做信号处理这些年我接触过不少生物电与光学传感器数据但要说最常见、最容易上手、却也是坑最多的光电容积脉搏波PhotoplethysmographyPPG绝对排得上号。小到手环手表的实时心率大到医院里的血氧饱和度SpO2监护PPG信号几乎无处不在。它的采集原理很直观处理链路却很讲究从LED光照进皮肤、光电二极管接收反射光到最终从一段包含大量噪声的原始波形中算出心率、心率变异性、血氧甚至是呼吸率这中间的每一步都需要认真设计和验证。这篇文章是我自己整理的一份PPG信号分析笔记从传感器选型、硬件前端设计、数字滤波预处理到特征提取和参数计算再到Python落地代码与常见问题排查尽量把我在实际项目中踩过的坑和验证过的方法都写清楚。适合刚入门的生物医学工程学生、智能硬件工程师以及对生命体征算法感兴趣的数据分析开发者参考。1. PPG信号基础光学传感器到底在测什么1.1 从光路变化到血管搏动PPG的物理与生理机制PPG原理说穿了其实不复杂心脏每收缩一次血液就会被泵向全身外周血管内的血容量也就跟着发生周期性变化。当你用特定波长的光源照射皮肤组织手指、耳垂、手腕等都行一部分光会被皮肤、骨骼、肌肉、血液等组织吸收和散射剩余的光会被光电探测器接收。由于血液中的血红蛋白对光的吸收能力和周围静态组织明显不同所以随着血管搏动引起的血容量变化探测器接收到的光强也会呈现周期性波动。把这种光强波动转成电压信号就得到了PPG。这个信号可以分为两部分一部分是恒定分量对应皮肤、骨骼、静脉血等吸收的“背景”在波形上体现为直流基线DC另一部分才是由动脉血容量搏动引起的波动分量也就是交流部分AC。通常AC幅值只有DC的1%到5%这也解释了为什么PPG信号看起来“毛刺多、幅度小、底不稳”——因为这些特点本身就是生理机制决定的不是硬件出了问题。你对这一点认识越深刻后面做滤波和特征提取时就越知道要把重心放在哪。1.2 PPG与ECG的区别为什么选光学方案而不是电学方案做生命体征监测时很多人第一反应是用心电图ECG测心率毕竟ECG在临床上就是“金标准”。但PPG之所以能跟ECG“抢饭碗”核心优势有两个一是无需导电凝胶和多个电极只需一个光学传感器贴在皮肤表面就能测量用户体验极好二是PPG不仅反映心率还能间接反映外周血管的血管弹性、血流灌注情况等。ECG测的是心肌的电活动PPG测的是血管里的机械搏动两者在时间轴上的关系是ECG的R波出现后大概经过100到300毫秒的脉搏传输时间外周PPG的收缩期峰值才出现。这个时间差本身也是一个重要参数叫脉搏波传导时间PTT后续可以用于血压估算研究。需要特别提醒的是PPG并不能完全替代ECG。如果临床目标是诊断心律失常比如房颤、早搏PPG只能提供部分线索最终确诊还是需要看ECG的心律波形。所以你在做可穿戴产品规划时要清楚PPG作为消费级生命体征入口是够用的但千万别把它的能力吹过头否则落到具体的医疗合规场景就会很被动。1.3 识别PPG波形特征收缩峰、重搏切迹与波形变异性健康的PPG波形通常具备几个关键特征主峰是收缩期峰值systolic peak紧接着在下降支上可能出现一个稍小的波峰或切迹叫重搏波/重搏切迹dicrotic notch对应主动脉瓣关闭后的短暂逆向血流。重搏切迹的位置和明显程度跟血管弹性、年龄、外周阻力都有关系有些健康年轻人非常明显而老年人或血管硬化者往往不明显甚至消失。这个特征虽然看起来“只是个小凹陷”但在分析脉搏波传导速度、血管老化评估时很有价值。另外需要提醒的是PPG波形受测量部位影响极大指尖、耳垂等末梢部位的波形通常幅值较大、特征明显而手腕背部测量时因为血管密度和组织结构问题波形形态会变得模糊这也是很多手环厂商只能保证“心率准”而不敢谈“波形准”的原因。我在做算法评估时习惯先用指尖数据做算法验证再迁移到手腕场景因为指尖信号信噪比高、特征清晰适合先把处理流程跑通等流程稳定了再去处理手腕这种“先天不足”的信号调试效率会高很多。2. PPG采集端设计要点从传感器选型到模拟前端2.1 透射式与反射式不同佩戴场景的决定因素PPG传感器从光路结构上可以分成透射式与反射式两类。