 PPG信号中的四大干扰源与降噪技术研究」2025年12月17日)
目录
1. 引言
2. PPG信号的主要干扰类型及抑制方法
2.1 频谱重叠的运动伪影
2.2 工频干扰：固定频率的噪声
2.3 微弱信号的放大与增强
2.4 基线漂移的缓慢扰动
3. 多级降噪处理框架
4. 未来方向，智能融合与个性化处理
参考文献
摘要：脉搏波信号（Photoplethysmography，PPG）作为一种非侵入式生理监测技术，已成为可穿戴设备健康监测的核心手段。然而，从皮肤表面采集的PPG信号异常脆弱，极易受到各类干扰污染。这就像试图在喧闹的市场上听清一段低语——运动、电气设备、生理变异等各种因素都在制造自己的“声音”。每一次脉搏跳动都蕴藏着生命的信号，但噪声却总在暗中作祟。
1. 引言
光电容积脉搏波（Photoplethysmography, PPG）是通过光学传感器检测皮下血容量变化的非侵入式生理信号，广泛应用于心率、血氧饱和度、血压趋势等监测。然而，PPG信号幅值微弱（通常仅为AC分量的1-2%），且采集环境复杂，使得信号极易受到内外部干扰，严重制约其临床准确性与可靠性。本文描述PPG信号处理中的四大干扰，并提出相应的处理方案。
2. PPG信号的主要干扰类型及抑制方法
2.1 频谱重叠的运动伪影
运动伪影由传感器与皮肤间的相对运动引起，其频谱常与PPG有效信号（通常0.5-5 Hz）重叠，传统频域滤波难以分离。运动伪影是PPG信号采集中最常见且最难处理的噪声源。当人体运动时，皮肤与传感器之间的相对位移、血管受压变化以及血流动力学改变，都会在PPG信号中引入大幅干扰。这些干扰的频域特性与真实的脉搏波信号高度重叠，传统滤波器往往“敌我不分”，在滤除噪声的同时也损伤了有用信号。
图1：PPG信号中的运动伪影
抑制策略：
自适应滤波：利用加速度计信号作为参考噪声输入，通过LMS（最小均方）或NLMS（归一化最小均方）算法动态估计并抵消运动噪声。
机器学习方法：使用ICA（独立成分分析）、PCA（主成分分析）或深度学习模型（如CNN-LSTM）从多通道信号中分离出干净的PPG分量。
信号融合：结合陀螺仪、加速度计等多模态传感器数据，构建运动噪声模型并进行补偿。
2.2 工频干扰：固定频率的噪声
工频干扰表现为稳定的 50Hz 或 60Hz 及其谐波成分的噪声，来源于采集设备附近的交流电源系统。这类干扰虽然频率固定，但其强度可能随时间变化，且容易通过设备接地不良或电磁辐射进入信号链。
图2：PPG信号中的工频噪声
陷波滤波器是应对工频干扰的专用工具，它的设计非常巧妙：在特定频率处创建一个极窄的阻带，只消除目标频率及其附近极小范围内的信号成分，而对其他频率的影响降到最低。二阶陷波滤波器可通过调整品质因子Q值来控制阻带宽度，Q值越高，阻带越窄，对PPG信号的保护越好。数字信号处理器中常采用自适应陷波滤波技术，自动跟踪电源频率的微小波动，确保抑制效果。
相关内容见我主页的如下链接，👇
「ECG信号处理——（9）工频干扰去噪与实现方法（陷波/带阻滤波器）」2025年3月4日_工频陷波器-CSDN博客
其他抑制策略：
自适应陷波：针对频率漂移，使用自适应陷波滤波器跟踪干扰频率变化。
硬件屏蔽：优化传感器电路设计，采用屏蔽线、差分放大等方式降低干扰引入。
2.3 微弱信号的放大与增强
低幅值PPG信号可能源于多种情况：传感器与皮肤接触不良、血压急剧下降（如休克状态）、外周血管强烈收缩（寒冷环境）或特定药物影响。这类信号的信噪比极低，常规处理难以提取有效信息。
面对微弱PPG信号，锁相放大技术提供了一种解决方案。该方法将输入信号与一个参考频率相乘，将目标频率成分转换到直流附近，然后通过低通滤波器提取，能有效从强噪声中提取微弱周期信号。自适应增益控制电路也能根据信号强度自动调整放大倍数，确保后续处理环节获得稳定幅值的信号。此外，多波长PPG系统通过分析不同波长光吸收特性的差异，可以提高低灌注条件下信号的质量。
应对方法：
接触检测算法：实时监测信号幅值、直流分量及信噪比（SNR），触发重新佩戴提示。
增益自适应调节：根据信号强度动态调整LED驱动电流或放大器增益。
多波长融合：利用不同波长（如绿光对运动更稳健，红光穿透更深）的信号互补性。
周期增强算法：基于同步平均或小波变换增强周期性脉搏成分。
2.4 基线漂移的缓慢扰动
呼吸（0.1-0.3 Hz）、缓慢身体移动或温度变化引起的缓慢信号漂移。
图4：PPG信号中的基线漂移
抑制方法：
高通滤波：采用截止频率0.5 Hz的高通滤波器（Butterworth或Chebyshev型）。
多项式拟合去趋势：用低阶多项式拟合基线并减去。
小波变换：通过去除低频小波系数实现基线校正。
3. 多级降噪处理框架
面对多种干扰共存的实际场景，单一处理手段往往力不从心。现代PPG信号处理系统通常采用多级级联处理架构，针对不同干扰的特性，分阶段各个击破。
典型的处理流程可能包括：
- 首先使用高通滤波器去除基线漂移；
- 接着用自适应滤波器抑制运动伪影；
- 然后通过陷波滤波器消除工频干扰；
- 最后采用小波变换或机器学习方法进行信号增强和特征提取。
图5：典型的PPG预处理流程
这种分层处理策略允许针对每种噪声的特性优化处理参数，同时避免不同降噪步骤之间的相互干扰。随着边缘计算能力的提升，复杂的多级处理算法已经能够在可穿戴设备的微控制器上实时运行。
4. 未来方向，智能融合与个性化处理
PPG信号处理领域正朝着多模态融合和个性化自适应的方向发展。通过结合加速度计、陀螺仪、皮肤电反应等多传感器数据，系统能够更准确地识别噪声来源和类型。深度学习技术的应用正在改变传统信号处理范式。端到端的神经网络可以直接从原始PPG信号中提取心率、血氧饱和度等生理参数，绕过中间处理环节，减少误差累积。个性化适应算法通过持续学习特定用户的生理和运动特征，能够建立专属的噪声模型和信号特征模板，从而提供更精准的监测结果。这种个性化方法对于慢性病患者和老年人的长期健康监测尤为重要。
参考文献
[1] Elgendi, Mohamed. "On the analysis of fingertip photoplethysmogram signals."Current cardiology reviews8.1 (2012): 14-25.
[2] Takazawa, Kenji, et al. "Assessment of vasoactive agents and vascular aging by the second derivative of photoplethysmogram waveform."Hypertension32.2 (1998): 365-370.
[3] Allen, John. "Photoplethysmography and its application in clinical physiological measurement."Physiological measurement28.3 (2007): R1.
[4] Millasseau, Sandrine C., et al. "Determination of age-related increases in large artery stiffness by digital pulse contour analysis."Clinical science103.4 (2002): 371-377.
[5] Castaneda, Denisse, et al. "A review on wearable photoplethysmography sensors and their potential future applications in health care."International journal of biosensors & bioelectronics4.4 (2018): 195.
Tips：下一讲，我们将进一步探讨，PPG信号处理与应用的其他部分。
以上就是PPG信号中的五大干扰源与降噪技术研究的全部内容啦~
我们下期再见，拜拜(⭐v⭐) ~
（Ps：有代码实现需求，请见下列【微信名片】或【主页信息】，谢谢支持！~）
)
