💻 computer science

Multi-site PPG: An In-the-Wild Physiological Dataset from Emerging Multi-site Wearables

Este artículo presenta "Multi-site PPG", un conjunto de datos exhaustivo recopilado en condiciones naturales que incluye más de 350 horas de datos fisiológicos obtenidos de cuatro formatos emergentes de dispositivos portátiles (pendiente, anillo, reloj y collar) junto con un ECG de referencia, el cual se utiliza para evaluar métodos de estimación de la frecuencia cardíaca y revelar variaciones significativas en el rendimiento entre diferentes sitios corporales.

Autores originales: Jiayi Shao (Shirley), Jiaying Ye (Shirley), Shengyao Liu (Shirley), Zachary Englhardt (Shirley), Girish Narayanswamy (Shirley), Vikram Iyer (Shirley), Qiuyue (Shirley), Xue

Publicado 2026-05-19

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Jiayi Shao (Shirley), Jiaying Ye (Shirley), Shengyao Liu (Shirley), Zachary Englhardt (Shirley), Girish Narayanswamy (Shirley), Vikram Iyer (Shirley), Qiuyue (Shirley), Xue

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que quieres medir tu latido cardíaco, pero en lugar de solo revisar tu muñeca (como hacen la mayoría de los relojes inteligentes), decides colocar sensores en tu oreja, tu dedo, tu cuello y tu muñeca, todos al mismo tiempo. Eso es exactamente lo que hace este artículo.

Los investigadores crearon una nueva y masiva "biblioteca" de datos cardíacos llamada Multi-site PPG. Aquí tienes un desglose sencillo de lo que hicieron y lo que descubrieron, utilizando algunas analogías cotidianas.

1. El Problema: El Cuello de Botella de la "Muñeca"

Piensa en tu muñeca como una autopista bulliciosa y ruidosa. Es donde la mayoría de la gente lleva relojes, pero como tu muñeca se mueve tanto (escribiendo, saludando, caminando), la señal de tu latido cardíaco se mezcla con el "ruido del tráfico". Además, los vasos sanguíneos bajo la piel de tu muñeca son profundos, lo que hace que la señal sea débil, como intentar escuchar un susurro a través de un muro grueso.

Los investigadores querían ver si colocar sensores en lugares más tranquilos y "menos concurridos" del cuerpo podría captar el latido cardíaco con mayor claridad.

2. El Experimento: El Dispositivo "Cuatro Cabezas"

Para probar esto, construyeron cuatro gadgets personalizados y discretos que parecen joyas normales:

Un Pendiente Inteligente: Llevado en el lóbulo de la oreja.
Un Anillo Inteligente: Llevado en el dedo.
Un Reloj Inteligente: Llevado en la muñeca (el grupo de control).
Un Collar Inteligente: Llevado alrededor del cuello.

Pidieron a 20 personas que llevaran los cuatro dispositivos a la vez mientras realizaban su día normal: estudiando, caminando, haciendo ejercicio y charlando. Para asegurar que los datos fueran precisos, todos también llevaban una correa torácica de grado médico (como una Polar H10) que actuaba como el "dador de la verdad" o el estándar de oro.

En total, recopilaron más de 350 horas de datos crudos. Es como grabar una película continua de latidos cardíacos desde cuatro ángulos diferentes durante días seguidos.

3. Los Resultados: ¿Quién escuchó mejor el latido cardíaco?

Los investigadores probaron varios algoritmos informáticos (desde trucos matemáticos simples hasta IA avanzada) para ver qué tan bien podían adivinar la frecuencia cardíaca a partir de los datos ruidosos. Compararon las suposiciones con la correa torácica "dadora de la verdad".