透射式把LED和光电二极管放在被测组织两侧光路要穿透整个组织典型应用是医院里的指夹式血氧仪。这种方式信号质量最好、受运动干扰相对较小但只能用在指尖、耳垂等较薄组织上。反射式把LED和探测器放在同侧靠接收组织漫反射回来的光工作可以贴在手腕、额头、胸口等位置适合手环手表这种可穿戴形态但运动伪迹更明显、信号强度也更弱。实际选型时我的建议很简单能做成透射式的场景优先选透射式如果必须反射式那就要在后续滤波和信号质量评估上多下功夫。尤其做手环类产品时手腕部位的反射式PPG信号本身幅值就小再叠加动态运动的干扰算法如果不做信号质量分级最后呈现给用户的心率数值会非常不稳定这也是很多消费级设备“静态准、运动飘”的根本原因之一。2.2 光源波长、光电二极管与跨阻放大器的协同设计光源波长直接决定了PPG信号能测到什么。市面上常见的是绿光510到570纳米和红光/红外光660纳米/940纳米。绿光被血红蛋白吸收率较高、在皮肤浅层能被强烈反射所以手腕、手环类设备大多用绿光测心率红光和红外光的穿透深度更深适合做血氧饱和度测量因为血氧计算需要对比两种波长下氧合血红蛋白与还原血红蛋白吸收率的差异。探测器一般选用硅光电二极管配合跨阻放大器TIA把光电流转换成电压。这里有个很关键的指标——暗电流不同光电二极管的暗电流差异很大温度越高暗电流越大选型时最好挑暗电流低、有效感光面积匹配的型号。在电路设计上跨阻放大器的反馈电阻阻值也要仔细选电阻大了增益高但带宽会受限而且热噪声也会变大电阻小了信号太弱。我做原型时常用的策略是先按较大增益起步把原始信号调到一个合适的幅度范围再通过后续的数字滤波把噪声处理掉而不是在模拟端强行追求极限信噪比。2.3 硬件上最容易翻车的几个细节环境光、接触压力与采样率第一个坑是环境光。阳光、白炽灯里的红外成分会直接叠加进PPG信号严重时能把有用信号彻底淹没。解决办法除了把传感器外壳做遮光处理还可以在模拟前端加环境光消除电路或采用调制解解调方案让LED以特定频率闪烁再在接收端做同步解调这样可以极大程度滤掉外部光的直流干扰。第二个坑是接触压力。很多人以为传感器贴得越紧越好其实不是。压力过大会压迫毛细血管导致局部缺血反而让AC分量明显衰减压力过松又会引起滑动和运动伪迹。在手环设计里一般会通过佩戴结构设计把压力控制在一个舒适且稳定的区间。我自己测试时经常会留意一个现象同一只手上佩戴位置偏移几毫米信号质量可能差别很大所以机械结构设计阶段就要考虑光学窗口和皮肤的贴合稳定性。第三个坑是采样率。正常人静息心率在60到100 bpm但如果你要做HRV分析采样率至少要达到100 Hz以上否则RR间期的精度不够做波形形态分析时通常建议250到500 Hz采样才能保留更多的波形细节。低速采样看起来能省电但在关键分析任务上会直接限制算法上限。省电省在通信和计算上可以理解但如果在采样端就砍精度后面软件做得再好也难以弥补。3. 预处理流程从一堆噪声里捞出一段干净脉搏波3.1 一个典型的PPG预处理管道长什么样原始PPG信号是典型的“低信噪比”信号噪声来源可以简单归成几类身体活动带来的运动伪迹频率宽、幅度大、形态多变、呼吸引起的基线漂移0.1到0.5 Hz、工频干扰50/60 Hz以及高频电路噪声。一个典型的预处理流程是先做去趋势或高通滤波去除基线漂移再做低通滤波去除高频噪声必要时叠加50/60 Hz陷波器最后进行平滑处理。整个流程的参数需要结合具体测量场景调整并没有一组万能参数。我把这个流程拆开讲一下原因去趋势这一步非常关键因为PPG的DC基线会随着呼吸、血管舒缩活动发生缓慢变化如果不先把它处理掉后续峰值检测的阈值会漂移很容易出现漏检和误检。平滑处理通常放在滤波之后主要目的是让波形更圆润、减少偶发毛刺对峰值判断的干扰但这里要小心过度平滑会把重搏切迹等细节抹掉所以平滑窗口不宜太长。在整个预处理链路里所有参数都要记录清楚同一个原始数据在不同参数下会得到差异很大的结果这点在算法评审和论文复现时尤其重要。3.2 带通滤波设计带宽选择要跟着心率范围和场景走带通滤波是最核心的步骤。