可穿戴设备生物信号采集：PPG心率检测的抗运动干扰方案

随着可穿戴设备的普及，生物信号采集技术，尤其是光电容积脉搏波描记法（PPG）在心率检测中的应用日益广泛。然而，运动干扰一直是PPG心率检测面临的一大挑战。运动过程中，肢体的移动会导致光信号的变化，从而影响心率检测的准确性。本文将深入探讨PPG心率检测的抗运动干扰方案，并提供一种基于算法优化的解决方案，辅以代码示例。

一、PPG心率检测原理及运动干扰问题

PPG心率检测通过向皮肤发射光波（通常为绿光），利用血液容积随心脏律动呈搏动性变化，光感应器接收的光强也随之变化，进而通过模拟前端芯片将模拟信号转换为数字信号，提取出心率信息。然而，运动干扰会导致光信号的变化，使得接收到的光强变化不再单纯由血液容积变化引起，从而引入误差。

二、抗运动干扰方案

为了克服运动干扰对PPG心率检测的影响，需要从硬件和软件两方面入手。硬件方面，可以通过优化PPG传感器的光路结构设计、采用更稳定的光源和光感应器等措施来提高信号的稳定性和抗干扰能力。然而，软件算法的优化在抗运动干扰方面同样至关重要。

信号预处理：首先，对原始PPG信号进行滤波处理，去除高频噪声和低频漂移。可以采用数字带通滤波器或自适应滤波器等方法，保留与心率相关的频段信号。

运动干扰检测与补偿：通过加速度计等传感器检测人体的运动状态，结合PPG信号的变化，识别出运动干扰的时段。在识别出运动干扰后，可以采用信号重建、信号插值或基于机器学习的补偿算法来恢复被干扰的心率信号。

心率算法优化：针对PPG信号的特点，采用更精确的心率提取算法。例如，基于峰值检测的心率提取算法，通过识别PPG信号的波峰来计算心率。为了提高准确性，可以结合多个波峰的平均值或采用更复杂的波形分析方法。

三、基于算法优化的解决方案

下面提供一种基于加速度计和PPG信号融合的抗运动干扰心率检测算法示例。该算法通过加速度计检测运动状态，结合PPG信号的变化，识别出运动干扰的时段，并采用信号插值的方法恢复被干扰的心率信号。

python

import numpy as np

import pandas as pd

# 模拟PPG信号（包含运动干扰）

ppg_signal = np.sin(2 * np.pi * 1.0 * np.linspace(0, 10, 1000)) + 0.5 * np.random.randn(1000)

# 模拟加速度计信号（运动干扰）

accelerometer_signal = np.zeros(1000)

accelerometer_signal[500:600] = 1.0  # 模拟运动干扰时段

# 信号预处理（滤波）

def butter_bandpass_filter(data, lowcut, highcut, fs, order=5):

   nyquist = 0.5 * fs

   low = lowcut / nyquist

   high = highcut / nyquist

   b, a = butter(order, [low, high], btype='band')

   y = lfilter(b, a, data)

   return y

ppg_signal_filtered = butter_bandpass_filter(ppg_signal, 0.5, 2.0, 10.0)

# 运动干扰检测与补偿

def detect_motion_artifacts(accelerometer_signal, threshold=0.5):

   motion_artifacts = accelerometer_signal > threshold

   return motion_artifacts

motion_artifacts = detect_motion_artifacts(accelerometer_signal)

# 信号插值恢复被干扰的心率信号

def interpolate_signal(signal, artifacts):

   interpolated_signal = signal.copy()

   for i in range(1, len(artifacts) - 1):

       if artifacts[i] and not artifacts[i - 1] and not artifacts[i + 1]:

           interpolated_signal[i] = (signal[i - 1] + signal[i + 1]) / 2

   return interpolated_signal

ppg_signal_restored = interpolate_signal(ppg_signal_filtered, motion_artifacts)

# 心率提取（基于峰值检测）

def extract_heart_rate(signal, fs):

   peaks, _ = find_peaks(signal, height=0)

   heart_rate = len(peaks) / (len(signal) / fs)

   return heart_rate

heart_rate = extract_heart_rate(ppg_signal_restored, 10.0)

print(f"心率：{heart_rate:.2f} 次/分钟")

四、结论

通过结合加速度计和PPG信号，采用信号预处理、运动干扰检测与补偿以及心率算法优化等措施，可以有效提高PPG心率检测的抗运动干扰能力。随着可穿戴设备和传感器技术的不断发展，以及算法的不断优化，未来的PPG心率检测将更加准确、稳定，为人们的健康监测提供更多便利。