Aquí está la clasificación, de mejor a peor:

El Pendiente (El VIP): Fue el claro ganador. Logró una tasa de error de solo 2.3 latidos por minuto.
- Analogía: Imagina intentar escuchar una canción en una habitación tranquila. La oreja está cerca de la cabeza, se mueve muy poco y tiene piel fina. Es como tener un micrófono de alta calidad justo al lado del altavoz.
El Anillo (El Subcampeón): Quedó en segundo lugar con un error de 5.1 latidos por minuto.
- Analogía: El dedo también es excelente porque está lleno de vasos sanguíneos (como un río caudaloso), pero se mueve un poco más que la oreja cuando usas las manos.
El Reloj (El Luchador): El reloj tradicional tuvo un error de 8.4 latidos por minuto.
- Analogía: Esta es la autopista ruidosa de nuevo. La muñeca se mueve demasiado y la señal es más débil.
El Collar (El Inestable): Tuvo el error más alto, con 8.7 latidos por minuto.
- Analogía: Un collar cuelga y se balancea. El sensor a menudo pierde contacto con la piel, como una radio que pierde señal cuando caminas.

4. El Factor "Movimiento"

El artículo también analizó cómo el movimiento afecta los datos.

Zonas Tranquilas: La oreja y el cuello se mantuvieron relativamente quietas, por lo que los datos se mantuvieron limpios incluso cuando las personas se movían.
Zonas Activas: El dedo y la muñeca se movieron mucho. Cuanto más se movía la persona, más difícil era para la computadora adivinar correctamente la frecuencia cardíaca.
La Solución: Descubrieron que agregar sensores de movimiento (acelerómetros) al anillo y al reloj ayudaba a la computadora a "restar" el ruido del movimiento, mejorando ligeramente la suposición de la frecuencia cardíaca. Sin embargo, para la oreja, que apenas se mueve, agregar sensores de movimiento no ayudó mucho.

5. Mezclando las Señales (Fusión)

Los investigadores probaron combinar los datos de múltiples dispositivos para ver si mejoraría aún más la predicción.

Dos es mejor que uno: Combinar los datos del Pendiente y el Anillo hizo la predicción ligeramente más precisa que usar solo el Pendiente.
Cuatro no siempre es mejor: Sorprendentemente, combinar los cuatro dispositivos no lo hizo mucho mejor que usar solo los dos mejores. Es como tener a cuatro personas adivinando un número; si tres de ellos están adivinando muy mal, su "promedio" podría en realidad arrastrar la buena suposición en la dirección equivocada.

Resumen

Este artículo es esencialmente un conjunto de datos público (una biblioteca gigante de latidos cardíacos) que demuestra: Dónde llevas tu sensor importa tanto como el sensor mismo.

La Gran Conclusión: Si quieres la frecuencia cardíaca más precisa sin una correa torácica, llevar un sensor en tu oreja o dedo es significativamente mejor que llevarlo en tu muñeca.
La Contribución: Liberaron estos datos y el código de forma gratuita para que otros científicos puedan crear mejores aplicaciones y dispositivos de salud que funcionen en el mundo real, no solo en un laboratorio tranquilo.

Nota: El artículo se centra estrictamente en recopilar estos datos y probar qué tan bien funcionan los algoritmos actuales con ellos. No afirma que estos dispositivos estén listos para el diagnóstico médico o el uso clínico todavía.

Resumen Técnico: PPG Multi-sitio: Un Conjunto de Datos Fisiológicos "En el Entorno Natural" de Wearables Multi-sitio Emergentes

Declaración del Problema

La fotopletismografía (PPG) es una modalidad de detección dominante para la frecuencia cardíaca y el monitoreo fisiológico en wearables. Sin embargo, los conjuntos de datos públicos de PPG "en el entorno natural" permanecen en gran medida restringidos a relojes inteligentes centrados en la muñeca o sesiones cortas de laboratorio controlado. La detección basada en la muñeca enfrenta desafíos inherentes, incluidos artefactos de movimiento y calidad de señal óptica degradada debido a vasos sanguíneos más profundos. Si bien factores de forma emergentes como anillos inteligentes, aretes y collares ofrecen ventajas potenciales (por ejemplo, mayor perfusión en dedos/lóbulos de la oreja, estabilidad relativa), existe una escasez de conjuntos de datos multi-sitio a gran escala recopilados durante actividades diarias naturales. Los conjuntos de datos existentes se centran o bien en dispositivos individuales, carecen de factores de forma cotidianos prácticos (por ejemplo, utilizando ubicaciones no estándar como el esternón o el tobillo), o se limitan a entornos controlados, lo que obstaculiza la investigación sobre detección fisiológica robusta y generalizada en diversos tipos de wearables.

