Lectura y análisis de artículos: un nuevo algoritmo de filtrado espectral variable en el tiempo para la reconstrucción de artefactos de movimiento

论文阅读和分析：Un novedoso algoritmo de filtrado espectral variable en el tiempo para la reconstrucción de señales de frecuencia cardíaca dañadas por artefactos de movimiento durante actividades físicas intensas utilizando un sensor de fotopletismograma portátil

Fuentes y dificultades de los artefactos de movimiento:

1. Las MA son causadas principalmente por la fuga de luz ambiental en el espacio entre la superficie del sensor PPG y la superficie de la piel;

2. Los cambios en el flujo sanguíneo provocados por el ejercicio son otra fuente de AM;

3. La dificultad de eliminar los artefactos de movimiento: los MA no tienen una banda de frecuencia estrecha conocida de antemano y su espectro a menudo se superpone con el de la señal deseada;

conjunto de datos:

El conjunto de datos utiliza los datos de código abierto de IEEE Signal Process y Chon lab:

Información del conjunto de datos:

Tipos de movimiento incluidos en el conjunto de datos:

1, la actividad implicó caminar o correr en una cinta rodante en intervalos de 0,5 min-1 min1 min-1 min-1 min-0,5 min con velocidades de 1–2 km/h, 6–8 km/h, 12–15 km/ h, 6–8 km/h, 12–15 km/h, 1–2 km/h, respectivamente. Se pidió a los sujetos que movieran deliberadamente la mano con la muñequera para generar artefactos de movimiento.

2. La actividad incluyó varios ejercicios para el antebrazo y la parte superior del brazo que son movimientos comunes del brazo (p. ej., dar la mano, estirar, empujar objetos, correr, saltar y flexiones).

3. La actividad consistía en movimientos intensivos del antebrazo y la parte superior del brazo (p. ej., boxeo).

4, la actividad involucró 1 min de descanso, 1 min de caminata (3 mph), 1 min de descanso, 2 min de trote (5 mph), 1 min de descanso, 2 min de carrera (7 mph), 1 min de descanso, 1 min de movimiento arbitrario.

参考信号：Se registró la FC de referencia basada en ECG para evaluar el rendimiento de los algoritmos que se están probando.

El flujo general del algoritmo SpaMA:

Etapa 1. Análisis espectral variable en el tiempo
​1.1 . Reduzca la muestra de la señal del PPG y del acelerómetro a 20 Hz
​1.2 . Calcule la densidad espectral de potencia tanto de PPG como de acelerómetros (0–10 Hz).

Etapa 2. Filtrado espectral
​2.1 . Suponga que la FC está en el rango de frecuencia de (0,5 Hz a 3 Hz), esto representa tanto la frecuencia cardíaca baja como la alta.2.2 .
Se supone que los primeros tres picos más altos y sus correspondientes frecuencias en el espectro filtrado por PPG tienen información de HR.
2.3 . Solo el pico de frecuencia más grande de los espectros de los acelerómetros se usa para la detección de MA en la etapa 3

Etapa 3. Detección de artefactos de movimiento
​3.1 . Compare las frecuencias de los tres picos en el espectro PPG con la frecuencia del pico más grande en los espectros de los acelerómetros. Si el primer o segundo pico más grande en el espectro PPG es similar al de los picos de los acelerómetros, entonces el artefacto de movimiento está presente en el PPG.
​3.2 . Si se detecta un artefacto de movimiento de 3.1, entonces se debe descartar el pico de frecuencia correspondiente (generalmente el primer o segundo pico más grande) en el espectro PPG.

Etapa 4. Seguimiento de la frecuencia cardíaca y extracción del
caso de espectro PPG (1): de 3.1: si el espectro está corrompido por el movimiento y solo el primer pico más grande está corrompido, entonces la frecuencia de FC debe ser la frecuencia del segundo pico en el espectro.
​Caso (2): De 3.1: si el espectro está corrompido por el movimiento y tanto el primer como el segundo pico más grande tienen frecuencias similares a las de los picos de los acelerómetros, entonces la frecuencia HR debe ser la frecuencia del tercer pico en el espectro
.Caso (3): debido a un espacio entre el oxímetro de pulso y la piel de un sujeto, la frecuencia de frecuencia cardíaca no se puede extraer del espectro y, en este caso, se usa la frecuencia de frecuencia cardíaca anterior o, para la implementación fuera de línea, se puede aplicar una interpolación spline cúbica para llenar en la información de recursos humanos que falta.

Etapa 5. Reconstrucción de la señal PPG
​5.1 . La señal PPG se reconstruye utilizando la información de amplitud, frecuencia y fase correspondiente a los componentes HR (extraídos en la etapa 4) que se calculan a partir del espectro en cada ventana

Análisis de variabilidad de la frecuencia cardíaca
Mediante el uso de una estrategia de ventanas muestra por muestra, se puede extraer la FC, a partir de la cual se puede obtener la dinámica del análisis de variabilidad de la frecuencia cardíaca en la serie temporal de FC reconstruida sin artefactos de movimiento.

注：实现第一步(PSD计算)的最简单方法是使用periodogram。然而，它的缺点是它是一个不一致的频谱估计器，具有高方差，并有泄漏效应。因此，一个主导谱峰可以导致在不应该有功率的频带中包含功率的估计频谱。然而，这两个问题都可以通过对原始信号进行下采样，然后通过设置大量频率点来使用足够小的频率步长来解决。因此，将信号从原始采样频率重新采样到它的1/4，然后应用频率分辨率为0.001的periodogram算法。

时域的分析：

对时频谱进行分析：

研究三个轴的时频谱和PPG的时频谱，绿色圈出来的是运动伪迹。

对频谱的峰值对应的频率进行分析：

画出PPG信号最高三个峰对应的心率的散点图：

画出参考心率曲线，观察曲线落在最高三个峰对应的心率的散点上的情况：根据加速度的频谱去除。

去除运动伪迹后，重构出时域图，再去计算HRV：
$$Re{c}_{Signal}\left(k\right)=A_{HR}\left(k\right)\times \sin \left(2\pi t\left(k\right)f_{HR}\left(k\right)+{\phi }_{HR}\left(k\right)\right)$$
式中，$k=1,\dots ,N$和$N$是信号样本数和窗口的总数；$A_{HR}(k)$和${\phi }_{HR}(k)$根据信号能量、在PSD上HR频率和对应HR频率的FFT矩阵的复数元素的相位角；

重构的结果：

对算法结果的分析：

画出参考心率和算法结果的对比图：

SpaMA算法性能对比：

其中的error计算方法如下：
$$Error\left(1\right)=\frac{1}{W}\sum _{k=1}^w\left|H{R}_{SpaMA}\left(k\right)-H{R}_{ref}\left(k\right)\right|$$

$$Error\left(2\right)=\frac{1}{W}\sum _{k=1}^w\frac{\left|H{R}_{SpuMA}\left(k\right)-H{R}_{ref}\left(k\right)\right|}{H{R}_{ref}\left(k\right)}\times 100\%$$

重构信号的PSD和ECG的PSD对比，以及计算相关度0.99

Calcule la HRV de la señal reconstruida de SpaMA y la HRV de la señal de ECG de referencia para comparar: