Python实现PPG信号处理与心率提取技术

1. 项目概述与背景

在生物医学信号处理领域，光电容积图（PPG）是一种通过光学手段测量血液容积变化的常见技术。它广泛应用于心率监测、血氧饱和度检测等场景。然而，原始PPG信号往往包含大量噪声和干扰，如何从中准确提取心率信息一直是工程实践中的关键挑战。

本项目通过Python实现了完整的PPG信号处理流程：从模拟信号生成、短时傅里叶变换（STFT）滤波到心率提取。相比传统方法，STFT能同时保留时域和频域信息，特别适合处理非平稳的生物信号。下面我将详细解析每个环节的技术实现与设计考量。

2. 模拟PPG信号生成

2.1 信号成分建模

优质的心率提取首先需要理解PPG信号的组成。典型的PPG信号包含以下成分：

python复制# 基础心率信号 (1Hz)
f_ppg = 1.0  
ppg = (0.5 * np.sin(2 * np.pi * f_ppg * t) +
       0.2 * np.sin(2 * np.pi * 2 * f_ppg * t) + 
       0.3 * np.sin(2 * np.pi * 3 * f_ppg * t))

# 低频基线漂移 (0.1Hz)
baseline = 0.3 * np.sin(2 * np.pi * 0.1 * t)  

# 高频噪声
noise = 0.2 * np.random.randn(len(t))  

# 50Hz工频干扰
power_line = 0.15 * np.sin(2 * np.pi * 50 * t)  

signal_raw = ppg + baseline + noise + power_line

设计要点：

• 基波频率设为1Hz（60bpm）模拟正常心率
• 添加二次和三次谐波反映真实PPG波形特征
• 基线漂移模拟呼吸运动等低频干扰
• 高斯白噪声模拟传感器噪声
• 50Hz正弦波模拟电源干扰

2.2 参数选择依据

• 采样率1000Hz：满足奈奎斯特采样定理（最高干扰频率50Hz的20倍）
• 10秒时长：足够包含多个完整心跳周期（约6-10个）
• 幅值设置：确保信噪比(SNR)接近真实场景（主峰幅值0.5，噪声幅值0.2）

3. STFT滤波实现

3.1 时频分析参数配置

python复制window = 'hann'  # 汉宁窗
nperseg = 256    # 窗口长度
noverlap = 128   # 重叠点数
nfft = 256       # FFT点数

f, t_stft, Zxx = signal.stft(signal_raw, fs=fs, 
                            window=window,
                            nperseg=nperseg,
                            noverlap=noverlap,
                            nfft=nfft)

关键参数选择逻辑：

• 汉宁窗：减少频谱泄漏，主瓣宽度与旁瓣衰减平衡
• 256点窗口：时间分辨率≈0.256s，频率分辨率≈3.9Hz
• 50%重叠：保证时频连续性同时避免过度计算

3.2 频带掩码设计

心率信号通常位于0.5-5Hz（30-300bpm）范围：

python复制mask = np.ones_like(Zxx, dtype=float)
freq_indices = np.where((f < 0.5) | (f > 5.0))[0]
mask[freq_indices, :] = 0.0
Zxx_filtered = Zxx * mask

注意事项：

• 下限0.5Hz避免包含呼吸等超低频干扰
• 上限5Hz可滤除肌电噪声等高频成分
• 掩码后需验证保留频带的能量占比

3.3 信号重建与对齐

python复制t_reconstructed, signal_filtered = signal.istft(Zxx_filtered, fs=fs,
                                               window=window,
                                               nperseg=nperseg,
                                               noverlap=noverlap)
                                               
# 长度对齐处理
min_len = min(len(signal_raw), len(signal_filtered))
signal_filtered = signal_filtered[:min_len]

4. 心率检测算法

4.1 峰谷检测实现

python复制min_distance_peaks = int(0.3 * fs)  # 对应200bpm
peaks, _ = find_peaks(signal_filtered, 
                     distance=min_distance_peaks,
                     height=0.2)

valleys, _ = find_peaks(-signal_filtered,
                       distance=min_distance_peaks,
                       height=0.2)

参数优化建议：

• distance参数应根据预期心率范围动态调整
• height阈值建议设为信号幅值的20-40%
• 可结合斜率阈值提升检测鲁棒性

4.2 心率计算与验证

python复制if len(peaks) >= 2:
    peak_intervals = np.diff(t[peaks])
    instant_hr = 60.0 / peak_intervals
    hr_std = np.std(instant_hr)  # 心率变异性指标
    
    print(f"心率变异性：{hr_std:.2f} bpm")

5. 结果可视化分析

5.1 时频域对比视图

• 左上：原始信号显示明显50Hz干扰
• 右上：滤波后信号波形清晰
• 中部：STFT频谱显示有效频带保留

5.2 临床指标计算

python复制# 脉搏波传导时间（PTT）
ptt = valley_times - peak_times[:-1]  
avg_ptt = np.mean(ptt) * 1000  # 转换为毫秒

# 灌注指数（PI）
pi = (np.mean(signal_filtered[peaks]) - 
      np.mean(signal_filtered[valleys])) / 2

6. 频域分解技术解析

6.1 FFT频带分离原理

python复制# 实信号FFT的共轭对称性应用
Y = np.zeros(N, dtype=complex)
Y[0] = X[0]  # 直流分量
Y[1] = X[1]  # 低频成分
Y[-1] = X[-1] # 对称分量

6.2 奇偶序列处理差异

工程经验：

• 医疗设备通常采用2^n点数（如256/512）简化计算
• 实时系统可优先选用偶数点FFT
• 分析超低频信号时可选择更长序列

7. 实际应用中的挑战

7.1 运动伪迹处理

• 自适应滤波：结合加速度计数据
• 小波变换：多分辨率分析应对突发干扰
• 模板匹配：建立个性化波形模板库

7.2 硬件考量

• 采样率选择：腕戴设备通常100-250Hz
• LED波长：绿光(530nm)更适合心率检测
• 传感器贴合度：直接影响信号信噪比

8. 算法优化方向

8.1 实时性改进

python复制# 滑动窗口STFT实现
frame_size = 256
hop_size = 64

for i in range(0, len(signal)-frame_size, hop_size):
    frame = signal[i:i+frame_size]
    # 实时处理逻辑...

8.2 深度学习融合

• 端到端的PPG-心率映射模型
• 注意力机制增强特征提取
• 数据增强模拟不同肤色/运动状态

在医疗级设备开发中，还需要通过ISO 80601-2-61等标准认证。建议在实际部署前进行以下验证：

1. 模拟信号测试（如本项目）
2. 静息状态人体试验
3. 运动状态压力测试
4. 跨设备一致性验证