基于 Mamba 网络的脉动血氧图信号去噪
机器学习
2025-10-14 v1 信号处理
摘要
脉动血氧图（Photoplethysmography, PPG）广泛应用于可穿戴健康监测，但因噪声和运动伪影常常影响其可靠性，限制了下游应用如心率（HR）估计。本文提出一种深度学习框架进行 PPG 去噪，重点强调保持生理信息。该框架中，我们提出 DPNet，一种基于 Mamba 的去噪主干网络，旨在有效建模时序特征。为进一步提升去噪性能，框架还引入比例不变信号畸变比（scale-invariant Signal-to-Distortion Ratio, SI-SDR）损失，以促进波形保真度，并引入辅助 HR 预测器（HRP），通过基于 HR 的监督提供生理一致性。在 BIDMC 数据集上的实验表明，我们的方法对合成噪声和真实世界的运动伪影均表现出强大的鲁棒性，优于传统滤波方法和现有神经模型。我们的 method 能够在保持 HR 准确性的同时有效恢复 PPG 信号，凸显了 SI-SDR 损失和 HR 引导监督的互补作用。这些结果表明该方法具有在可穿戴医疗系统中实际部署的潜力。
引用
@article{arxiv.2510.11058,
title = {Robust Photoplethysmography Signal Denoising via Mamba Networks},
author = {I Chiu and Yu-Tung Liu and Kuan-Chen Wang and Hung-Yu Wei and Yu Tsao},
journal= {arXiv preprint arXiv:2510.11058},
year = {2025}
}
备注
5 pages, 2 figures