3、生理信号基础：心电、光电容积脉搏波、加速度计等信号的基本形态、生理意义与噪声来源
在Edge AI可穿戴设备的设计与算法开发中，对生理信号本质的理解是决定系统上限的基石。无论是面向医疗级认证的监护手环，还是消费级的运动手表，其核心价值都体现在从嘈杂的原始数据中提取出可靠的生理参数。本章将聚焦于三种最核心的传感器信号——心电（ECG）、光电容积脉搏波（PPG）和加速度计（ACC）信号，深入剖析其物理形态、生理溯源以及工程中最棘手的噪声耦合机制。理解这些内容，将直接决定你在后续章节中如何设计滤波器、选择特征以及部署轻量化AI模型。
上图展示了三类信号从传感器端到特征提取端的完整链路以及各自的主要噪声耦合路径。可以看到，ECG与PPG虽然物理机理不同，但都极易受到运动伪迹的干扰，而加速度计恰恰是补偿这一干扰的关键参考源。在后续的算法设计中，多模态融合是提升信噪比的核心思路。
3.1 心电信号（ECG）：从心肌电活动到体表电位
3.1.1 核心原理与信号形态
心电信号是心肌细胞在除极和复极过程中产生的生物电活动在体表的综合投影。单个心肌细胞的动作电位叠加形成心电向量，在体表不同位置形成电位差。典型的心电波形包含P波（心房除极）、QRS波群（心室除极）和T波（心室复极）。在可穿戴设备中，通常采用单导联或双导联配置，采样率一般为125 Hz~512 Hz，分辨率需达到12 bit以上以捕捉微弱的毫伏级信号。
从频域角度看，ECG信号的能量主要集中在0.05 Hz~100 Hz之间，其中QRS波群的能量集中在5~20 Hz。这一频带特性决定了我们在设计带通滤波器时的基本参数。值得注意的是，ST段的低频成分（0.05~0.5 Hz）对于心肌缺血检测至关重要，但极易被高通滤波器畸变，这是可穿戴设备在医疗级应用中面临的主要矛盾之一。
3.1.2 噪声来源与工程挑战
在可穿戴场景下，ECG采集面临比临床监护更严峻的噪声环境。主要噪声源包括：工频干扰（50 Hz及其谐波，幅度可达信号幅度的50%）、肌电噪声（频率范围30~300 Hz，由骨骼肌收缩产生）、运动伪迹（由电极-皮肤界面相对位移引起，表现为基线大幅漂移，频率通常低于5 Hz）以及电极极化电压（直流偏置可达±300 mV）。
针对这些噪声，工程上通常采用右腿驱动电路抑制共模干扰，使用自适应滤波器或陷波器消除工频，并结合加速度计信号进行运动伪迹的自适应消除。下表总结了各类噪声的特征与应对策略：
| 噪声类型 | 频率范围 | 幅度特征 | 典型抑制方法 |
|---|---|---|---|
| 工频干扰 | 50 Hz ± 1 Hz | 可达信号50% | 陷波器、右腿驱动、屏蔽 |
| 肌电噪声 | 30~300 Hz | 随机高频 | 低通滤波、模板平均 |
| 运动伪迹 | 0.1~5 Hz | 基线漂移大 | ACC自适应滤波、样条拟合 |
| 电极极化 | DC | ±300 mV | 高通滤波、Ag/AgCl电极 |
3.1.3 案例拆解：运动场景下的心率监测失真
某款智能手环在用户进行慢跑时，心率监测值出现频繁跳变，从实际140 bpm跳至180 bpm。初步排查发现，PPG信号受运动伪迹影响严重，而ECG通道虽然存在，但仅在静止时启用。分析过程如下：
- 数据采集：同时记录ECG、PPG和ACC信号，采样率256 Hz，时长5分钟。
- 现象观察：ECG信号在跑步时QRS波群仍清晰可辨，但基线漂移幅度达±2 mV；PPG信号几乎被运动伪迹淹没。
- 关键参数：ACC三轴合成加速度幅度达±4 g，频率约2 Hz（步频）。
- 分析判断：PPG信号的信噪比低于3 dB，而ECG信号经带通滤波后信噪比仍可维持在15 dB以上。
- 解决方案：在运动模式下，算法自动切换至ECG心率计算，并利用ACC信号进行模板匹配，剔除因电极微动导致的异常QRS波。
- 结果对比：切换后心率误差从±25 bpm降至±3 bpm，且无跳变。
3.2 光电容积脉搏波（PPG）：光学感知下的血液容积变化
3.2.1 核心原理与信号构成
PPG信号基于朗伯-比尔定律，通过发射特定波长的光（通常为绿光520 nm或红光660 nm）照射皮肤组织，并由光电二极管接收透射或反射光。由于动脉血对光的吸收量随心脏搏动呈周期性变化，接收光强中便包含了脉动分量（AC）和静态分量（DC）。AC分量主要反映动脉血的容积变化，其频率与心率一致；DC分量则包含静脉血、骨骼、皮肤等静态组织的吸收，以及呼吸引起的低频波动。
