💻 computer science

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

Ce papier présente « Multi-site PPG », un ensemble de données exhaustif recueilli in situ, comprenant plus de 350 heures de données physiologiques collectées à partir de quatre nouvelles formes de dispositifs portables (boucle d'oreille, bague, montre et collier) ainsi qu'un ECG de référence, utilisé pour évaluer les méthodes d'estimation de la fréquence cardiaque et révéler des variations de performance significatives selon les différents sites corporels.

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

Publié 2026-05-19

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

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

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous vouliez mesurer votre rythme cardiaque, mais au lieu de simplement vérifier votre poignet (comme le font la plupart des montres connectées), vous décidez de porter des capteurs sur votre oreille, votre doigt, votre cou et votre poignet simultanément. C'est exactement ce que fait cet article.

Les chercheurs ont créé une nouvelle « bibliothèque » massive de données cardiaques appelée Multi-site PPG. Voici un résumé simple de ce qu'ils ont fait et de ce qu'ils ont découvert, en utilisant quelques analogies du quotidien.

1. Le Problème : Le Goulot d'Étranglement du « Poignet »

Imaginez votre poignet comme une autoroute bruyante et bondée. C'est là que la plupart des gens portent leurs montres, mais comme votre poignet bouge beaucoup (taper, faire des signes, marcher), le signal de votre rythme cardiaque se trouve mélangé à du « bruit de circulation ». De plus, les vaisseaux sanguins sous la peau de votre poignet sont profonds, ce qui rend le signal faible, comme essayer d'entendre un chuchotement à travers un mur épais.

Les chercheurs voulaient voir si le port de capteurs dans des endroits plus calmes et « moins fréquentés » du corps permettait d'entendre le rythme cardiaque plus clairement.

2. L'Expérience : Le Dispositif Portable à « Quatre Têtes »

Pour tester cela, ils ont construit quatre gadgets personnalisés et discrets qui ressemblent à des bijoux normaux :

Une Boucle d'Oreille Intelligente : Portée sur le lobe de l'oreille.
Une Bague Intelligente : Portée au doigt.
Une Montre Connectée : Portée au poignet (le groupe témoin).
Un Collier Intelligent : Porté autour du cou.

Ils ont demandé à 20 personnes de porter les quatre appareils en même temps tout au long de leur journée normale — étudier, marcher, faire de l'exercice et discuter. Pour s'assurer que les données étaient exactes, tout le monde portait également une sangle thoracique médicale (comme une Polar H10) qui servait de « véridique » ou de référence absolue.

Au total, ils ont collecté plus de 350 heures de données brutes. C'est comme enregistrer un film continu des battements de cœur sous quatre angles différents pendant plusieurs jours.

3. Les Résultats : Qui a Mieux Entendu le Battement de Cœur ?

Les chercheurs ont testé divers algorithmes informatiques (de simples astuces mathématiques à l'IA avancée) pour voir à quel point ils pouvaient deviner la fréquence cardiaque à partir des données bruyantes. Ils ont comparé ces estimations à la sangle thoracique « véridique ».

Voici le classement, du meilleur au pire :

La Boucle d'Oreille (Le VIP) : C'était le gagnant clair. Elle a atteint un taux d'erreur de seulement 2,3 battements par minute.
- Analogie : Imaginez essayer d'entendre une chanson dans une pièce calme. L'oreille est proche de la tête, bouge très peu et a une peau fine. C'est comme avoir un microphone de haute qualité juste à côté du haut-parleur.
La Bague (Le Vice-Champion) : Elle arrive en deuxième position avec une erreur de 5,1 battements par minute.
- Analogie : Le doigt est aussi excellent car il est rempli de vaisseaux sanguins (comme une rivière animée), mais il bouge un peu plus que l'oreille lorsque vous utilisez vos mains.
La Montre (La Difficulté) : La montre traditionnelle avait une erreur de 8,4 battements par minute.
- Analogie : C'est l'autoroute bruyante à nouveau. Le poignet bouge trop, et le signal est plus faible.
Le Collier (L'Instable) : Il présentait l'erreur la plus élevée avec 8,7 battements par minute.
- Analogie : Un collier pend et oscille. Le capteur perd souvent le contact avec la peau, comme une radio qui perd le signal lorsque vous marchez.

4. Le Facteur « Mouvement »

L'article examine également comment le mouvement affecte les données.

Zones Calmes : L'oreille et le cou restent relativement immobiles, de sorte que les données restent propres même lorsque les personnes bougent.
Zones Actives : Le doigt et le poignet bougent beaucoup. Plus la personne bouge, plus il est difficile pour l'ordinateur de deviner correctement la fréquence cardiaque.
La Solution : Ils ont constaté que l'ajout de capteurs de mouvement (accéléromètres) à la bague et à la montre aidait l'ordinateur à « soustraire » le bruit du mouvement, rendant l'estimation de la fréquence cardiaque légèrement meilleure. Cependant, pour l'oreille, qui bouge à peine, l'ajout de capteurs de mouvement n'a pas beaucoup aidé.

