💻 computer science

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

Este artigo apresenta o "Multi-site PPG", um conjunto de dados abrangente coletado em condições naturais, composto por mais de 350 horas de dados fisiológicos obtidos a partir de quatro novos formatos de dispositivos vestíveis (brinco, anel, relógio e colar) juntamente com um ECG de referência, o qual é utilizado para avaliar métodos de estimativa da frequência cardíaca e revelar variações significativas de desempenho entre diferentes locais do corpo.

Autores originais: 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 leitura🧠 Leitura aprofundada

CC BY 4.0

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

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você quer medir sua frequência cardíaca, mas, em vez de apenas verificar seu pulso (como a maioria dos relógios inteligentes faz), você decide usar sensores em sua orelha, seu dedo, seu pescoço e seu pulso, todos ao mesmo tempo. É exatamente isso que este artigo faz.

Os pesquisadores criaram uma nova e massiva "biblioteca" de dados cardíacos chamada PPG Multi-site. Aqui está uma explicação simples do que eles fizeram e do que descobriram, usando algumas analogias do cotidiano.

1. O Problema: O "Gargalo" do Pulso

Pense no seu pulso como uma rodovia movimentada e barulhenta. É onde a maioria das pessoas usa relógios, mas como seu pulso se move muito (digitando, acenando, caminhando), o sinal da sua frequência cardíaca fica misturado com o "ruído do tráfego". Além disso, os vasos sanguíneos sob a pele do seu pulso são profundos, tornando o sinal fraco, como tentar ouvir um sussurro através de uma parede grossa.

Os pesquisadores queriam ver se usar sensores em lugares mais silenciosos e "menos lotados" do corpo poderia ouvir a frequência cardíaca com mais clareza.

2. O Experimento: O Dispositivo Vestível de "Quatro Cabeças"

Para testar isso, eles construíram quatro gadgets personalizados e discretos que parecem joias normais:

Um Brinco Inteligente: Usado no lóbulo da orelha.
Um Anel Inteligente: Usado no dedo.
Um Relógio Inteligente: Usado no pulso (o grupo de controle).
Um Colar Inteligente: Usado ao redor do pescoço.

Eles pediram que 20 pessoas usassem os quatro dispositivos ao mesmo tempo enquanto seguiam sua rotina diária normal — estudando, caminhando, fazendo exercícios e conversando. Para garantir que os dados fossem precisos, todos também usaram uma faixa peitoral de grau médico (como a Polar H10) que atuou como o "dizedor da verdade" ou o padrão-ouro.

No total, eles coletaram mais de 350 horas de dados brutos. É como gravar um filme contínuo de batimentos cardíacos de quatro ângulos diferentes por dias seguidos.

3. Os Resultados: Quem Ouviu Melhor a Frequência Cardíaca?

Os pesquisadores testaram vários algoritmos de computador (de truques matemáticos simples a IA avançada) para ver quão bem conseguiam estimar a frequência cardíaca a partir dos dados ruidosos. Eles compararam as estimativas com a faixa peitoral "dizedora da verdade".

Aqui está a classificação, do melhor para o pior:

O Brinco (O VIP): Este foi o vencedor claro. Ele alcançou uma taxa de erro de apenas 2,3 batimentos por minuto.
- Analogia: Imagine tentar ouvir uma música em um quarto silencioso. A orelha está perto da cabeça, move-se muito pouco e tem pele fina. É como ter um microfone de alta qualidade bem ao lado do alto-falante.
O Anel (O Vice-Campeão): Este ficou em segundo lugar com um erro de 5,1 batimentos por minuto.
- Analogia: O dedo também é ótimo porque está cheio de vasos sanguíneos (como um rio movimentado), mas move-se um pouco mais do que a orelha quando você usa as mãos.
O Relógio (O Que Luta): O relógio tradicional teve um erro de 8,4 batimentos por minuto.
- Analogia: Esta é a rodovia barulhenta novamente. O pulso move-se demais e o sinal é mais fraco.
O Colar (O Instável): Este teve o maior erro, de 8,7 batimentos por minuto.
- Analogia: Um colar balança e oscila. O sensor frequentemente perde contato com a pele, como um rádio perdendo o sinal quando você anda.

4. O Fator "Movimento"

O artigo também analisou como o movimento afeta os dados.

Zonas Silenciosas: A orelha e o pescoço permaneceram relativamente imóveis, então os dados permaneceram limpos, mesmo quando as pessoas estavam se movendo.
Zonas Ativas: O dedo e o pulso moveram-se muito. Quanto mais a pessoa se movia, mais difícil era para o computador estimar a frequência cardíaca corretamente.
A Solução: Eles descobriram que adicionar sensores de movimento (acelerômetros) ao anel e ao relógio ajudou o computador a "subtrair" o ruído do movimento, tornando a estimativa da frequência cardíaca ligeiramente melhor. No entanto, para a orelha, que mal se move, adicionar sensores de movimento não ajudou muito.

