Multi-site PPG: An In-the-Wild Physiological Dataset from Emerging Multi-Site Wearables¶

会议: NeurIPS 2026
arXiv: 2605.17859
OpenReview: https://openreview.net/forum?id=gKLv4ForGw
代码: https://github.com/jiayimaggieshao/wearable-ppg-dataset
领域: 其他
关键词: 光电容积脉搏波 (PPG), 多部位可穿戴设备, 真实场景生理数据集, 心率估计, 传感器多模态融合

一句话总结¶

论文推出了首个涵盖智能耳环、智能戒指、智能手表与智能项链四种日常形态的真实场景多部位 PPG 生理数据集（超 350 小时原始数据与约 230–290 小时对齐窗口数据），系统评测了启发式、有监督与自监督算法在不同身体部位的心率估计表现及多部位/多模态融合收益。

研究背景与动机¶

光电容积脉搏波（Photoplethysmography, PPG）作为一种非侵入式光学传感技术，通过光敏探测器捕获微血管床血液容积随心动周期的脉动变化，已被广泛集成于消费级可穿戴设备中用于心率监测、心率变异性（HRV）分析和呼吸频率追踪。然而，现有的公开穿戴式 PPG 数据集高度集中于手腕形态的手表或手环，且大多局限于受控实验室短时采集。手腕处主要动脉位置深且日常手腕动作极其频繁，导致手腕 PPG 极易遭受严重运动伪影干扰和光耦合失真，在日常生活自然状态下的生理信号连续监测性能往往严重下降。

近年来，新兴的可穿戴形态如智能戒指和智能耳环展现出超越手腕传感的巨大潜力。手指端微血管灌注充盈，耳垂组织薄、血液循环丰富且头部相对手腕运动幅度小，在解剖学与机械稳定性上均具备天然优势。然而，新兴形态由于在尺寸、重量、功耗以及佩戴舒适度方面受到极其严苛的物理限制，目前公开的真实场景长时间多部位同步数据集极度匮乏；现存的智能戒指数据集（如 $\tau$-Ring）仅有 28 小时受控实验室数据，而多部位数据集（如 WildPPG）则使用笨重的手表式传感器绑在胸骨、脚踝等非日常穿戴部位，缺乏对日常佩戴形态（耳环、项链、戒指）的真实考察。

为了填补这一关键空白，研究团队自研了一套轻量化、统一硬件架构的多形态可穿戴平台（包含智能耳环、戒指、手表、项链），并在 20 名受试者完全自由的数天日常生活流动场景下，同步采集双通道反射式 PPG（绿光与红外）、三轴加速度、皮肤温度以及医用级 Polar H10 胸带 ECG 真值。核心 idea：构建首个面向真实日常生活、覆盖耳环/戒指/手表/项链四种新兴穿戴形态的大规模多部位同步 PPG 生理数据集，系统揭示不同身体部位的信噪比与抗运动特性差异，并验证跨部位互补融合与多模态运动补偿的可行性。

方法详解¶

整体框架¶

整个系统架构覆盖从定制超轻量穿戴硬件采集、无约束日常生活多天同步流式传输、时钟对齐与质量过滤，到基准建模与多部位/多模态融合的全流程。受试者在日常真实生活（工作、学习、行走、运动等）中自由佩戴四款轻量化穿戴设备及 Polar H10 胸带，所有传感器数据通过低功耗蓝牙（BLE）实时流式汇聚至手机配套 App。数据流水线将硬件内部微秒时钟与手机系统时钟映射对齐，切分为 8 秒滑动窗口（步长 1 秒），并通过严格的心电图质量校验筛除真值损坏片段，最终向模型输入单通道/多通道多模态时间序列以估计心率。

%%{init: {'flowchart': {'rankSpacing': 24, 'nodeSpacing': 28, 'padding': 6, 'wrappingWidth': 400}}}%%
flowchart TD
    A["受试者日常穿戴采集<br/>耳环 / 戒指 / 手表 / 项链 + Polar H10"] --> B["统一硬件平台感知<br/>MAX30101(绿光/红外) + LIS2DW12(3轴加速度) + HDC2010"]
    B --> C["多设备无线流式对齐<br/>内部微秒时钟映射到手机基准时钟 (500ms容差)"]
    C --> D["8秒滑动窗口切分与ECG真值过滤<br/>Pan-Tompkins提取心率 + NeuroKit2质量筛除异常"]
    D --> E["基准心率估计与跨模态建模<br/>启发式 / 有监督 / 自监督 / 多部位与加速度融合"]
    E --> F["输出: 逐窗口心率估计结果 (bpm)"]

