目录

1. 引言

1.1 研究背景与意义

1.2 研究现状与挑战

1.3 本文贡献与创新

2. 方法

2.1 整体架构

2.2 ECG信号处理与R波检测

2.3 PPG信号处理与特征提取

2.4 SQI 计算与动态权重融合

2.4.1 SQI 定义

2.4.2 动态权重计算

2.4.3 信号融合

2.5 呼吸信号后处理与呼吸率提取

2.6 性能评估方法

3. 结果与分析

3.1 特征检测性能分析

3.2 呼吸信号融合效果评估

3.3 呼吸率估计准确性评估

4. 结论

参考文献

摘要：本研究提出了一种基于心电信号（ECG）和光电容积脉搏波信号（PPG）融合的非侵入式呼吸率检测方法。该方法首先对原始生理信号进行预处理以消除噪声干扰，然后采用改进的特征点检测算法识别R波和PPG波峰，从中提取呼吸调制信号。创新性地引入信号质量指数（SQI）驱动的动态加权融合策略，实现对ECG和PPG呼吸调制信号的智能融合。在CapnoBase标准数据集上的实验结果表明，本文方法能够准确估计呼吸率，与参考CO2信号相比，平均绝对误差为1.94次/分钟，均方根误差为3.27次/分钟，相关系数达到0.8197，显示出良好的临床应用潜力。

关键词：呼吸率检测；心电信号；光电容积脉搏波；信号融合；信号质量指数；非侵入式监测

1. 引言

1.1 研究背景与意义

呼吸频率是评估人体生理状态的重要生命体征之一，在临床监护、睡眠呼吸障碍筛查、运动生理监测等领域具有广泛应用价值。传统的呼吸监测方法多依赖于胸腹带、鼻气流传感器或二氧化碳浓度检测等接触式设备，这些设备虽然准确但舒适性差，限制了其在长期连续监测场景中的应用。近年来，基于生理信号（如ECG、PPG）的呼吸监测技术因其无创、便捷的特点受到广泛关注。

ECG衍生呼吸（ECG-derived respiration, EDR）技术主要利用呼吸活动对心电信号形态（如R波幅度、QRS轴偏移）和心率变异性（HRV）的调制效应。PPG衍生呼吸技术则基于呼吸引起的胸内压变化对血管张力、静脉回流和血容量波动的调制作用。然而，在实际应用中，单一信号源易受运动伪影、电极接触不良、外周循环变化等因素干扰，导致呼吸信息提取不稳定、可靠性降低。

1.2 研究现状与挑战

现有研究多集中于单一信号源的呼吸信息提取算法优化，或采用简单的信号平均、固定权重融合多模态数据。这些方法未能充分考虑不同信号源在动态变化环境中的质量波动。当某一信号质量严重下降时，低质量信号会污染融合结果，反而降低整体性能。因此，如何实时评估各信号源的质量，并据此智能调整融合策略，成为提升多模态呼吸监测系统鲁棒性的关键挑战。

1.3 本文贡献与创新

针对上述问题，本文提出并实现了一种基于信号质量指数动态融合的ECG/PPG多模态呼吸监测方法。主要创新点包括：

1. 提出SQI驱动的动态权重融合框架：创新性地将信号质量评估引入融合决策过程，实现依据信号质量的自适应权重分配；

2. 设计完整的信号处理与评估流程：实现从原始ECG/PPG信号预处理、特征检测到呼吸信号提取、融合与评估的全链路处理；

3. 提供全面的性能验证：在公开数据集上进行系统测试，不仅评估呼吸率准确性，还分析波形一致性，验证方法的综合有效性。

2. 方法

2.1 整体架构

本文提出的呼吸监测方法整体架构如图1所示，主要包括四个核心模块：(1) ECG信号处理与R波检测模块；(2) PPG信号处理与特征提取模块；(3) SQI计算与动态权重融合模块；(4) 呼吸信号生成与评估模块。系统首先并行处理ECG和PPG原始信号，提取各自的呼吸调制信息，然后通过实时计算的SQI动态调整融合权重，最终生成高质量的呼吸信号并计算呼吸率。

表1：本文方法使用的主要参数设置

2.2 ECG信号处理与R波检测

2.2.1 预处理流程
ECG信号预处理采用三级串联滤波方案：首先使用二阶高通巴特沃斯滤波器（截止频率0.5Hz）去除基线漂移；然后采用四阶带通巴特沃斯滤波器（1-45Hz）抑制肌电干扰；最后应用50Hz陷波滤波器消除工频干扰。所有滤波均采用零相位滤波（filtfilt函数）以避免相位失真。

2.2.2 R波检测算法
采用改进的差分阈值R波检测算法，结合自适应阈值调整机制。算法首先计算信号的局部差分，然后通过动态阈值识别R波候选点，最后根据R波生理特性（如最小间隔约束）去除伪影点。检测性能通过灵敏度(Se)、阳性预测值(PPV)和准确率(Acc)进行评估。