5. Mélanger les Signaux (Fusion)

Les chercheurs ont tenté de combiner les données de plusieurs appareils pour voir si cela améliorerait encore la prédiction.

Deux vaut mieux qu'un : Combiner les données de la boucle d'oreille et de la bague a rendu la prédiction légèrement plus précise que d'utiliser uniquement la boucle d'oreille.
Quatre n'est pas toujours mieux : Étonnamment, combiner les quatre appareils n'a pas beaucoup amélioré les résultats par rapport à l'utilisation des deux meilleurs. C'est comme si quatre personnes devinaient un nombre ; si trois d'entre elles font des guesses totalement erronés, leur « moyenne » pourrait en fait tirer la bonne estimation dans la mauvaise direction.

Résumé

Cet article est essentiellement un jeu de données public (une immense bibliothèque de battements de cœur) qui prouve : L'endroit où vous portez votre capteur compte tout autant que le capteur lui-même.

La Grande Leçon : Si vous voulez la fréquence cardiaque la plus précise sans sangle thoracique, porter un capteur sur votre oreille ou votre doigt est nettement meilleur que de le porter sur votre poignet.
La Contribution : Ils ont rendu ces données et ce code gratuits afin que d'autres scientifiques puissent développer de meilleures applications et dispositifs de santé qui fonctionnent dans le monde réel, et non pas seulement dans un laboratoire calme.

Note : L'article se concentre strictement sur la collecte de ces données et sur la test de la performance des algorithmes actuels sur celles-ci. Il ne prétend pas que ces appareils sont prêts pour un diagnostic médical ou une utilisation clinique pour le moment.

Résumé technique : PPG multi-sites : Un ensemble de données physiologiques « in-the-wild » issu de wearables multi-sites émergents

Énoncé du problème

La photopléthysmographie (PPG) est un mode de détection dominant pour la fréquence cardiaque et la surveillance physiologique dans les wearables. Cependant, les ensembles de données PPG publics « in-the-wild » restent largement contraints aux montres connectées centrées sur le poignet ou à de courtes sessions de laboratoire contrôlées. La détection basée sur le poignet fait face à des défis inhérents, notamment des artefacts de mouvement et une qualité de signal optique dégradée due à des vaisseaux sanguins plus profonds. Alors que des facteurs de forme émergents tels que les bagues intelligentes, les boucles d'oreilles et les colliers offrent des avantages potentiels (par exemple, une perfusion plus élevée dans les doigts/loulobes, une stabilité relative), il existe une pénurie d'ensembles de données multi-sites à grande échelle collectés lors d'activités quotidiennes naturelles. Les ensembles de données existants se concentrent soit sur des appareils uniques, soit manquent de facteurs de forme pratiques pour l'usage quotidien (par exemple, en utilisant des placements non standards comme le sternum ou la cheville), soit sont limités à des environnements contrôlés, entravant la recherche sur une détection physiologique robuste et généralisée à travers divers types de wearables.

Méthodologie

Collecte des données et matériel

Les auteurs présentent Multi-site PPG, un ensemble de données collecté auprès de 20 participants (19 femmes, 1 homme ; âgés de 20 à 51 ans) sur plusieurs jours d'activités diurnes en milieu urbain. L'étude a utilisé quatre wearables discrets développés sur mesure :

Boucle d'oreille intelligente : Portée sur un lobe d'oreille percé.
Bague intelligente : Portée au doigt.
Montre connectée : Portée au poignet.
Collier intelligent : Porté en pendentif.

Tous les appareils partagent une conception matérielle unifiée basée sur un microcontrôleur nRF52832, intégrant un capteur PPG MAX30101 (canaux vert et infrarouge), un accéléromètre LIS2DW12 et un capteur de température HDC2010. Ils diffusent les données sans fil vers une application smartphone. Pour la vérité terrain, les participants portaient une ceinture thoracique commerciale Polar H10 enregistrant un ECG à 130 Hz.

Traitement des données

L'ensemble de données est publié sous deux formats :

Ensemble de données brut : Plus de 350 heures de données horodatées et continues (bien que potentiellement discontinues en raison de pertes Bluetooth) par appareil, incluant la PPG (vert/IR), l'accélération triaxiale et la température.
Ensemble de données fenêtré : Données prétraitées, prêtes pour la modélisation, composées de fenêtres glissantes de 8 secondes (pas de 1 seconde). Cet ensemble exclut les segments de mauvaise qualité ECG (par exemple, contact lâche de la ceinture, fréquences cardiaques en dehors de 40–180 bpm) et aligne les données des wearables sur la vérité terrain ECG Polar. Il contient de 229,66 à 290,23 heures de données par appareil, avec 190,95 heures où les quatre appareils étaient simultanément actifs.

Protocole de référence

Les auteurs ont évalué les performances d'estimation de la fréquence cardiaque en utilisant trois classes de méthodes par rapport à la vérité terrain dérivée de l'ECG :

Algorithmes heuristiques : Six méthodes traditionnelles de traitement du signal (par exemple, NeuroKit, HeartPy, FFT).
Modèles supervisés : Cinq architectures de réseaux de neurones (ResNet 1D, DCL, FCN, CNN-LSTM, Transformer).
Modèles auto-supervisés : Deux approches d'apprentissage contrastif (SimCLR, BYOL).

