《Biomedical Signal Processing and Control》：A Deep Learning approach for estimating Time-Domain Heart Rate Variability parameters from wrist photoplethysmography during daily activity
编辑推荐：
Gianluca Rho|Nicola Carbonaro|Marco Laurino|Alessandro Tognetti|Alberto Greco比萨大学信息工程系，Largo Lucio Lazzarino 1号，56122，比萨（PI），意大利摘要心率变异性（HRV）
Gianluca Rho|Nicola Carbonaro|Marco Laurino|Alessandro Tognetti|Alberto Greco
比萨大学信息工程系，Largo Lucio Lazzarino 1号，56122，比萨（PI），意大利
摘要
心率变异性（HRV）是自主神经系统调节和心血管健康的关键指标，通常通过心电图（ECG）进行测量。手腕设备作为非侵入性替代方案，通过光电容积描记法（PPG）在不受限制的环境中监测心率（HR）和脉率变异性（PRV）。然而，运动伪影严重降低了信号质量，使得估计的可靠性变得具有挑战性。深度学习方法正成为解决这一问题的有希望的手段，尽管它们主要关注HR，而忽视了重建PRV这一更复杂的任务，从而限制了对自主神经系统动态的洞察。本研究提出了一种基于卷积去噪自编码器（CNN-DAEs）集成体的新方法，在高强度活动下对PPG时间序列进行去噪，随后使用一种PRV跟踪算法来提高PRV时域参数（meanHR、stdRR、RMSSD）的可靠性。CNN-DAEs使用自定义损失函数进行训练，该函数同时强调重建PPG信号的准确性和推导出的心跳间隔的生理合理性。我们在两个公开数据集（IEEESPC和PPG-Dalia）上验证了我们的方法。IEEESPC的心率估计误差为1.74bpm，PPG-Dalia的心率估计误差为4.69bpm。此外，IEEESPC数据集上stdRR和RMSSD的估计误差分别低至7.94ms和5.01ms，PPG-Dalia数据集上分别为17.06ms和12.69ms。所提出的方法在高强度活动期间提供了可靠的心率估计，以及在一定程度上，stdRR和RMSSD的估计。这种方法可以用于监测日常活动中的自主参数。
引言
心率变异性（HRV）是自主神经系统（ANS）调节和心血管健康的最有前途的生理相关指标之一[1]。监测HRV可以评估与生理和病理条件相关的自主神经系统不平衡，为用户提供关于其生活方式的信息，并帮助临床医生实现个性化医疗。评估HRV的金标准方法涉及计算心电图（ECG）中连续R波峰之间的时间距离[2]。已经提出了包括胸带[3]、[4]和智能衬衫[5]在内的可穿戴解决方案，作为在自由生活环境中记录ECG的最低侵入性手段。然而，长时间记录可能会引起不适和技术限制。
一种越来越实用的HRV监测替代方法是光电容积描记法（PPG），它可以通过脉率变异性（PRV）来评估心率（HR）和HRV，而PRV是HRV的替代指标。PPG测量表层血管的体积变化[6]，最近在研究级和商用手腕设备（例如智能手表）中的实现使其在需要自由移动的场合得到广泛应用。因此，与ECG相比，手腕PPG设备可以作为一种 less invasive 和更舒适的方式，在不受限制的环境中监测HR和HRV。
先前的研究表明，手腕PPG在静息状态下能够提供准确可靠的HR和HRV估计[7]、[8]、[9]。然而，即使是轻强度的活动也会引入运动伪影，这会降低PPG信号的质量，使得提取有用信息变得具有挑战性[10]。标准的PPG预处理方法包括线性带通滤波，仅限于衰减叠加噪声源，当运动伪影与PPG的频率范围相同时，很难提供令人满意的结果[8]。鉴于此，人们提出了更复杂的信号处理方法来去除伪影污染的PPG时间序列。其中大多数方法基于自适应滤波和卡尔曼滤波[11]、[12]、[13]、[14]、[15]，以及时频谱分析[16]、[17]。其中，表现最好的方法包括使用自适应滤波器估计噪声，并应用谱峰跟踪算法来获得低至2 bpm的HR误差[13]、[14]、[15]。然而，这些方法的一个主要缺点是阈值和参数的调谐可能需要根据记录的情境进行变化，这可能使它们在实际应用中不切实际[18]。这些限制突显了需要更加灵活的解决方案，能够在不进行大量参数调整的情况下处理不同的记录情境。
深度学习（DL）方法作为解决这些挑战的有希望的替代方案越来越受欢迎，它们提供了更高的准确性和更大的灵活性[19]、[20]、[21]、[22]、[23]、[24]、[25]、[26]、[27]、[28]、[29]。其中，卷积神经网络（CNNs）在去除PPG信号噪声方面表现优异[21]、[22]、[23]、[24]、[25]、[26]。特别是在[23]中，作者通过集成学习（EL）结合了多个CNN的输出。相同的模型使用随机权重初始化进行了多次训练，但保持架构和超参数不变。然后通过各模型输出的线性组合获得去噪后的PPG时间序列[23]、[30]。这种方法被证明可以减少神经网络在训练过程中陷入局部最小值的倾向，从而比使用单个模型获得更好的估计误差[23]、[31]。
