⚡ electrical engineering

Low-Rate Wrist SpO2 Estimation under Micro-Perturbations Using Motion-Aware Beat Selection and Perfusion-Guided Calibration

本文提出了一种轻量级、低速率的手腕 SpO2 估计算法框架，该框架结合了运动感知脉搏选择和灌注引导校准，旨在尽管存在细微的手腕微扰动和个体间灌注差异的情况下，仍能实现高精度与高能效。

原作者： Zequan Liang, Ning Miao, Wei Shao, Mahdi Pirayesh Shirazi Nejad, Ehsan Kourkchi, Hossein Sayadi, Setareh Rafatirad, Houman Homayoun

发布于 2026-07-10

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Zequan Liang, Ning Miao, Wei Shao, Mahdi Pirayesh Shirazi Nejad, Ehsan Kourkchi, Hossein Sayadi, Setareh Rafatirad, Houman Homayoun

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你的手腕是一个繁忙的小型城市，血细胞就是其中的通勤者。为了检查这些通勤者携带了多少氧气，医生通常会将“脉搏血氧仪”夹在手指上。但如果你尝试在手腕上进行测量，情况就会变得一团糟。手腕是晃动的，每个人的皮肤也各不相同，甚至最微小的震颤——即“微扰动”——都会破坏测量结果，就像抖动的相机拍坏了一张照片。

加州大学戴维斯分校和加州州立大学长滩分校的研究人员决定构建一个更智能、更轻量化的系统来解决这个问题。他们不仅仅是尝试拍出一张更好的照片；他们发明了一种方法，能够挑选出“最好的”照片，并为每个人调整相机设置。

问题所在：抖动的手与摇晃的地图

把传统的测量氧气方式想象成使用一张单一且固定的地图来导航城市。这张地图说：“如果红光亮度如此，红外光亮度如此，那么你的血氧饱和度就是 98%。”但在手腕上，由于微小的移动，灯光会闪烁，而且“地形”（你的皮肤和血流）因人而异。适用于一个人的地图可能会让另一个人陷入沼泽。

论文反对依赖这种“固定地图”（标准校准曲线），因为当手腕轻微移动时，它会变得不稳定。他们还认为，仅仅将所有数据取平均值并不奏效，因为这会将好的数据与差的、抖动的数据混合在一起。

解决方案：“节拍侦探”与“个人 GPS”

团队提出了一个新的框架，它就像一个两步走的侦探机构。

第一步：运动感知节拍选择（节拍侦探）
想象你正试图在嘈杂的房间里听一首歌。与其调大整个房间的音量，不如等待安静的时刻来清晰地聆听音乐。
研究人员对心跳也做了类似的处理。他们观察来自加速度计（运动传感器）的数据，以了解手腕晃动的程度。

如果手腕很稳，心跳数据就会获得一个“高可靠性”评分。
如果手腕在晃动，数据就会获得一个“低可靠性”评分。
他们没有对所有心跳取平均值，而是使用了“加权中位数”。你可以把它想象成一个投票系统：安静、稳定的心跳获得 10 票，而晃动的只有 1 票。这确保了最终的计算是基于最干净的信号。

第二步：灌注引导校准（个人 GPS）
现在，想象两个人在同一座城市行走，但一个人穿着厚重的冬靴，而另一个赤脚。即使他们试图走同样的距离，速度也会不同。
研究人员发现，人们的“灌注”水平（血液流向皮肤的效果）各不相同。标准地图并未考虑到这一点。因此，他们创建了一个“个人 GPS”。
在开始阶段，系统会寻找最稳定、最安静的时刻，为该特定人员建立一个“参考值”。然后，它利用这个参考值在剩余时间内调整氧气计算。这意味着系统是在适应你特定的皮肤和血流，而不是强迫你符合一个通用的模型。

结果：快速、轻量且准确

团队在一个包含九名肤色多样化受试者的私有数据集上进行了测试。他们将自己的方法与旧的标准计算方法进行了对比。

得分： 他们的这种方法实现了 2.305 ± 1.113% 的平均绝对误差 (MAE) 和 3.117 ± 1.743% 的均方根误差 (RMSE)。
对比： 这优于标准的“平均值”法、“中位数”法，甚至优于 RLS 和 NLMS 等高级滤波技术。
速度黑科技： 这是最酷的部分。他们测试了以 25 Hz（每秒 25 次）运行的系统，并将其与 100 Hz（每秒 100 次）进行了比较。通常，你需要高速才能获得好数据。但由于有了“节拍侦探”和“个人 GPS”，25 Hz 版本的表现竟然与 100 Hz 版本一样出色。
电池红利： 因为他们可以在较慢的 25 Hz 速率下运行，所以传感器的功耗降低了。在 25 Hz 下，传感器仅消耗约 9 mW 的功率，比 100 Hz 下使用的 15 mW 低了 40%。这表明该系统可以在电池上运行更长时间，非常适合可穿戴设备。

他们没做的事（以及他们的计划）

需要注意的是，这篇论文并没有声称什么。他们并没有在数百人身上进行测试，也没有在每种可能的日常活动（如跑马拉松或游泳）中进行测试。结果是基于九个人通过憋气试验来产生氧气变化的特定数据集得出的。

作者指出，虽然该框架是实现低速率、高能效监测的重要一步，但未来的工作需要扩大数据集，以包含更多参与者和更多样化的现实世界活动。他们还计划研究如何在长时间内动态更新“个人 GPS”参考值。