L'évaluation a été réalisée en utilisant un protocole de validation croisée Leave-One-Subject-Out (LOSO) sur 20 plis, mesurant l'erreur absolue moyenne (MAE), l'erreur quadratique moyenne (RMSE) et la corrélation de Pearson ( $\rho$ ).

Contributions clés

Premier ensemble de données PPG multi-sites à grande échelle « in-the-wild » : L'article publie le premier ensemble de données PPG public et à grande échelle collecté simultanément à partir de quatre facteurs de forme de wearables distincts et pratiques (boucle d'oreille, bague, montre, collier) lors d'activités quotidiennes naturelles. C'est le premier ensemble de données de ce type pour les bagues intelligentes, les boucles d'oreilles et les colliers.
Référence par localisation corporelle : L'étude établit des performances de base pour l'estimation de la fréquence cardiaque à travers différents sites corporels, révélant des disparités de performance significatives.
Analyse multi-sites et multimodale : Les auteurs fournissent des évaluations initiales de la fusion de capteurs multi-sites et de la fusion PPG-accéléromètre, démontrant l'utilité de l'ensemble de données pour étudier des stratégies de détection complémentaires.

Résultats

Performances selon les sites corporels

Des différences significatives dans la précision de l'estimation de la fréquence cardiaque ont été observées entre les quatre emplacements, avec les meilleurs résultats MAE suivants (en utilisant le modèle supervisé DCL) :

Boucle d'oreille : 2,30 bpm (Meilleure performance, comparable aux paramètres de laboratoire de haute qualité).
Bague : 5,13 bpm (Comparable à l'ensemble de données $\tau$ -Ring de 28 heures).
Montre : 8,37 bpm (Conforme aux résultats WildPPG).
Collier : 8,68 bpm.

La boucle d'oreille et la bague ont constamment surpassé la montre et le collier, attribué à une perfusion plus forte, un couplage optique meilleur et des artefacts de mouvement plus faibles à ces emplacements.

Effets du mouvement

L'analyse a montré que l'erreur d'estimation de la fréquence cardiaque (MAE) augmente généralement avec la puissance du mouvement pour tous les appareils. Cependant, la boucle d'oreille et le collier ont subi une exposition au mouvement plus faible (91 % des fenêtres dans les bins de faible mouvement) par rapport à la bague et à la montre. La bague a maintenu une meilleure précision que la montre même à des niveaux de mouvement plus élevés, probablement en raison d'une qualité de signal supérieure au niveau du doigt.

Stratégies de fusion

Fusion multi-sites : La combinaison de deux appareils (par exemple, Boucle d'oreille + Bague) a constamment amélioré le MAE par rapport aux références à appareil unique (par exemple, réduisant le MAE de la boucle d'oreille de 1,84 à 1,82 bpm). Cependant, la fusion des quatre appareils n'a pas produit de gains supplémentaires par rapport aux meilleures combinaisons à deux appareils, suggérant que les sites plus bruyants (montre, collier) peuvent introduire de la variabilité lorsqu'ils sont combinés avec des signaux de haute qualité.
Fusion PPG-Accéléromètre : L'ajout de données d'accéléromètre (axe z) a fourni des améliorations constantes, bien que modestes, pour la bague et la montre (par exemple, MAE de la montre réduit d'environ 0,3 bpm). Le bénéfice était limité ou mitigé pour la boucle d'oreille et le collier, indiquant que le contexte de mouvement est le plus précieux pour les sites sujets aux artefacts de mouvement.

Importance et affirmations

L'article affirme que Multi-site PPG comble une lacune critique dans la disponibilité des données physiologiques pour les facteurs de forme de wearables émergents. En fournissant un ensemble de données qui capture la variabilité de la vie quotidienne à travers différents sites corporels, il permet :

Recherche sur la détection robuste : Le développement de modèles qui se généralisent à travers les facteurs de forme et les sites corporels, dépassant le paradigme centré sur le poignet.
Analyse de la qualité du signal : La capacité de caractériser comment les signaux physiologiques et les artefacts de mouvement diffèrent selon l'emplacement (par exemple, oreille contre poignet).
Études de fusion : Une base pour investiguer comment fusionner optimalement les données de plusieurs capteurs et modalités afin d'améliorer la fiabilité.

Les auteurs soulignent que bien que l'ensemble de données soutienne la recherche future, il est publié avec des limitations spécifiques : une forte proportion de participantes féminines (en raison des exigences des boucles d'oreilles), un manque de type de peau Fitzpatrick VI, et des étiquettes de vérité terrain dérivées par traitement algorithmique (Pan-Tompkins) plutôt que par annotation manuelle. L'ensemble de données est destiné à la recherche non commerciale pour faire progresser la surveillance physiologique robuste et discrète.