尽管在心率估计方面取得了巨大进展，但对脉率变异性（PRV）的关注却有限。虽然HR代表每分钟的心跳平均值，但PRV提供了对自主平衡和应激反应的更深层次的洞察，因为它捕捉了每次心跳之间时间变化的影响，这些变化来自交感神经和副交感神经的活动[1]。从PRV（和HRV）中得出的最简单且最广泛采用的参数是连续心跳峰之间标准差（stdRR）和连续心跳峰之间均方根距离（RMSSD）。前者被认为反映了整体心脏变异性，而后者与副交感神经调节有关[32]。因此，能够从手腕PPG记录中恢复PRV及其主要标志物可以为自由生活环境中的ANS调节提供有价值的洞察，尽管这具有挑战性。在这方面，大多数表现最好的算法采用关注HR估计的频域方法，而这些方法本质上无法提供PRV[13]、[14]、[23]。只有少数方法通过PPG谱分析恢复了stdRR和RMSSD，但它们的泛化性能较差[17]、[33]。其他方法则专注于使用集成CNNs高精度估计RMSSD[34]。然而，仍然缺少一种利用深度学习的灵活性从伪影污染的手腕PPG记录中恢复PRV并估计PRV时域参数的方法。
在这项工作中，我们提出了一种基于卷积去噪自编码器（CNN-DAEs）集成的方法，在高强度活动记录的背景下对PPG时间序列进行去噪，并结合了一种后处理跟踪算法来进一步提高PRV参数（即meanHR、stdRR、RMSSD）的估计准确性。我们引入了一种训练损失函数，该函数同时考虑了重建时间序列的幅度值和峰到峰的距离。特别是后者可以解决由于缺失或虚假的额外脉峰导致的重建误差，这些误差可能会在PRV指标的计算中产生异常值。跟踪算法旨在对PRV进行时域的后处理校正。它在每个时间点评估PRV参数，并结合基于误差传播控制、过去和未来值的策略来提高估计的可靠性。
本文的结构如下：第2节我们详细描述了所提出的方法；第3节我们展示了该方法的实验应用和验证；第4节我们展示了我们的结果；第5节我们讨论了我们的主要发现以及相关的方法细节；最后，第6节我们提供了我们工作的主要结论。
章节摘录
去噪算法
图1展示了所提出框架的框图。首先使用集成的DL方法对原始PPG信号进行去噪，该方法结合了多个CNN-DAE的输出。然后使用先进的峰值检测算法从得到的PPG数据中估计PRV。接着应用轻微的滤波来校正使用Kubios HRV[35]检测到的异常峰到峰间隔。最后，应用自定义的跟踪算法对时域PRV估计值（即meanHR、stdRR和RMSSD）进行
材料与方法
在本节中，我们展示了所提出方法在两个公开数据集上的实验应用：（1）2015年IEEE信号处理杯（IEEESPC）数据集[14]、[40]，以及（2）PPG-Dalia数据集[22]。
CNN-DAE训练结果
在图3中，我们展示了在没有集成学习和有集成学习的情况下CNN-DAE的输出与相应的参考PPG信号的比较，该参考信号来自IEEESPC数据集的一个示例受试者。
集成学习过程能够重建单个CNN-DAE未识别的PPG峰值。此外，集成学习的输出具有更少的噪声和更清晰的峰值，从而减少了峰到峰距离的不确定性。
图4展示了集成CNN-DAE输出的一个示例（
讨论
在本文中，我们提出了一种新方法，旨在去除可穿戴手腕PPG时间序列中的噪声，以便从PRV估计HR和时域参数。我们首先应用了一种集成学习（EL）方法，该方法结合了多个CNN-DAE的输出来重建噪声记录中的脉峰。然后，我们应用了一种专门为处理PRV时间序列而设计的跟踪算法，以进一步提高参数的可靠性。我们在两个不同的公开数据集上评估了我们方法的性能
结论
在本文中，我们提出了一种新方法，用于从受到模拟伪影污染的手腕PPG记录中估计时域PRV参数（即meanHR、stdRR、RMSSD）。一组CNN-DAE执行PPG原始时间序列的去噪，跟踪算法允许随后估计和细化PRV参数。我们的发现强调了所提出方法作为一种从PRV提供可靠meanHR估计的稳健方法，具有很好的泛化性能。关于stdRR和
CRediT作者贡献声明
Gianluca Rho:写作 – 审稿与编辑，撰写原始草稿，可视化，验证，软件，方法论，调查，形式分析，概念化。Nicola Carbonaro:写作 – 审稿与编辑，验证。Marco Laurino:写作 – 审稿与编辑，验证。Alessandro Tognetti:写作 – 审稿与编辑，项目管理，资金获取。Alberto Greco:写作 – 审稿与编辑，可视化，验证，监督，方法论，调查。
利益冲突声明
作者声明他们没有已知的财务利益或个人关系可能会影响本文报告的工作。
致谢
本工作得到了欧盟地平线欧洲研究与创新计划的资助，授予协议编号为101057103——项目TOLIFE。这项研究还获得了意大利教育与研究部（MIUR）的部分资助，作为ForeLab项目（卓越部门）的一部分。