Metodología

Recopilación de Datos y Hardware

Los autores presentan PPG Multi-sitio, un conjunto de datos recopilado de 20 participantes (19 mujeres, 1 hombre; edades 20–51) durante múltiples días de actividades diurnas en entornos urbanos. El estudio utilizó cuatro wearables no invasivos desarrollados a medida:

Aro Inteligente: Usado en un lóbulo de la oreja perforado.
Anillo Inteligente: Usado en el dedo.
Reloj Inteligente: Usado en la muñeca.
Collar Inteligente: Usado como colgante.

Todos los dispositivos comparten un diseño de hardware unificado basado en un microcontrolador nRF52832, integrando un sensor PPG MAX30101 (canales verde e infrarrojo), un acelerómetro LIS2DW12 y un sensor de temperatura HDC2010. Transmiten datos de forma inalámbrica a una aplicación para teléfonos inteligentes. Como referencia de verdad, los participantes usaron una correa pectoral comercial Polar H10 que registraba ECG a 130 Hz.

Procesamiento de Datos

El conjunto de datos se publica en dos formatos:

Conjunto de Datos Crudo: Más de 350 horas de datos continuos con marca de tiempo (aunque potencialmente discontinuos debido a caídas de Bluetooth) por dispositivo, incluyendo PPG (verde/IR), aceleración de 3 ejes y temperatura.
Conjunto de Datos Ventaneado: Datos preprocesados listos para modelado, compuestos por ventanas deslizantes de 8 segundos (paso de 1 segundo). Este conjunto de datos excluye segmentos con mala calidad de ECG (por ejemplo, contacto suelto de la correa, frecuencias cardíacas fuera de 40–180 lpm) y alinea los datos del wearable con la verdad de referencia de ECG de Polar. Contiene entre 229.66 y 290.23 horas de datos por dispositivo, con 190.95 horas donde los cuatro dispositivos estaban activos simultáneamente.

Protocolo de Evaluación

Los autores evaluaron el rendimiento de estimación de la frecuencia cardíaca utilizando tres clases de métodos frente a la verdad de referencia derivada del ECG:

Algoritmos Heurísticos: Seis métodos tradicionales de procesamiento de señales (por ejemplo, NeuroKit, HeartPy, FFT).
Modelos Supervisados: Cinco arquitecturas de redes neuronales (ResNet 1D, DCL, FCN, CNN-LSTM, Transformer).
Modelos Auto-supervisados: Dos enfoques de aprendizaje contrastivo (SimCLR, BYOL).

La evaluación se realizó utilizando un protocolo de validación cruzada Leave-One-Subject-Out (LOSO) a través de 20 pliegues, midiendo el Error Absoluto Medio (MAE), la Raíz del Error Cuadrático Medio (RMSE) y la correlación de Pearson ( $\rho$ ).

Contribuciones Clave

Primer Conjunto de Datos PPG Multi-sitio "En el Entorno Natural" a Gran Escala: El artículo publica el primer conjunto de datos PPG público y a gran escala recopilado simultáneamente desde cuatro factores de forma de wearables prácticos distintos (aro, anillo, reloj, collar) durante actividades diarias naturales. Es el primer conjunto de datos de este tipo para anillos inteligentes, aretes y collares.
Evaluación Comparativa por Ubicación Corporal: El estudio establece el rendimiento base para la estimación de la frecuencia cardíaca en diferentes sitios corporales, revelando disparidades significativas en el rendimiento.
Análisis Multi-sitio y Multimodal: Los autores proporcionan evaluaciones iniciales de la fusión de sensores multi-sitio y de la fusión PPG-acelerómetro, demostrando la utilidad del conjunto de datos para estudiar estrategias de detección complementarias.