PPG信号的形态特征包括：主波（收缩期上升支）、重搏波（舒张期切迹）和降中峡。这些形态特征可用于评估血管弹性、动脉硬化程度等。在频域上，PPG的AC分量主要集中在0.5~10 Hz，而呼吸频率（0.2~0.4 Hz）的调制作用也会体现在DC基线的波动上。
3.2.2 噪声来源与光学链路设计
PPG的噪声问题远比ECG复杂，因为其光学链路极易受外界环境干扰。主要噪声源包括：环境光干扰（太阳光、室内照明中的红外成分）、运动伪迹（传感器与皮肤间的相对位移导致光路改变）、接触压力变化（压力过大会压迫毛细血管，压力过小则产生漏光）以及LED温漂（发光效率随温度变化）。
工程上，除了采用光学屏蔽和差分检测外，更关键的是利用加速度计信号进行运动伪迹消除。典型的做法是采用LMS自适应滤波器，以ACC信号作为参考输入，从PPG信号中减去与运动相关的噪声分量。此外，多波长PPG（如绿光+红外）的比值分析也能有效分离氧合血红蛋白和还原血红蛋白的信号，从而提升抗干扰能力。
3.2.3 实战场景：日常佩戴中的PPG信号质量评估
在开发一款睡眠监测手环时，需要评估PPG信号在不同佩戴松紧度下的质量。我们定义信号质量指数（SQI）为AC分量幅度与噪声底噪的比值。测试方案如下：
- 设置三档佩戴松紧度：松（可插入一指）、适中（紧贴皮肤但无压痕）、紧（有明显压痕）。
- 每档佩戴5分钟，记录PPG原始数据和ACC数据。
- 计算各档位的SQI值，并统计心率估计的误差。
结果显示：松佩戴时SQI仅为2.1 dB，心率误差达±12 bpm；适中佩戴时SQI提升至8.5 dB，误差降至±2 bpm；紧佩戴时SQI反而下降至5.0 dB，因为过度压迫导致毛细血管血流受阻。这一实验表明，佩戴松紧度存在最优区间，且可通过实时SQI监测来提示用户调整佩戴。
3.3 加速度计（ACC）：运动感知与伪迹参考
3.3.1 信号形态与生理意义
加速度计在可穿戴设备中扮演着双重角色：既是独立的运动监测传感器，又是其他生理信号的运动伪迹参考源。其输出为三轴（X/Y/Z）的加速度值，单位通常为g（9.8 m/s²）。静态时，加速度计输出包含重力分量，可用于判断佩戴姿态；动态时，输出包含运动加速度，可用于计步、活动识别和跌倒检测。
从频域看，人体日常活动的加速度能量主要集中在0~20 Hz，其中步频通常在1~3 Hz。这一频带与PPG的运动伪迹频带高度重叠，因此ACC信号可以作为自适应滤波器的理想参考输入。值得注意的是，加速度计本身也存在噪声，包括机械热噪声（白噪声）和量化噪声，但现代MEMS加速度计的分辨率已可达0.001 g，足以满足生理信号补偿的需求。
3.3.2 噪声来源与数据融合策略
加速度计的噪声主要来源于：机械振动（如设备内部的马达振动）、温度漂移（MEMS结构的弹性系数随温度变化）以及混叠效应（当采样率低于运动频率的两倍时）。在数据融合中，通常需要对ACC信号进行低通滤波（截止频率20 Hz）以提取运动趋势，同时保留高频分量用于步频检测。
下表对比了三种信号在可穿戴设备中的关键参数与融合用途：
| 信号类型 | 典型采样率 | 有效频带 | 主要用途 | 融合角色 |
|---|---|---|---|---|
| ECG | 256 Hz | 0.05~100 Hz | 心率、HRV、心律失常 | 金标准参考 |
| PPG | 64~128 Hz | 0.5~10 Hz | 心率、血氧、血管弹性 | 日常连续监测 |
| ACC | 50~100 Hz | 0~20 Hz | 运动识别、姿态、伪迹参考 | 噪声消除参考 |
3.3.3 常见误区与总结复盘
在工程实践中，一个常见的误区是过度依赖ACC进行PPG运动伪迹消除。虽然ACC能有效捕捉皮肤表面的运动，但PPG伪迹还包含由血液惯性引起的深层组织位移，这部分与ACC的相关性较低。因此，仅使用线性自适应滤波往往效果有限，需要结合时频分析或深度学习方法来建模非线性关系。
另一个误区是忽视ECG的基线漂移问题。许多开发者为了简化设计，使用截止频率为1 Hz的高通滤波器，这虽然能有效去除基线漂移，但会严重畸变ST段，导致心肌缺血等关键诊断信息丢失。正确的做法是采用0.05 Hz截止频率，并配合基线拟合算法（如样条插值）进行后处理。