基于分组稀疏模式分解框架的集成可穿戴式光电容积脉搏波（PPG）：远程医疗中多生命体征监测的创新突破

为解决现有技术多聚焦单个或两个生命体征估计、算法计算复杂等问题，研究人员开展了基于光电容积脉搏波（PPG）信号估计心率（HR）、呼吸率（RR）、血压（BP）和血氧饱和度（SpO2）的研究。结果显示该框架在估计精度和计算复杂度上优于现有技术，为综合健康评估提供统一方案。

　　利用光电容积脉搏波（PPG）信号监测生命体征受到广泛关注，可实现随时随地客观监测。近年来，可穿戴技术和信号处理技术发展，为精准可靠的生命体征监测奠定基础。心血管疾病的早期检测有助于医生及时治疗，因此出现了生命体征的实时监测。生命体征阈值的任何偏差都可能暗示心血管系统存在潜在威胁。利用可穿戴设备实时监测生命体征的需求，促使医疗行业致力于开发简单高效的生命体征估计算法。本研究提出一种框架，克服现有技术主要聚焦单个或两个生命体征估计的局限，同时估计心率（HR）、呼吸率（RR）、血压（BP）和血氧饱和度（SpO₂）。该方法借助信号处理技术，无缝且精准地确定上述生命体征。这一创新提高了生命体征监测的效率，为综合健康评估提供统一解决方案。如今，可穿戴设备广泛用于日常生活中的实时健康监测，具备 PPG 传感器的可穿戴设备可执行更复杂的计算任务。然而，目前处理输入 PPG 信号的算法常需多个处理步骤来估计生命体征，增加了计算复杂度，给计算资源有限的设备部署带来挑战。本研究提出一种计算高效的框架，利用信号框架估计这四种生命体征。实验结果表明，该框架在估计精度和计算复杂度上优于现有技术。