智能手表背面那几颗绿光 LED大概是普通人接触最频繁的医学传感器了。它发射光进皮肤接收血液容积变化引起的反射光波动——这就是 PPG光电容积脉搏波描记法。心率只是它最表层的输出研究者已经在用 PPG 估血压、筛查房颤、评估动脉硬化甚至预测糖尿病的风险趋势。对算法工程师来说这是一个数据获取成本低、临床价值高、但坑也异常多的方向。PPG 信号里到底藏着什么一个心动周期的 PPG 波形包含主波收缩期射血形成、重搏切迹和重搏波主动脉瓣关闭及外周反射形成。从这些形态细节里可以榨出三类信息节律信息相邻波峰的 RR 间期构成心率变异性HRV是评估自主神经状态的窗口与压力、睡眠分期、心衰风险都有关联。房颤筛查本质上就是在 RR 序列上找绝对不齐。形态信息波峰高度、上升支斜率、重搏波相对位置反映血管弹性和外周阻力。随着年龄增长和动脉硬化重搏波会逐渐抬高并前移这是无创血管年龄评估的依据。频域信息对波形做频谱分析可以分离呼吸成分呼吸会调制心率和每搏输出量从而无创估计呼吸频率。问题在于这些信息全都埋在一个噪声极大的信号里。手腕晃动带来的运动伪差可以比真实脉搏波大一个数量级深色皮肤对绿光的吸收差异、佩戴松紧、环境温度引起的末梢血管收缩都会改变波形。所以业内有句半开玩笑的话PPG 算法的工作量八成在信号质量评估和预处理。预处理先救信号再谈模型一个标准的腕戴 PPG 预处理流程包括带通滤波、伪差检测和逐搏切分。用 scipy 写起来不复杂import numpy as np from scipy.signal import butter, filtfilt, find_peaks def preprocess_ppg(signal, fs100): fs: 采样率消费级设备常见 25~100Hz # 1. 0.5-8Hz 带通保留脉搏主频滤除基线漂移和高频噪声 b, a butter(3, [0.5 / (fs / 2), 8 / (fs / 2)], btypeband) clean filtfilt(b, a, signal) # 2. 峰值检测间距约束对应 40~200 bpm 的合理心率 min_dist int(fs * 60 / 200) peaks, props find_peaks(clean, distancemin_dist, prominencenp.std(clean) * 0.5) # 3. RR 间期与简单质量门控剔除超出生理范围的搏动 rr np.diff(peaks) / fs * 1000 # 毫秒 valid (rr 300) (rr 1500) return clean, peaks, rr[valid]真实项目里还要加信号质量指数SQI常用偏度、波形模板相关性、加速度计融合判据给每段信号打可信/不可信标签。把不可靠的段直接丢弃通常比发明更鲁棒的模型更有效。这条原则在房颤筛查研究里反复被验证宁可拒识 30% 的低质量数据换来特异性达标也不能为了覆盖率放进脏信号。从特征到慢病风险模型有了干净信号建模路线大致分三派| 路线 | 输入 | 代表方法 | 优势 | 风险 | | --- | --- | --- | --- | --- | | 手工特征 传统 ML | HRV 指标、形态学特征 | XGBoost、Logistic 回归 | 可解释样本需求小易过审 | 特征工程依赖经验上限明显 | | 端到端深度学习 | 原始波形片段 | 1D-CNN、ResNet1D | 自动挖掘形态特征 | 黑盒需大量标注数据 | | 自监督预训练 微调 | 海量无标注波形 | Masked Autoencoder | 利用未标注数据迁移好 | 工程链路长落地案例少 |在慢病风险预测高血压、糖尿病、心血管事件这类任务上目前的实践共识是PPG 单独作为输入通常不够要和人口学特征、活动量、睡眠数据做融合。一个比较典型的架构是PPG 分支用 1D-CNN 提取波形嵌入静态特征走 MLP融合后接梯度提升树或浅层网络输出风险分。标签噪声是这里的隐性难题——慢病金标准诊断往往来自体检或门诊与用户佩戴设备的时间错位需要仔细设计标签对齐窗口否则模型学到的是去医院体检的人的特征而不是疾病本身的信号。以血压估计为例可以感受一下这个领域的水有多深。PPG 与血压之间存在生理关联脉搏波传导速度与血管张力相关但个体差异极大目前主流方案仍需袖带血压定期校准且对收缩压的估计误差普遍大于舒张压。学术研究里的高相关度往往来自小样本、静息态数据迁移到真实世界的活动人群后衰减明显。评估这类论文时先看它的测试集是不是跨个体、跨场景的再看有没有和仅用心率做基线对比——很多花哨模型的增量收益其实打不过一个扎实的基线。绕不开的合规与责任边界只要输出涉及疾病风险就一脚踏进了医疗器械监管区。国内对应的是 NMPA 二类/三类证美国是 FDA 的 SaMD 路径。几个实操要点宣称决定监管级别。关注你的心脏健康和筛查房颤是两个完全不同的申报路径产品文案每一句都要和注册策略对齐。数据合规先行。健康数据在国内属于敏感个人信息出境、共享、用于模型训练都需要单独授权做科研合作也要过伦理审查。算法更新即变更。拿证后的模型迭代不是改完上线那么简单重大变更需要重新评估架构设计时就要把可锁定版本、可灰度验证考虑进去。总结与展望PPG 是把消费级硬件和临床医学连接起来的少数通道之一技术栈横跨信号处理、机器学习和医学合规门槛和护城河都不低。短期看
