面向任意 PPG 设备的自监督与拓扑信号质量评估
信号处理
2025-09-18 v1 机器学习
摘要
可穿戴光电容积脉搏波描记法（PPG）嵌入于数十亿台设备中，但其光学波形极易受运动、灌注丧失和环境光的影响而失真，从而危及下游的心血管指标分析。现有的信号质量评估（SQA）方法要么依赖脆弱的启发式规则，要么依赖数据量大的监督模型。我们引入了首个用于腕部 PPG 的完全无监督 SQA 流水线。第一阶段在来自异构来源（设备和采样频率各异）的 276 小时原始无标签数据上训练对比 1-D ResNet-18，产生对光发射器和运动不变的嵌入（即，学习到的表示在 LED 波长、驱动强度和设备光学器件以及腕部运动的差异上保持稳定）。第二阶段通过 persistent homology (PH) 将每个 512-D 编码器嵌入转换为 4-D 拓扑特征，并使用 HDBSCAN 对这些特征进行聚类。为了产生二值信号质量指数（SQI），可接受的 PPG 信号由最密集的簇表示，而其余簇被假定主要包含低质量 PPG 信号。无需重新调参，SQI 在 10,000 个窗口的分层样本上分别获得 0.72、0.34 和 6173 的 Silhouette、Davies-Bouldin 和 Calinski-Harabasz 得分。在本研究中，我们提出了一种混合的自监督学习-拓扑数据分析（SSL-TDA）框架，为 PPG 信号提供了一种即插即用、可扩展的跨设备质量门控。
引用
@article{arxiv.2509.12510,
title = {Self-Supervised and Topological Signal-Quality Assessment for Any PPG Device},
author = {Wei Shao and Ruoyu Zhang and Zequan Liang and Ehsan Kourkchi and Setareh Rafatirad and Houman Homayoun},
journal= {arXiv preprint arXiv:2509.12510},
year = {2025}
}
备注
In the proceedings of IEEE-EMBS BSN 2025