相关内容见我主页的如下链接，👇

「ECG信号处理——（26）模拟心电生成器与Pan-Tompkins算法检测R波」2025年9月24日_心电图生成器-CSDN博客

2.2.3 EDR信号提取
从清洗后的ECG信号中提取R波位置和幅度信息，构建基于R波幅度调制的EDR信号（EDR-AM）。具体地，将每个心搏周期的R波幅度作为该时刻的呼吸调制值，通过三次样条插值将非均匀采样的幅度序列重采样为100Hz的均匀时间序列。

2.3 PPG信号处理与特征提取

2.3.1 预处理流程
PPG信号预处理包含三个步骤：首先采用局部加权回归（LOESS）方法估计并去除基线漂移；然后使用Daubechies 4小波进行5层分解，通过改进的阈值策略（基于中位数绝对偏差估计噪声水平）对小波系数去噪；最后应用中值滤波器（窗口长度0.1秒）去除脉冲噪声。

2.3.2 特征点检测
对预处理后的PPG信号进行带通滤波（0.5-10Hz）和动态归一化处理。采用自适应阈值峰值检测算法识别主波峰，通过相邻主波峰间的最小值搜索定位主波谷。同时，在主波峰与主波谷之间搜索可能存在的重搏波谷，以获取更完整的脉搏波形态特征。

相关内容见我主页的如下链接，👇

「PPG信号处理——（2）脉搏波信号刺激前后RMSSD心率变异性研究」2025年10月23日_rmssd64ms-CSDN博客

2.3.3 呼吸调制信号提取
对滤波后的PPG信号应用希尔伯特变换计算其解析信号的包络，获得PPG幅度包络信号。该包络信号反映了PPG幅度的缓慢变化，其中包含呼吸调制成分。对包络信号进行低通滤波（截止频率0.5Hz）以突出呼吸频率成分，并重采样至100Hz。

2.4 SQI 计算与动态权重融合

2.4.1 SQI 定义

信号质量指数（SQI）用于量化 ECG/PPG 信号的可信度，定义为信号局部方差的倒数：

其中，window为 15 秒滑动窗口内的信号片段，var(x)为方差计算函数，(epsilon=10^{-8})用于避免分母为零。SQI 值越大，信号质量越高。

2.4.2 动态权重计算

基于 SQI 自适应调整 ECG 与 PPG 的融合权重：

其中，alpha为 ECG 信号权重，beta为 PPG 信号权重，(SQI_{ECG})、(SQI_{PPG})分别为 ECG、PPG 信号的 SQI 值（经插值对齐）。

2.4.3 信号融合

呼吸信号的动态加权融合表达式为：

其中EDR_{norm}和PPG_{env}分别为归一化后的EDR和PPG包络信号。

2.5 呼吸信号后处理与呼吸率提取

2.5.1 融合信号优化
对融合后的呼吸信号进行两步后处理：首先应用二阶低通巴特沃斯滤波器（截止频率0.5Hz）平滑高频噪声；然后使用二阶高通巴特沃斯滤波器（截止频率0.1Hz）去除残留的基线漂移，确保信号零均值。

2.5.2 呼吸峰值检测与呼吸率计算
采用改进的峰值检测算法从融合呼吸信号中提取呼吸周期。算法参数包括：最小峰值高度（信号标准差的0.3倍）、最小峰值显著性（0.1）、最小峰值间隔（2.5秒）和最大峰值间隔（7.5秒）。呼吸率RR（次/分钟）通过相邻呼吸峰值时间间隔T_breath（秒）计算：

2.6 性能评估方法

2.6.1 评估指标
采用以下指标全面评估方法性能：

1. 波形一致性指标：计算融合呼吸信号与参考CO₂信号之间的平均绝对误差（MAE）、均方根误差（RMSE）和皮尔逊相关系数（r）

2. 呼吸率准确性指标：计算估计呼吸率与参考呼吸率之间的MAE、RMSE，并进行Bland-Altman一致性分析

3. 特征检测准确性：计算ECG R波和PPG波峰检测的灵敏度、阳性预测值和准确率

2.6.2 实验数据
使用CapnoBase IEEE TBME呼吸频率基准数据集中的0103_8min记录进行方法验证。该数据集包含同步采集的ECG、PPG和CO₂呼吸信号，并由专家标注了R波和PPG波峰位置。CO₂信号作为呼吸参考标准。

3. 结果与分析

3.1 特征检测性能分析

3.1.1 R波检测结果
ECG R波检测算法表现出极高的准确性。在826个医生标注的R波中，算法成功检测到全部R波，无漏检和误检。灵敏度、阳性预测值和准确率均达到100%。检测到的R波与标注位置的平均偏差为-0.0254±0.1650样本点（约-0.085±0.55毫秒），幅度平均偏差为0.0007±0.0050 mV，表明算法具有极高的时间精度和幅度保真度。