如果目标只是提取心率0.5到5 Hz通常足够这个范围能覆盖30到300 bpm的心率。如果还要分析重搏切迹、上升支斜率等形态特征那低通截止频率需要提升到10 Hz或更高否则波形细节会被削掉。高通截止频率不能设得太高因为呼吸频率0.2到0.35 Hz的基线漂移会影响基线但心率过低的人群如运动员静息心率可能只有40多如果高通截止过高会把有效信号切掉。我在实际中习惯分两级来做先用一个较宽的带通0.5到10 Hz保证波形完整度再做一次针对性的窄带滤波用于峰值检测。这样做的好处是形态分析用的波形和峰值检测用的波形不会有太大偏差同时又能通过窄带滤波压制干扰。设计滤波器时建议用Butterworth或者二阶切片形式阶数选4到6阶就够用了阶数太高会引入明显的相位失真虽然零相位滤波可以缓解但实时处理时你是等不到全窗口数据的所以工程上往往采用前向-后向滤波或者最小相位滤波器来平衡。3.3 运动伪迹可穿戴PPG最棘手的噪声运动伪迹是PPG在可穿戴领域最大的拦路虎它本质上是由传感器与皮肤之间的相对位移、组织变形、静脉血液回流改变等综合引起的频率与心率的频带高度重叠常规线性滤波根本分不开。业界比较成熟的做法有几种一是引入加速度传感器用自适应滤波或基于传感器融合的方法估计运动噪声并扣除二是利用信号质量指数SQI先把被运动“污染”的片段识别出来宁可丢弃也不参与计算三是基于信号分解的算法如EMD、VMD、SVD把信号拆成不同模态再筛选出与心跳相关的分量。这些方法没有绝对的优劣关键是看你的计算平台能承担多高的算力。我以前做过一个实验把加速度信号和PPG信号放在一起做自适应滤波静止状态下效果不错但一旦进入跑步状态加速度的频谱和心率频谱混叠严重很容易把真实心率一起滤掉。后来我改成“先做信号质量评估再决定是否下场计算”的策略效果反而好了很多因为很多运动场景根本不是算法能修正的硬算不如不报。产品设计上这个逻辑就是用户运动越剧烈设备越要“诚实”否则心率数据一旦失真反而会影响用户对运动强度的判断。4. 特征提取与生理参数计算把波形变成能看懂的数值4.1 峰值检测与瞬时心率计算如何做到既稳又准预处理完成后最基础的任务是检测脉搏峰值systolic peak。常用方法有两类一类是阈值法设一个动态阈值找到局部极大值另一类是先求信号的一阶或二阶导数用导数过零来定位峰值。我推荐的方法是“自适应阈值最小间隔约束”即根据前几秒的峰值幅度动态调整阈值同时限制两个峰值之间的最小时间间隔比如至少0.3秒对应最大心率200 bpm。检测完之后还要做一次异常值剔除把间隔异常大或异常小的点标记出来再算瞬时心率60除以间隔最后用滑动平均或中值滤波得到平滑的平均心率。这里有个经验值中值滤波窗口通常选5到7个点既能去掉偶发异常又不会过度滞后。另外峰值检测的准确度直接决定HRV计算的可靠性HRV分析用的NN间期对峰值定位误差非常敏感1到2个采样点的误差就可能让RMSSD产生明显偏差所以做HRV分析时采样率尽量不低于250 Hz。4.2 心率变异性HRV时域与频域指标怎么算HRV分析需要先得到精确的时间间隔序列NN间期然后分别在时域和频域计算。时域指标里最常用的两个是SDNN全部NN间期的标准差和RMSSD相邻NN间期差值的均方根前者反映总体变异性后者主要反映副交感神经活动。频域指标则需要把NN间期序列做谱分析常见的是0.04到0.15 Hz低频带LF、0.15到0.4 Hz高频带HF以及两者的比值LF/HF。这里有一个容易忽略的问题频域分析对数据长度有要求短期HRV分析至少要2分钟甚至5分钟的数据太短的片段算出来的频域指标没有生理意义。如果你手上只有几十秒的数据就别硬上频域指标只报时域指标就行。实际上很多消费级手环只给你一个“压力分数”或者“恢复指数”背后其实也是HRV指标但产品宣传不会把生涩的生理学名词直接摆出来。如果你在开发这类功能建议在数据存储设计上提前考虑“连续分段存储”否则后面想回算长程HRV时会发现数据早就被覆盖了。4.3 血氧饱和度SpO2经典的AC/DC比值法计算过程血氧饱和度计算采用的是双波长吸收对比原理。