Deep PPG：基于卷积神经网络的大规模心率估计

基于光电容积脉搏波描记法（Photoplethysmography, PPG）的连续心率监测在医疗健康与健身等多个领域具有重要意义。近年来，基于时频谱的方法逐渐兴起，旨在应对运动伪影补偿的挑战。然而，现有方法通常高度依赖参数设置，且仅针对特定场景下的小型公开数据集进行优化，导致方法之间存在显著的碎片化问题。为解决这一问题，本文致力于研究基于PPG的心率估计方法在鲁棒性与泛化能力方面的表现。首先，我们构建了一个新型的大规模数据集——PPG-DaLiA，涵盖多种接近真实生活场景下的活动，具有较高的多样性与现实性。其次，我们对一种先进的算法进行了扩展，显著提升了其在多个数据集上的性能表现。第三，我们将深度学习引入该领域，系统探究了多种卷积神经网络（Convolutional Neural Network, CNN）架构的适用性。本文提出的端到端学习框架以同步采集的PPG信号与加速度计信号的时频谱作为输入，输出估计的心率值。最后，我们将所提出的深度学习方法与传统方法进行了全面比较，并在四个公开数据集上进行了评估。实验结果表明，在大规模数据集上，深度学习模型显著优于现有方法：在新构建的PPG-DaLiA数据集上，平均绝对误差（Mean Absolute Error, MAE）降低了31%；在WESAD数据集上，MAE亦降低了21%。这些结果验证了深度学习方法在复杂现实场景下具备更强的鲁棒性与泛化能力，为未来可穿戴设备中的高精度心率监测提供了有力支持。