Resultados

Rendimiento en Diferentes Sitios Corporales

Se observaron diferencias significativas en la precisión de la estimación de la frecuencia cardíaca en las cuatro ubicaciones, con los siguientes resultados de MAE de mejor rendimiento (utilizando el modelo supervisado DCL):

Aro: 2.30 lpm (Mejor rendimiento, comparable a configuraciones de laboratorio de alta calidad).
Anillo: 5.13 lpm (Comparable al conjunto de datos $\tau$ -Ring de 28 horas).
Reloj: 8.37 lpm (Consistente con los resultados de WildPPG).
Collar: 8.68 lpm.

El aro y el anillo superaron consistentemente al reloj y al collar, atribuido a una mayor perfusión, un mejor acoplamiento óptico y menores artefactos de movimiento en esos sitios.

Efectos del Movimiento

El análisis mostró que el error de estimación de la frecuencia cardíaca (MAE) generalmente aumenta con la potencia del movimiento en todos los dispositivos. Sin embargo, el aro y el collar experimentaron una menor exposición al movimiento (91% de las ventanas en bins de bajo movimiento) en comparación con el anillo y el reloj. El anillo mantuvo una mejor precisión que el reloj incluso en niveles de movimiento más altos, probablemente debido a la superior calidad de la señal en el dedo.

Estrategias de Fusión

Fusión Multi-sitio: Combinar dos dispositivos (por ejemplo, Aro + Anillo) mejoró consistentemente el MAE sobre las líneas base de un solo dispositivo (por ejemplo, reduciendo el MAE del Aro de 1.84 a 1.82 lpm). Sin embargo, fusionar los cuatro dispositivos no produjo ganancias adicionales sobre las mejores combinaciones de dos dispositivos, lo que sugiere que los sitios más ruidosos (reloj, collar) pueden introducir variabilidad al combinarse con señales de alta calidad.
Fusión PPG-Acelerómetro: Agregar datos del acelerómetro (eje z) proporcionó mejoras consistentes, aunque modestas, para el anillo y el reloj (por ejemplo, el MAE del Reloj se redujo en ~0.3 lpm). El beneficio fue limitado o mixto para el aro y el collar, lo que indica que el contexto de movimiento es más valioso para sitios propensos a artefactos de movimiento.

Significado y Afirmaciones

El artículo afirma que PPG Multi-sitio llena una brecha crítica en la disponibilidad de datos fisiológicos para factores de forma de wearables emergentes. Al proporcionar un conjunto de datos que captura la variabilidad de la vida diaria en diferentes ubicaciones corporales, permite:

Investigación de Detección Robusta: El desarrollo de modelos que se generalizan a través de factores de forma y sitios corporales, avanzando más allá del paradigma centrado en la muñeca.
Análisis de Calidad de Señal: La capacidad de caracterizar cómo las señales fisiológicas y los artefactos de movimiento difieren según la ubicación (por ejemplo, oreja vs. muñeca).
Estudios de Fusión: Una base para investigar cómo fusionar óptimamente datos de múltiples sensores y modalidades para mejorar la fiabilidad.

Los autores enfatizan que, aunque el conjunto de datos respalda la investigación futura, se publica con limitaciones específicas: una alta proporción de participantes mujeres (debido a los requisitos de los aretes), la falta de tipo de piel Fitzpatrick VI y etiquetas de verdad de referencia derivadas mediante procesamiento algorítmico (Pan-Tompkins) en lugar de anotación manual. El conjunto de datos está destinado a la investigación no comercial para avanzar en el monitoreo fisiológico robusto y no invasivo.