关键设计¶

1. 统一硬件架构与人体工学硅胶封装：消除硬件异构性干扰

以往多部位研究常使用不同品牌、不同光学前端或不同采样的异构传感器，导致部位间差异与传感器固有电气差异难以解耦。本数据集设计了统一的微型印刷电路板（PCB），所有四款设备均搭载完全相同的核心元器件：Nordic nRF52832 微控制器、Maxim MAX30101 光学脉搏血氧传感器（100 Hz 采集绿光 537nm 与红外光 880nm）、ST LIS2DW12 超低功耗三轴加速度计（100 Hz）以及 TI HDC2010 温度传感器（1 Hz 采集并插值至 100 Hz）。硬件裸板重仅 1.7 克，采用定制 GRP1240 可充电锂电池供电。为满足穿戴舒适性与可靠光学接触，PCB 外层统一封装医用级亲肤硅胶，填平元器件高度差，消除边缘摩擦，使得耳环能稳固夹持于耳垂后侧、戒指和手表通过魔术贴舒适贴合皮肤、项链自然垂挂于胸前。

2. 真实场景多天采集协议与跨设备时钟同步管线：保证野生环境多流严格对齐

在自然生活环境下，佩戴者自由进出蓝牙覆盖范围、偶尔摘除洗手或脱落会导致数据流中断。数据采集协议允许 20 名受试者在 2 至 6 天的白昼正常活动中持续佩戴，并配套开发了专属手机端数据流记录 App。针对蓝牙传输抖动和各设备内部时钟漂移问题，每个穿戴硬件在发射的每个蓝牙数据包中嵌入其微秒级内部硬件时间戳。手机在接收到首个数据包时建立设备本地时钟与手机绝对 Unix 时间的线性映射，将时间偏差校准到毫秒级。在窗口化对齐阶段，以窗口数量最少的目标设备为参考锚点，在 500 ms 容差内匹配其余设备相同起止时间的有效窗口，保证多部位同步子集在时间维度上的生理自洽性。

3. 8 秒滑动窗口化与基于 Pan-Tompkins 的高质心电参考真值过滤：严格剔除伪标注

为了使数据集满足机器学习建模开箱即用的要求，流水线执行 8 秒窗口切分（重叠 7 秒，步长 1 秒）。每个穿戴窗口对应包含 800 个采样点（100 Hz）。心率真值由胸带采集的 130 Hz 单导联 ECG 经标准 Pan-Tompkins 算法检测 R 波峰值并计算相邻 RR 间期的中位数转换得到。由于穿戴胸带在剧烈运动或松脱时也会产生工频干扰或电极脱落，流水线引入基于 NeuroKit2 和 Zhao 等人模糊信号质量评估的多重硬性过滤准则：剔除包含数据缺失、计算心率在 40–180 bpm 正常生理范围之外、RR 间期超出 0.25–2.0 秒、单窗口内 R 波少于 4 个、RR 间期变异系数超过 0.2 或被判定为不可接受质量的窗口。该质检机制剔除了 15.59%–16.53% 的低质候选窗口，从源头上确保了下游训练标签的高可靠性。

损失函数 / 训练策略¶

在基准建模评测中，针对有监督神经网络（1D ResNet、DeepConvLSTM/DCL、FCN、CNN-LSTM、Transformer），输入 PPG 信号经过多相重采样（polyphase resampling）下采样至 25 Hz（每 8 秒窗口 200 个时间步），并在窗口内进行 $z$-score 标准化处理。多部位输入通过在通道维度堆叠拼接为 $(B, 200, C)$ 的张量，其中单部位 $C=1$，四部位绿光拼接 $C=4$，加入三轴加速度 $z$ 轴或红外光后 $C=8$。

模型的训练目标函数为标准平均绝对误差（L1 Loss）： $$\mathcal{L}_{\text{L1}} = \frac{1}{B} \sum_{i=1}^B \left| \hat{y}_i - y_i \right|$$ 其中 $y_i$ 为基于 ECG 导出的真值心率（单位 bpm），$\hat{y}_i$ 为模型回归预测值。优化器采用 Adam，学习率设为 $5 \times 10^{-4}$，批大小（batch size）为 128，训练轮数上限为 20 个 epoch，并设置验证集连续 5 个 epoch 无改善即触发早停（early stopping）。所有实验严格采用 20 折受试者留一交叉验证（Leave-One-Subject-Out, LOSO），每次划分保留 1 名受试者作为独立测试集，其余 19 名受试者的数据按 80/20 比例划分为训练集与验证集，彻底杜绝数据泄露。