简而言之，论文表明，通过聪明地筛选哪些心跳值得信任，以及如何根据佩戴者进行调整，即使在手腕晃动且电池功率较低的情况下，我们也能获得准确的氧气读数。

技术摘要：微扰动下的低采样率腕部 SpO2 估算

问题陈述
通过光电容积脉搏波（PPG）进行连续血氧饱和度（SpO2）监测对于可穿戴健康传感至关重要。然而，与传统的指夹式脉搏血氧仪相比，基于腕部的估算面临显著挑战。腕部更容易受到微扰动的影响，例如微小运动和接触压力的细微变化，这些因素会破坏 PPG 波形的形态。这些扰动改变了红光（Red）和红外光（Infrared）的脉动分量，导致红光与红外光比例之比（ $R$ ）的不稳定。由于传统方法依赖于固定的 $R$ –SpO2 映射关系，这种不稳定性会导致估算结果不一致。此外，个体间局部灌注状态的差异引入了校准偏差，因为固定的映射无法适应不同个体或不同皮肤-传感器接触条件下的不同灌注指数（PI）。

方法论
作者提出了一种轻量级、兼容固件的低采样率腕部 SpO2 估算框架，该框架集成了运动感知型节拍选择和灌注引导校准。该系统处理双波长（红光和红外光）PPG 信号以及三轴加速度计数据。该方法由三个主要阶段组成：

节拍级 AC/DC 提取与比例计算：
在 10 秒的滑动窗口内，对红光和红外光 PPG 信号进行低通滤波（截止频率 5 Hz）以保留脉搏形态。利用带通滤波器（1–3 Hz）进行鲁棒的节拍检测，使用较稳定的红外通道谷值作为两个波长的共同边界。分别识别各通道的收缩期峰值。每个节拍的直流（DC）分量定义为峰值位置处的插值基线值，而交流（AC）分量则是峰值与该基线之间的振幅差。每个节拍的比例之比（ $R$ ）计算公式为 $R = \frac{AC_{red}/DC_{red}}{AC_{IR}/DC_{IR}}$ 。
运动感知型节拍选择：
为了减轻微扰动的影响，该框架根据加速度计衍生的运动评分为每个节拍分配可靠性权重。对于每个节拍间隔，计算三轴加速度计幅度的标准差。在窗口内，使用非线性函数对节拍进行加权，该函数强调低运动节拍并抑制受运动污染的节拍。具体而言，利用窗口内运动评分的中位数和第 90 百分位数建立运动评分阈值。随后计算有效节拍级 $R$ 值的加权中位数，以确定窗口级 $R_{win}$ ，从而确保运动受损的节拍对最终估算值的贡献较小。
灌注引导校准：
为了解决个体差异问题，系统为每个会话估计一个参考灌注指数（ $PI_{ref}$ ）。系统识别出最可靠的 30 秒片段（平均运动量最低），并将 $PI_{ref}$ 计算为该片段内红外灌注指数的加权中位数。随后使用 $PI_{ref}$ 的线性函数对窗口级 $R_{win}$ 进行修正（ $R_c = R_{win} + b_0 + b_1 \cdot PI_{ref}$ ）。最后，将修正后的比例 $R_c$ 通过从训练数据中学习到的二阶多项式校准函数映射为 SpO2。

核心贡献

低速率处理算法： 一种专为 25 Hz 采样率设计的双波长 PPG 处理算法，执行逐节拍提取和滚动窗口聚合，用于 $R$ –SpO2 校准。
运动感知型节拍选择： 一种利用加速度计数据为节拍分配可靠性权重的策略，通过优先考虑低运动数据点，提高了针对微扰动的鲁棒性。
灌注引导校准： 一种使用灌注指数作为校准状态指示器的方法，使 $R$ –SpO2 关系能够适应个体间局部灌注条件的差异。

实验结果
该框架在一个包含 9 名参与者、涵盖不同肤色的 27 个会话的私有可穿戴数据集上进行了评估。该数据集包含 100 Hz 的 PPG 信号（在评估时降采样至 25 Hz）以及来自 Masimo Rad-G 设备的参考 SpO2 值。

性能： 在严格的留一受试者法（LOSO）评估下，所提方法在 25 Hz 下实现了 $2.305 \pm 1.113\%$ 的平均绝对误差（MAE）和 $3.117 \pm 1.743\%$ 的均方根误差（RMSE）。其表现优于包括简单均值/中位数聚合、递归最小二乘法（RLS）和归一化最小均方算法（NLMS）在内的基准方法。
消融研究： 结果证实，运动感知型节拍选择和灌注引导校准均能独立提升性能，且两者的结合在 25 Hz 和 100 Hz 采样率下均取得了最佳指标。
低速率效率： 该方法在 25 Hz 下保持了与 100 Hz 相当的性能。功耗分析表明，在 25 Hz 下 PPG 传感器的功耗约为 9 mW，比 100 Hz 下的约 15 mW 降低了 40%，支持了高能效的连续监测。
运动鲁棒性： 组合方法在所有运动幅度水平下均表现出最低的 MAE，而基准方法在运动幅度标准差增加时，误差也随之增大。

意义
本文声称，这项工作提出了一个轻量级框架，能够在不需要高复杂度去噪模型的情况下，提高低采样率腕部 SpO2 估算的鲁棒性。通过整合运动感知选择和灌注引导校准，该系统解决了微扰动和个体间灌注差异的双重挑战。在显著降低功耗的同时保持 25 Hz 下的准确性，使得该框架适用于用于连续健康监测的、兼容固件且高能效的可穿戴实现。

问题所在：抖动的手与摇晃的地图

解决方案：“节拍侦探”与“个人 GPS”

结果：快速、轻量且准确

他们没做的事（以及他们的计划）

类似论文