同时用红光660纳米和红外光940纳米照射组织分别得到两路PPG信号。对每路信号先算出交流分量与直流分量的比值R (AC_red/DC_red) / (AC_ir/DC_ir)然后代入厂商提供的经验标定曲线就能得到SpO2。标定曲线大多是非线性的并且不同探头、不同肤色、不同年龄段的人群会有差异这也是为什么血氧探头的精度非常依赖临床校准数据集。在做嵌入式实现时我建议直接用查找表方式代替复杂的多项式拟合既能省算力又便于后期校准修正。这里特别要提醒单路信号算SpO2是不行的必须双波长同步采样否则两个通道的时间相位不一致会导致比值计算出现偏差。实际项目中很多血氧模块之所以贵贵就贵在“出厂校准”这一步。如果你是自己搭传感器板SpO2的绝对值只能参考别直接拿去做医疗诊断除非你能完成严格的临床校准流程。5. Python实战代码从零搭一条可复用的分析管线5.1 完整代码读取信号、滤波、峰值检测、算心率import numpy as np from scipy import signal def process_ppg(data, fs): # 1. 去除直流分量 data data - np.mean(data) # 2. 带通滤波 0.5-10 Hz sos signal.butter(4, [0.5, 10], btypebandpass, fsfs, outputsos) filtered signal.sosfiltfilt(sos, data) # 3. 峰值检测自适应prominence 最小间隔0.3秒 min_dist int(0.3 * fs) peaks, properties signal.find_peaks( filtered, distancemin_dist, prominence0.1 * np.std(filtered) ) # 4. 计算瞬时心率和平均心率 intervals np.diff(peaks) / fs # 单位: 秒 bpm 60.0 / intervals avg_bpm np.median(bpm) return filtered, peaks, bpm, avg_bpm这段示例代码几行就完成了“读取→滤波→检测→算率”的主流程。sosfiltfilt的优势是零相位不会在滤波过程中引入相位偏移导致峰值位置变化find_peaks里的prominence参数用来滤掉那些幅值不够的小毛刺避免把噪声尖峰误判成脉搏峰。实际项目中建议把这段逻辑包成类方便维护状态变量比如动态阈值和上一拍的峰值时间。做离线分析时一次process_ppg跑完一整段就行做在线流式处理时需要改为滑窗方式每隔1到2秒输出一次更新后的心率同时保存最近若干秒的缓冲区。5.2 关键参数调试心得滤波顺序和阈值归一化用这个处理管线的过程中我最想提醒的是滤波顺序和参数不能照搬。曾经有一次我把系统采样率从250 Hz改成125 Hz后带通滤波器参数没改结果低通截止频率超过奈奎斯特频率信号直接被改成了杂乱的高频震荡。后来我习惯把所有滤波器参数都写成与采样率相关的相对形式再在初始化时统一检查。对峰值检测prominence阈值也不建议设成固定值最好用滑动窗口内的中位数或百分位数做归一化这样才能适应不同用户之间巨大的幅值差异。现实中不同受试者的PPG幅值可能差好几倍固定阈值对“小信号”用户极不友好要么漏检要么把噪声当峰值归一化之后阈值会跟着信号动态自适应整体稳定很多。如果条件允许还可以加入一个简单的模板匹配机制用上一拍的平均波形形状来校验当前检测到的峰值是否真的像脉搏波这个方法在信号质量较差时特别好用。5.3 从PC端原型到嵌入式端基于STM32F4的实时处理思路这里顺便说一个我最近比较关注的方向把PC端验证过的PPG算法往嵌入式端迁移。身边不少人在做基于STM32F4的音频信号采集与实时频谱分析系统其实那套实时信号处理的思路跟PPG的处理链路非常像——采集、滤波、FFT/峰值搜索、状态机调度完全是同一套方法论。