来自 40 名受试者）进行广泛验证，恢复后的胸部 PPG 与参考手指 PPG 的相关性约为 90%，相较于原始胸部 PPG 提升约 30%。同样，信噪比在三个通道上平均提升约 125%。与同步 ECG 计算的心率一致性极高，平均超过 84%。这些结果表明有效的信号恢复，与最近文献中的发现相当。意义在于：可穿戴设备收集的 PPG 信号高度易受伪影影响，创新的 AI 技术对于单一设备中实现全面健康评估至关重要。
引用
@article{arxiv.2503.13496,
title = {Finger-to-Chest Style Transfer-assisted Deep Learning Method For Photoplethysmogram Waveform Restoration with Timing Preservation},
author = {Sara Maria Pagotto and Federico Tognoni and Matteo Rossi and Dario Bovio and Caterina Salito and Luca Mainardi and Pietro Cerveri},
journal= {arXiv preprint arXiv:2503.13496},
year = {2025}
}