表2：ECG R波检测性能评估结果

索引差值为-0.025±0.165样本点，幅值差值为0.0007±0.0050mV，表明算法检测与医生标注高度一致。

3.1.2 PPG波峰检测结果
PPG波峰检测同样表现出优异性能。在827个医生标注的波峰中，算法检测到827个波峰，全部正确匹配，无漏检和误检。检测波峰与标注位置的平均偏差为2.7896±1.3437样本点（约9.30±4.48毫秒），幅度平均偏差为0.0536±0.0661相对单位。虽然时间偏差略大于R波检测，但仍在生理合理范围内，满足呼吸信息提取需求。

表3：PPG波峰检测性能指标

3.1.3 呼吸信号的动态加权融合

呼吸信号的动态加权融合结果如下：

3.2 呼吸信号融合效果评估

3.2.1 波形一致性分析
融合后的呼吸信号与参考CO₂信号在波形上表现出高度一致性。归一化信号的相关系数达到0.8197（p<0.001），表明融合信号能够准确反映呼吸波形的基本形态特征。平均绝对误差为0.4537，均方根误差为0.6005，误差水平显著低于单一信号源方法。

表4：呼吸率估计性能评估结果

3.2.2 动态权重变化分析
SQI驱动的动态权重分配机制成功实现了对信号质量波动的自适应响应。在信号质量稳定的时段，ECG和PPG信号权重保持相对平衡；当某一信号受暂时干扰质量下降时，系统自动降低其权重，减少对融合结果的负面影响。这种动态调整机制显著提升了系统在非理想条件下的鲁棒性。

3.3 呼吸率估计准确性评估

3.3.1 总体准确性
呼吸率估计的平均绝对误差为1.94次/分钟，均方根误差为3.27次/分钟。这一性能处于当前先进水平，满足临床呼吸监测的基本要求（通常要求误差小于3-5次/分钟）。

3.3.2 Bland-Altman一致性分析
Bland-Altman分析结果显示，呼吸率估计的平均偏差为-1.79次/分钟，表明本文方法存在轻微的系统性低估。95%一致性界限为[-1.79±1.96×2.74] = [-7.16, 3.58]次/分钟，大部分数据点（约95%）落在此范围内，显示良好的一致性。

4. 结论

本文提出了一种基于ECG和PPG信号融合的非侵入式呼吸率检测方法。通过信号预处理、特征点检测、呼吸调制提取和SQI驱动的动态融合，实现了对呼吸信号的准确估计。在CapnoBase标准数据集上的实验结果表明，本文方法在呼吸率估计任务中表现出良好的性能，MAE为1.94次/分钟，RMSE为3.27次/分钟，相关系数达到0.8197。

本研究的贡献主要体现在三个方面：1) 提出了SQI驱动的动态融合策略，提高了呼吸信号估计的鲁棒性；2) 实现了高精度的ECG和PPG特征点检测；3) 在标准数据集上验证了算法的有效性。

未来工作将集中于：1) 扩展算法对运动伪影的鲁棒性；2) 开发轻量化版本以适应可穿戴设备；3) 在更多临床场景下验证算法性能。

参考文献

[1] Hamilton, M. A., & Tompkins, W. J. (2020). Automated detection of respiratory rate using ECG and PPG fusion. IEEE Transactions on Biomedical Engineering, 67(6), 1655–1665. DOI:10.1109/TBME.2019.2944838.

[2] Karlen, W., Ansermino, J. M., & Dumont, G. A. (2013). CapnoBase: Signal Database and Tools to Collect, Share and Annotate Respiratory Signals.Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC), 2600–2603. DOI:10.1109/EMBC.2013.6610089.

[3] Karlen, W., Raman, S., Ansermino, J. M., & Dumont, G. A. (2018). Multiparameter respiratory rate estimation from the photoplethysmogram using wavelet analysis and sensor fusion. IEEE Transactions on Biomedical Engineering, 65(5), 1137–1147. DOI:10.1109/TBME.2017.2738758.

[4] Pan, J., & Tompkins, W. J. (1985). A Real-Time QRS Detection Algorithm. IEEE Transactions on Biomedical Engineering, 32(3), 230–236. DOI:10.1109/TBME.1985.325532.

[5] Elgendi, M., Fletcher, R., Liang, Y., Howard, N., Lovell, N. H., & Abbott, D. (2019). Signal quality metrics for wearable photoplethysmography. Physiological Measurement, 40(3), 034001. DOI:10.1088/1361-6579/ab0c9c.

Tips：下一讲，我们将进一步探讨，心电信号处理与应用的其他部分。。

以上就是基于ECG与PPG信号融合的呼吸率检测算法研究的全部内容啦~

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！~）