当前位置：首页 > news >正文

「多模态融合（ECG+PPG联合变异性分析）——ECG信号处理-第十六课」2025年6月10日

news 2025/6/12 22:47:52

1、引言

2、ECG 信号处理与 HRV 分析

2.1 ECG 信号预处理

2.2 心率变异性（HRV）分析

2.3 结果展示

3. PPG 信号处理与 PRV 分析

3.1 PPG 信号预处理

3.2 PRV 间期提取

3.3 脉搏率变异性（PRV）分析

3.4 结果展示

4. ECG 与 PPG 联合变异性分析

4.1 相关性分析

4.2 一致性分析

5.结论

1、引言

心电信号（ECG）和光电容积脉搏波（PPG）是两种重要的生理信号，它们分别反映了心脏的电活动和外周血管的容积变化。近年来，多模态融合技术在生理信号分析领域取得了显著进展，通过联合分析ECG和PPG信号，可以获得更全面的心血管系统信息。本文将深入探讨基于ECG和PPG的联合变异性分析方法，包括信号预处理、特征提取以及多模态融合分析技术。

2、ECG 信号处理与 HRV 分析

2.1 ECG 信号预处理

基线漂移滤除

基线漂移会干扰ECG信号的分析，采用低通滤波器提取基线漂移后将其从原始信号中减去。

肌电干扰滤除

肌电干扰通常存在于高频段，使用带通滤波器保留1-45Hz的信号，从而去除肌电干扰，保留ECG信号中的有效成分。

工频干扰滤除

工频干扰通常为50Hz的正弦波信号，使用陷波滤波器去除50Hz工频干扰，有效抑制该频率附近的干扰信号。

图1：原始心电信号与去噪后信号对比

3. PPG 信号处理与 PRV 分析

3.1 PPG 信号预处理

PPG（光电容积描记）信号是一种通过光电传感器测量血液容积变化的生理信号，广泛用于监测心率、血氧饱和度等生理参数。然而，PPG信号容易受到多种噪声的干扰，如基线漂移、肌电干扰（EMG）和工频干扰（通常为50Hz或60Hz）。为了提高信号质量和分析准确性，需要对PPG信号进行去噪处理。

图5：PPG 信号与去噪后信号对比

3.2 PRV 间期提取

脉搏波间期（PPI）是 PPG 信号相邻波峰之间的时间间隔，类似于 ECG 的 RR 间期。通过检测 PPG 信号的波峰，提取 PPI 序列：

波峰检测 ：对于PPG信号，采用查找局部极大值的方法检测脉搏波的波峰，设置合适的最小峰值距离和最小峰值高度参数，确保检测到的波峰对应于真实的脉搏波搏动。
PPI 计算 ：对检测到的波峰位置进行差分运算，得到 PPI 间期，单位转换为毫秒。

图6：PPG 信号与峰值检测

3.3 脉搏率变异性（PRV）分析

时域分析：类似于HRV的时域分析，计算PPI（脉搏-脉搏间期）的标准差、NN50、pNN50和RMSSD等指标。
频域分析：对PPI间期时间序列进行频谱分析，得到LF、HF和TP等频域指标。
非线性分析：通过Poincaré图分析PPI间期的非线性特征，计算SD1、SD2及其比值。

图7：PPG 信号与去噪后信号对比

3.4 结果展示

===== PRV 时域分析 =====
SDNN: 36.35 ms
NN50: 6 次
pNN50: 4.84 %
RMSSD: 27.54 ms

===== PRV 频域分析 =====
LF: 215.89 ms^2
HF: 486.74 ms^2
TP: 702.63 ms^2
LF/HF: 0.44

===== PRV Poincare图指标 =====
SD1: 19.5489 ms
SD2: 47.5430 ms
SD1/SD2 Ratio: 0.4112
EA: 2919.84 ms^2
VAI: 0.0562 rad
VLI: 36.49 ms

4. ECG 与 PPG 联合变异性分析

4.1 相关性分析

相关性系数计算：计算HRV和PRV各特征指标之间的相关性系数，如SD1、SD2、TP、SDNN、NN50、pNN50、RMSSD、LF和HF等指标之间的相关性。根据相关性系数的大小和正负，分析HRV和PRV指标之间的相关性。以散点图的形式展示HRV和PRV各特征指标之间的相关性关系。

图8：ECG和PPG 信号 Spearman分析

（1）结果展示：

===== (a) SD1 相关性 =====
Spearman 相关系数: 0.38

===== (d) SDNN 相关性 =====
Spearman 相关系数: 0.35

===== (g) RMSSD 相关性 =====
Spearman 相关系数: 0.03

===== (b) SD2 相关性 =====
Spearman 相关系数: 0.32

===== (e) NN50 相关性 =====
Spearman 相关系数: 0.79

===== (h) LF 相关性 =====
Spearman 相关系数: 0.72

===== (c) TP 相关性 =====
Spearman 相关系数: 0.38

===== (f) pNN50 相关性 =====
Spearman 相关系数: 0.01

===== (i) HF 相关性 =====
Spearman 相关系数: 0.31

（2）结果分析：

从输出的相关系数来看，不同HRV和PRV特征之间的相关性存在较大差异：

强相关（相关系数>0.7）

NN50：Spearman相关系数为0.79，表明HRV和PRV的NN50特征之间存在较强的正相关关系。这意味着在心率变异性增加时，脉搏波变异性也在增加，且这种变化在时间域的NN50指标上表现得较为明显。
LF（低频功率）：相关系数为0.72，同样表现出较强的相关性。低频功率通常与交感神经活动有关，这表明HRV和PRV在反映交感神经调节方面具有一致性。

