English
资源说明：在心电图、血压监测等生理信号监测技术不断进步的当下，连续生理监测成为疾病诊断、预防和健康评估领域的一个重要研究方向。在这些生理信号中，心率（Heart Rate, HR）是反映心脏健康状态的一个关键生理指标，而光电容积描记法（Photoplethysmography, PPG）是目前广泛应用于非侵入式、便捷的HR测量技术之一。
PPG信号处理中一个重要的挑战是如何处理运动伪像（Motion Artifact, MA）。由于手指运动、颤抖、探头错位等因素的影响，PPG信号中可能出现频率与PPG信号重叠的MA成分。除了电力频率干扰和基线漂移外，MA的频率通常与PPG信号相重叠。因此，采用频率域方法难以重建PPG信号中严重污染的周期。
本文提出了一个基于经验模态分解（Empirical Mode Decomposition, EMD）的高级时频分析方法，该方法利用极值方差表征来减少MA。通过挑选出污染周期来降低计算成本，而在此过程中发现的波群可以帮助减少误报率。该方法在对严重污染的PPG信号进行脉搏率估计时显示准确，从PhysioBank MIMICII波形数据库得到的结果表明，本文方法的平均相对误差为1.03%。
高级EMD方法的核心思想是利用EMD将PPG信号分解为若干个固有模态函数（Intrinsic Mode Functions, IMFs），这些IMFs更易于处理MA。通过方差表征方法识别出在污染周期内振幅较小、方差较大的IMFs，这些IMFs被挑选出来予以处理。由于EMD具有自适应的特性，它能够准确地在时频域内分离MA成分和PPG信号，因此在处理含有MA的PPG信号方面显示出了显著优势。
文章中提到的波群估计部分，是指利用挑选出的IMFs中发现的波群信息来进行脉搏信号的重建。波群估计能够帮助算法更加精确地识别出真实的脉搏信号周期，从而减少错误的检测率，提高脉搏率估计的准确性。
进一步地，本文的研究成果在实践中具有重要意义。它对可穿戴设备中PPG信号处理过程中的MA问题提供了一种有效的解决思路，这在连续生理监测领域具有广泛的应用价值。该方法在提高脉搏率估计精度的同时，降低了计算成本，对于实时监测设备而言，这是非常重要的性能提升。平均相对误差为1.03%的结果表明，该方法在处理含有MA的PPG信号时，具有高度的准确性和可靠性，这对于医疗健康领域中的生理参数监测意义重大。
关键词中的“PPG”指的是光电容积描记法，“运动伪像（motion artifact）”是指在PPG信号采集过程中，由于运动引起的噪声或干扰。“EMD”即经验模态分解，它是一种处理非线性和非平稳数据的自适应信号处理方法。“方差表征”则是指对信号的局部变化特性进行量化描述的一种手段，它可以帮助识别和处理MA。
本源码包内暂不包含可直接显示的源代码文件，请下载源码包。