自监督基准（SimCLR 与 BYOL）以 CNN-LSTM 为特征编码器，通过添加高斯噪声（$\sigma=0.05$）和振幅随机缩放（$s \sim \mathcal{U}[0.8, 1.2]$）构建双视图，预训练 60 个 epoch 后冻结骨干网络，仅微调单层线性回归头进行评估。

实验关键数据¶

主实验¶

论文在四种穿戴形态的独立数据集上系统对比了 6 种传统启发式信号处理算法、5 种有监督深度时序模型以及 2 种自监督预训练模型，并引入手腕式野生数据集 WildPPG 作为外部参考。下表汇总了 20 折 LOSO 交叉验证下的平均表现（平均绝对误差 MAE 与 Pearson 相关系数 $\rho$）：

算法类别	模型 / 算法	耳环 MAE↓ (bpm)	耳环 $\rho$↑	戒指 MAE↓ (bpm)	戒指 $\rho$↑	手表 MAE↓ (bpm)	手表 $\rho$↑	项链 MAE↓ (bpm)	项链 $\rho$↑	WildPPG 手表 MAE↓
启发式	NeuroKit	2.30	0.933	7.54	0.471	12.43	0.221	14.58	0.178	9.81
启发式	HeartPy	2.60	0.903	9.44	0.459	15.68	0.222	20.05	0.145	18.49
启发式	FFT	2.67	0.875	11.93	0.238	19.19	0.093	22.46	0.098	17.62
有监督	1D ResNet	2.44	0.879	5.47	0.679	8.74	0.439	9.01	0.524	8.62
有监督	DCL (DeepConvLSTM)	2.34	0.867	5.13	0.676	8.50	0.425	8.68	0.521	8.64
有监督	CNN-LSTM	2.43	0.858	5.33	0.661	8.37	0.458	8.74	0.497	9.28
有监督	Transformer	2.79	0.841	6.71	0.539	9.74	0.332	10.83	0.349	10.06
自监督	SimCLR	3.76	0.823	9.10	0.332	10.72	0.203	11.25	0.236	15.75
自监督	BYOL	3.46	0.822	7.83	0.475	11.63	0.234	11.13	0.317	14.11

消融实验¶

消融实验包含两大维度：多部位通道融合实验（基于 1D ResNet 在四设备严格同步的 190.95 小时子集上评测）与 PPG 加速度跨模态融合实验（在单设备与组合设备上评测叠加 $z$ 轴加速度计的效果）：

多部位 PPG 融合表现 (1D ResNet，190.95 小时四设备同步子集)：

传感器配置	组合类别	MAE (bpm) ↓	RMSE (bpm) ↓	Pearson $\rho$ ↑
耳环 (Earring)	单部位基线	1.84 ± 0.71	3.19 ± 1.61	0.94 ± 0.09
戒指 (Ring)	单部位基线	4.55 ± 2.04	7.85 ± 3.02	0.74 ± 0.14
手表 (Watch)	单部位基线	7.03 ± 2.43	10.59 ± 3.25	0.50 ± 0.19
项链 (Necklace)	单部位基线	7.73 ± 2.72	11.17 ± 3.33	0.48 ± 0.13
耳环 + 戒指 (E + R)	双部位融合	1.82 ± 0.65	3.18 ± 1.57	0.95 ± 0.07
戒指 + 手表 (R + W)	双部位融合	4.49 ± 1.97	7.82 ± 2.89	0.73 ± 0.15
手表 + 项链 (W + N)	双部位融合	6.90 ± 2.32	10.36 ± 3.19	0.53 ± 0.18
全部位融合 (E + R + W + N)	四部位融合	1.89 ± 0.69	3.23 ± 1.62	0.95 ± 0.08