中等相关（0.4<相关系数<0.7）

SD1：相关系数为0.38，表明HRV和PRV的SD1特征之间存在中等程度的正相关。SD1主要反映短期心率变异性，在短期波动方面，ECG和PPG信号具有一定的相关性。
TP（总功率）：相关系数也为0.38，显示HRV和PRV的总功率之间存在中等相关性。总功率反映了信号的整体变异性，这表明两种信号在整体变异性上具有一致的趋势。
SD2：相关系数为0.32，表明HRV和PRV的SD2特征之间存在一定的正相关关系。SD2主要反映长期心率变异性，这一相关性反映了ECG和PPG信号在长期波动模式上的相似性。
HF（高频功率）：相关系数为0.31，处于中等相关水平。高频功率通常与副交感神经活动相关，这提示在副交感神经调节方面，HRV和PRV具有一定的一致性。

弱相关或无相关（相关系数<0.4）

RMSSD：相关系数仅为0.03，表明HRV和PRV的RMSSD特征之间几乎不存在相关性。RMSSD主要用于评估副交感神经活动的短期变化，在ECG和PPG信号中可能受到不同因素的影响，导致其相关性较低。
pNN50：相关系数为0.01，同样表现出无相关性。pNN50是基于NN50的相对指标，用于评估心率变异性的变化比例。在ECG和PPG信号中，这一指标的变化可能受到多种因素干扰，导致相关性不明显。

4.2 一致性分析

Bland-Altman分析：绘制Bland-Altman图，评估HRV和PRV指标之间的一致性。通过计算两者的差异均值和标准差，绘制差异与平均值的关系图，并确定一致性界限。观察Bland-Altman图中数据点的分布情况，评估HRV和PRV指标之间的一致性程度。

图9：ECG和PPG 信号 Bland-Altman分析

（1）结果展示

===== (a) SD1 Bland-Altman =====
均值差异: 13.385；标准差: 40.251；一致性上限: 92.277；一致性下限: -65.507；95%一致性范围内的数据点百分比: 93.86%

===== (d) SDNN Bland-Altman =====
均值差异: 11.011；标准差: 38.002；一致性上限: 85.495；一致性下限: -63.474；95%一致性范围内的数据点百分比: 94.74%

===== (g) RMSSD Bland-Altman =====
均值差异: 621.583；标准差: 4751.322；一致性上限: 9934.175；一致性下限: -8691.009；95%一致性范围内的数据点百分比: 99.12%

===== (b) SD2 Bland-Altman =====
均值差异: 11.725；标准差: 39.541；一致性上限: 89.225；一致性下限: -65.776；95%一致性范围内的数据点百分比: 94.74%

===== (e) NN50 Bland-Altman =====
均值差异: 5.328；标准差: 24.052；一致性上限: 52.470；一致性下限: -41.815；95%一致性范围内的数据点百分比: 93.10%

===== (h) LF Bland-Altman =====
均值差异: 7.103；标准差: 18.116；一致性上限: 42.610；一致性下限: -28.404；95%一致性范围内的数据点百分比: 94.83%

===== (c) TP Bland-Altman =====
均值差异: 18.866；标准差: 56.739；一致性上限: 130.074；一致性下限: -92.342；95%一致性范围内的数据点百分比: 93.86%

===== (f) pNN50 Bland-Altman =====
均值差异: 228.590；标准差: 1891.950；一致性上限: 3936.812；一致性下限: -3479.632；95%一致性范围内的数据点百分比: 99.12%

===== (i) HF Bland-Altman =====
均值差异: 179.162；标准差: 904.552；一致性上限: 1952.085；一致性下限: -1593.761；95%一致性范围内的数据点百分比: 95.61%

（2）结果分析

总体而言，大部分特征的Bland-Altman分析显示HRV和PRV之间具有较好的一致性，尤其在SD1、SDNN、NN50、LF和TP等特征上，数据点的绝大部分落在一致性区间内，表明这些特征在两种信号间有较好的可比性。不过，RMSSD和pNN50的离散度较高，一致性稍差。

5.结论

本文详细介绍了 ECG 和 PPG 信号的处理流程，以及基于这两种信号的变异性分析方法，包括时间域、非线性分析（Poincaré 图）和频域分析。通过联合分析 HRV 和 PRV，探讨了多模态数据融合在心血管评估中的应用。相关性分析和一致性分析结果表明，HRV 和 PRV 指标之间存在一定的关联性，这为进一步开展多模态融合研究提供了基础。

Tips：下一讲，我们将进一步探讨，心电信号处理与应用的其他内容。

以上就是多模态融合（ECG+PPG联合变异性分析）的全部内容啦~

我们下期再见，拜拜(⭐v⭐) ~

（Ps：有代码实现需求，请见主页信息，谢谢支持！~）

查看全文

http://www.xdnf.cn/news/963199.html