5. Misturando os Sinais (Fusão)

Os pesquisadores tentaram combinar os dados de vários dispositivos para ver se isso tornaria a previsão ainda melhor.

Dois é melhor que um: Combinar os dados do Brinco e do Anel tornou a previsão ligeiramente mais precisa do que usar apenas o Brinco sozinho.
Quatro nem sempre é melhor: Surpreendentemente, combinar todos os quatro dispositivos não tornou muito melhor do que usar apenas os dois melhores. É como ter quatro pessoas adivinhando um número; se três delas estiverem adivinhando muito longe, a "média" delas pode, na verdade, puxar a boa estimativa na direção errada.

Resumo

Este artigo é essencialmente um conjunto de dados público (uma gigantesca biblioteca de batimentos cardíacos) que prova: onde você usa seu sensor importa tanto quanto o próprio sensor.

A Grande Conclusão: Se você quer a frequência cardíaca mais precisa sem uma faixa peitoral, usar um sensor na sua orelha ou dedo é significativamente melhor do que usá-lo no pulso.
A Contribuição: Eles lançaram esses dados e o código gratuitamente para que outros cientistas possam construir aplicativos e dispositivos de saúde melhores que funcionem no mundo real, e não apenas em um laboratório silencioso.

Nota: O artigo foca estritamente na coleta desses dados e em testar o quão bem os algoritmos atuais funcionam com eles. Não afirma que esses dispositivos estão prontos para diagnóstico médico ou uso clínico ainda.

Resumo Técnico: PPG Multi-site: Um Conjunto de Dados Fisiológicos "In-the-Wild" de Wearables Multi-site Emergentes

Declaração do Problema

A fotopletismografia (PPG) é uma modalidade de sensoriamento dominante para monitoramento de frequência cardíaca e fisiológico em wearables. No entanto, conjuntos de dados públicos de PPG "in-the-wild" permanecem amplamente restritos a smartwatches centrados no pulso ou a sessões laboratoriais curtas e controladas. O sensoriamento baseado no pulso enfrenta desafios inerentes, incluindo artefatos de movimento e qualidade degradada do sinal óptico devido a vasos sanguíneos mais profundos. Embora formatos emergentes como anéis inteligentes, brincos inteligentes e colares ofereçam vantagens potenciais (por exemplo, maior perfusão em dedos/lóbulos das orelhas, estabilidade relativa), há uma escassez de conjuntos de dados multi-site em grande escala coletados durante atividades diárias naturais. Conjuntos de dados existentes focam ou em dispositivos únicos, carecem de formatos práticos do dia a dia (por exemplo, usando localizações não padrão como esterno ou tornozelo) ou são limitados a ambientes controlados, dificultando a pesquisa em sensoriamento fisiológico robusto e generalizado entre diversos tipos de wearables.

Metodologia

Coleta de Dados e Hardware

Os autores apresentam o Multi-site PPG, um conjunto de dados coletado de 20 participantes (19 mulheres, 1 homem; idades de 20–51) ao longo de vários dias de atividades diurnas em ambientes urbanos. O estudo utilizou quatro wearables customizados e não intrusivos:

Brinco Inteligente: Usado em lóbulo da orelha perfurado.
Anel Inteligente: Usado no dedo.
Smartwatch: Usado no pulso.
Colar Inteligente: Usado como pingente.

Todos os dispositivos compartilham um design de hardware unificado baseado em um microcontrolador nRF52832, integrando um sensor PPG MAX30101 (canais verde e infravermelho), um acelerômetro LIS2DW12 e um sensor de temperatura HDC2010. Eles transmitem dados sem fio para um aplicativo de smartphone. Para a verdade fundamental (ground truth), os participantes usaram uma cinta torácica comercial Polar H10 registrando ECG a 130 Hz.

Processamento de Dados

O conjunto de dados é liberado em dois formatos:

Conjunto de Dados Bruto: Mais de 350 horas de dados contínuos (embora potencialmente descontínuos devido a quedas de Bluetooth) com carimbo de data/hora por dispositivo, incluindo PPG (verde/IR), aceleração de 3 eixos e temperatura.
Conjunto de Dados em Janelas: Dados pré-processados e prontos para modelagem, consistindo em janelas deslizantes de 8 segundos (passo de 1 segundo). Este conjunto de dados exclui segmentos com qualidade de ECG pobre (por exemplo, contato frouxo da cinta, frequências cardíacas fora de 40–180 bpm) e alinha os dados dos wearables com a verdade fundamental do ECG Polar. Contém de 229,66 a 290,23 horas de dados por dispositivo, com 190,95 horas onde os quatro dispositivos estavam ativos simultaneamente.