PPG 叠加加速度 (Accel_z) 跨模态融合效果 (DCL 模型)：

佩戴部位	单独绿光 PPG (MAE bpm)	绿光 PPG + Accel_z (MAE bpm)	MAE 变化幅度	Pearson $\rho$ 变化
耳环 (Earring)	1.65 ± 0.67	1.61 ± 0.63	-0.04 bpm	0.95 → 0.95
戒指 (Ring)	4.23 ± 2.17	4.18 ± 1.73	-0.05 bpm	0.74 → 0.75
手表 (Watch)	6.90 ± 2.37	6.58 ± 2.09	-0.32 bpm	0.50 → 0.57
项链 (Necklace)	7.61 ± 2.86	7.91 ± 3.34	+0.30 bpm	0.48 → 0.52

关键发现¶

部位决定论（Earring > Ring > Watch > Necklace）：无论采用哪种模型架构，耳环的心率估计精度均大幅优于其他部位（最低 MAE 达 2.30 bpm，相关系数高达 0.933），戒指次之（5.13 bpm），手表（8.37 bpm）与项链（8.68 bpm）表现相对垫底。耳垂血管网密集且头部运动幅度相对手部极其有限；手腕受剧烈挥动与较深血管层影响信号退化严重；项链则因坠饰悬空接触不良，极易引入光学漂移。
运动伪影是导致精度差异的主导因素：加速度功率分析表明，耳环与项链超过 91% 的时间处于低运动区间（0–5），而手腕与手指分别仅有 71% 和 62% 处于低运动区间。在相同运动烈度下，戒指的精度始终明显超越手表，证明手指具备比手腕更优异的局部信噪比与光电耦合能力。
两两互补有益，盲目堆叠饱和：相邻双部位融合均能取得优于任一单部位的效果（如戒指+手表 MAE 达 4.49 bpm，均优于独立的 4.55 和 7.03 bpm）；然而简单将四设备通道硬拼接反而导致性能轻微下降（1.89 bpm），说明引入高噪声通道若缺乏自适应加权机制会干扰优质信号。
运动上下文对高动态部位价值更突出：引入三轴加速度计辅助输入能够显著缓解手腕处（手表）的运动干扰（MAE 下降 0.32 bpm，$\rho$ 从 0.50 显著提升至 0.57），但在几乎静止的耳垂上收益甚微。

亮点与洞察¶

开创性填补新兴穿戴物形态的数据空白：首次公开了真正处于日常非受控场景（In-The-Wild）的智能耳环与智能项链 PPG 数据集，彻底打破了学术界对智能手表“一家独大”的数据垄断。
耳部与指部生理监测范式的强力佐证：实验以无可辩驳的量化数据证明，智能耳环与智能戒指在心率监测任务中具备全面碾压手表的抗噪与准确特性，为消费电子硬件厂商由“手腕生态”转向“耳面/指间生态”提供了关键事实支撑。
多波长与多传感器融合的广阔拓展空间：数据集中完整保留了同步的红外 PPG 通道和三轴加速度信号，为后续探索基于自适应注意力机制的动态质量感知加权融合算法奠定了坚实基础。

局限与展望¶

受试者人口统计学分布存在偏差：由于智能耳环佩戴要求受试者拥有耳洞，导致 20 名受试者中女性占比高达 95%（19 名女性、1 名男性），在性别分布上严重失衡；同时肤色覆盖仅包含 Fitzpatrick I 至 V 型，缺少 VI 型（深黑肤色）人群。
真值生成依赖的单导联心电本身偶发伪影：真值采用商业胸带提取的 ECG，在受试者剧烈运动脱位时同样存在微弱误检风险，导致约 16% 的候选片段被剔除。
未来方向：未来可在模型端设计基于动态信噪比（SNR）引导的自适应多部位门控网络，并进一步挖掘该数据集在逐拍心跳检测（Pulse Transit Time, PTT）、呼吸率估计与压力监测等深层生理表征任务上的潜力。

评分¶

新颖性: ⭐⭐⭐⭐⭐ [首个覆盖智能耳环与项链的真实场景多部位穿戴 PPG 数据集，填补了穿戴健康领域的重要空白]
实验充分度: ⭐⭐⭐⭐⭐ [评测涵盖 6 种启发式、5 种有监督深度网络与 2 种自监督模型，提供详尽的消融与跨模态分析]
写作质量: ⭐⭐⭐⭐⭐ [硬件架构设计、时钟同步流水线与实验结论阐述详实严密，逻辑链条闭环]
价值: ⭐⭐⭐⭐⭐ [为穿戴生理计算、自适应传感器融合以及耳环/指环健康监测算法研发提供了里程碑式基准数据平台]