STM32F4系列自带FPU和DSP指令用CMSIS-DSP库可以直接实现Biquad二阶IIR滤波器再加上FFT函数跑一个简化版的PPG实时心率分析完全没有问题。嵌入式端需要注意的点是PC上Python可以毫秒级处理一秒窗口的数据但嵌入式端必须在中断或者RTOS任务里严格控制处理时间最好把滤波、特征检测拆成不同的任务并做好数据缓冲区的双缓冲设计。另外嵌入式端的内存有限波形数据不能无限缓存通常只保留最近的几秒窗口这意味着所有算法都必须流式设计不能像离线代码那样对整段数据做零相位滤波。这一点是很多人从Python迁移到嵌入式时的第一道坎本质上是把自己的思维从“全量处理”切换到“在线处理”。6. 高频踩坑实录PPG分析中的常见问题与排查方法6.1 信号丢失或幅度异常弱症状PPG波形几乎是一条直线AC分量几乎看不到。可能原因传感器没有贴合皮肤、指甲油或深色肤色对光的吸收太强红光通道尤其明显、传感器受到过大压力导致局部缺血。排查思路先用手遮挡测试排除硬件故障然后调整佩戴位置避免过厚角质层再检查光源驱动电流是否正常。我的经验是如果你在指尖测不出PPG大概率不是你算法不行是光学机械结构和传感器选型出了问题。尤其注意红光通道容易受肤色、指甲油影响如果产品面向人群肤色差异大一定要在样机阶段就做多肤色验证。6.2 运动时心率暴涨或丢失这是可穿戴设备最常见的投诉点。原因在于运动伪迹的频率和幅值都会盖过真实脉搏波而且运动时血管收缩也会让AC分量暂时减小。解决办法我在预处理部分提过核心是“宁缺毋滥”做一段在线信号质量评估当SQI不达标时直接显示“测量失败”而不是给出一个看起来合理但其实是垃圾数值的结果。这里还有个容易被忽略的细节SQI评估要放在滤波之后、峰值检测之前不然你无法区分“噪声太大”和“本身无脉搏”。运动状态下有时候滤波后的信号看起来还很“光滑”但峰值间隔紊乱不堪这时候就要用一致性校验比如相邻间隔的变异系数超过阈值就判定为低质量。症状可能原因快速排查方向波形近似直线传感器未贴合/压力过大/光源故障调整佩戴位置测试不同压力检查电流心率偶尔跳变峰谷检测不稳定/幅值变化大增大自适应阈值窗口加入最小间隔约束静止正常运动失效运动伪迹与心率频带重叠引入加速度融合或SQI丢弃策略血氧数值明显偏低双通道信号相位不一致/校准曲线偏差检查双波长同步采样重新标定隔一段时间心率漂移基线漂移或温度漂移加强高通滤波检查LED驱动温漂6.3 判断数据可信度的实用方法从一盘散沙到可评估的指标最后分享一个实用的小技巧无论你的信号处理管线多复杂请都先做一次“静态校准”——在受试者静坐不动、使用参考血氧仪或心电监护仪作为参照的情况下记录一组对照数据。计算误差时不要只看平均误差还要看误差的方差和最大偏差。很多算法平均误差很好看但在某些个体上连续偏差很大这就是典型的“平均掩盖问题”。我自己做评估时一般会计算Bland-Altman一致性区间如果95%一致性区间超出生理可接受范围基本可以判断当前算法或硬件还需要迭代。除了数值误差评估还要建立一套信号质量标注机制。我会在原始数据上人工标注“清晰可用、轻微干扰、严重污染”三个档位然后统计算法在各档位上的表现。这样做的好处是后续优化时可以明确知道算法瓶颈到底在哪里如果算法在“清晰可用”的数据上都不准那就要查滤波和峰值检测如果在“轻微干扰”数据上开始崩那就需要加强运动伪迹抑制如果在“严重污染”数据上还在硬算那就应该调整SQI的阈值策略。这种分桶评估的方法比只盯着一两个综合指标更能指引迭代方向。做PPG信号分析这几年我最深的体会是算法只是最后一公里前面从光源、光电探测、模拟前端到数据结构的设计每一环都在决定最终结果的天花板。与其一开始就埋头研究复杂算法不如先把原始信号的质量和预处理管道打磨扎实很多“玄学问题”其实都是工程细节没处理好。我自己后来再做新项目时会先花大把时间在原始波形观察和人工标注上把“手感”建立起来再写代码。希望这份笔记能帮你少走一些弯路也欢迎在实际复现时随时对照自己的数据来调整参数——毕竟每个人的PPG波形都带着自己的“生物特征”。