Protocolo de Benchmarking

Os autores avaliaram o desempenho de estimativa de frequência cardíaca usando três classes de métodos contra a verdade fundamental derivada do ECG:

Algoritmos Heurísticos: Seis métodos tradicionais de processamento de sinal (por exemplo, NeuroKit, HeartPy, FFT).
Modelos Supervisionados: Cinco arquiteturas de rede neural (ResNet 1D, DCL, FCN, CNN-LSTM, Transformer).
Modelos Auto-supervisionados: Duas abordagens de aprendizado contrastivo (SimCLR, BYOL).

A avaliação foi conduzida usando um protocolo de validação cruzada Leave-One-Subject-Out (LOSO) em 20 dobras, medindo Erro Absoluto Médio (MAE), Raiz do Erro Quadrático Médio (RMSE) e correlação de Pearson ( $\rho$ ).

Principais Contribuições

Primeiro Conjunto de Dados PPG Multi-site "In-the-Wild" em Grande Escala: O artigo libera o primeiro conjunto de dados PPG público e em grande escala coletado simultaneamente de quatro formatos práticos distintos de wearables (brinco, anel, relógio, colar) durante atividades diárias naturais. É o primeiro conjunto de dados desse tipo para anéis inteligentes, brincos inteligentes e colares inteligentes.
Benchmarking por Localização Corporal: O estudo estabelece o desempenho de base para estimativa de frequência cardíaca em diferentes locais do corpo, revelando disparidades significativas de desempenho.
Análise Multi-site e Multimodal: Os autores fornecem avaliações iniciais de fusão de sensores multi-site e fusão PPG-acelerômetro, demonstrando a utilidade do conjunto de dados para estudar estratégias de sensoriamento complementares.

Resultados

Desempenho entre Locais Corporais

Diferenças significativas na precisão da estimativa de frequência cardíaca foram observadas entre os quatro locais, com os seguintes resultados de MAE de melhor desempenho (usando o modelo supervisionado DCL):

Brinco: 2,30 bpm (Melhor desempenho, comparável a configurações laboratoriais de alta qualidade).
Anel: 5,13 bpm (Comparável ao conjunto de dados $\tau$ -Ring de 28 horas).
Relógio: 8,37 bpm (Consistente com resultados do WildPPG).
Colar: 8,68 bpm.

O brinco e o anel consistentemente superaram o relógio e o colar, atribuído a maior perfusão, melhor acoplamento óptico e menores artefatos de movimento nesses locais.

Efeitos do Movimento

A análise mostrou que o erro de estimativa de frequência cardíaca (MAE) geralmente aumenta com a potência do movimento em todos os dispositivos. No entanto, o brinco e o colar experimentaram menor exposição ao movimento (91% das janelas em bins de baixo movimento) em comparação com o anel e o relógio. O anel manteve melhor precisão que o relógio mesmo em níveis mais altos de movimento, provavelmente devido à qualidade superior do sinal no dedo.

Estratégias de Fusão

Fusão Multi-site: Combinar dois dispositivos (por exemplo, Brinco + Anel) melhorou consistentemente o MAE em relação às bases de dispositivos únicos (por exemplo, reduzindo o MAE do Brinco de 1,84 para 1,82 bpm). No entanto, fundir todos os quatro dispositivos não produziu ganhos adicionais sobre as melhores combinações de dois dispositivos, sugerindo que locais mais ruidosos (relógio, colar) podem introduzir variabilidade quando combinados com sinais de alta qualidade.
Fusão PPG-Acelerômetro: Adicionar dados de acelerômetro (eixo z) forneceu melhorias consistentes, embora modestas, para o anel e o relógio (por exemplo, MAE do Relógio reduzido em ~0,3 bpm). O benefício foi limitado ou misto para o brinco e o colar, indicando que o contexto de movimento é mais valioso para locais propensos a artefatos de movimento.

Significado e Alegações

O artigo alega que o Multi-site PPG preenche uma lacuna crítica na disponibilidade de dados fisiológicos para formatos de wearables emergentes. Ao fornecer um conjunto de dados que captura a variabilidade da vida diária em diferentes locais do corpo, ele permite:

Pesquisa de Sensoriamento Robusto: O desenvolvimento de modelos que generalizam entre formatos e locais corporais, indo além do paradigma centrado no pulso.
Análise de Qualidade de Sinal: A capacidade de caracterizar como sinais fisiológicos e artefatos de movimento diferem por localização (por exemplo, orelha vs. pulso).
Estudos de Fusão: Uma base para investigar como fundir otimamente dados de múltiplos sensores e modalidades para melhorar a confiabilidade.

Os autores enfatizam que, embora o conjunto de dados apoie pesquisas futuras, é liberado com limitações específicas: uma alta proporção de participantes do sexo feminino (devido aos requisitos de brincos), ausência do tipo de pele Fitzpatrick VI e rótulos de verdade fundamental derivados por processamento algorítmico (Pan-Tompkins) em vez de anotação manual. O conjunto de dados destina-se a pesquisa não comercial para avançar o monitoramento fisiológico robusto e não intrusivo.