BallistoBud：使用耳塞加速度计监测心率变异性以评估压力

研究背景与问题

• 问题与挑战: 随着耳塞设备的广泛普及，作者发现利用惯性测量单元 (IMU) 和光电容积描记法 (PPG) 等传感器监测生理数据以进行心理压力评估存在挑战。当前耳塞技术存在数据质量问题，尤其在使用基于IMU生成的心动描记图 (BCG)信号时，受到个体差异、耳塞位置及身体运动的影响。
• 研究重要性: 精确的心率 (HR) 和心率变异性 (HRV) 是压力水平的重要生理风险指标。如果能够通过耳塞设备进行低功耗且无创的生理监测，可能会极大推进舒适、便携的精神健康管理技术的发展。
• 相关研究与动机: 当前对于耳塞设备的研究较少，多数聚焦于基于PPG的心率监测。尽管耳塞中的IMU传感器广泛存在，但其在心率与心理压力监测方面的潜力尚未充分开发。本文受到以往工作（如利用BCG提取心率变异性）启发，希望系统评估IMU与PPG的性能，并提出改进BCG数据质量的新方法。

解决方案

• 方法与创新:
  • 提出了一个基于机器学习的算法框架，用于评估并过滤低质量的IMU数据，以提高通过BCG信号进行心理压力监测的鲁棒性和准确性。
  • 引入了一种新的可视化技术 ("ECG-gated BCG heatmap")，用于快速评估和标注BCG信号质量。
  • 开发了一个随机森林模型用于自动分类高质量与低质量的BCG数据。
• 实施步骤与技术:
  1. 信号处理与预处理: 使用零相位滤波器去除噪声与运动伪影，并通过动态加权的贝叶斯方法初步估算心跳间隔 (IBI)。
  2. 可视化标注方法: 提出新颖的"ECG-gated BCG heatmap"，结合时间序列与热图技术对BCG信号质量进行标注，其优点是提高了标注效率与一致性。
  3. 机器学习分类器开发: 提取BCG信号的时域和频域特征，用于训练和评估随机森林分类器以识别低质量数据段。
  4. 质量过滤与应用: 通过自动质量检测算法对低质量的IMU数据进行筛选，从而显著改善HR/HRV估计的准确性。

研究成果

• 具体成果:
  • 开发的BCG质量分类器在独立测试集上达到82.56%的准确率和74.17%的F1得分，有效区分了可用与不可用的BCG数据段。
  • 在非语音任务中使用质量过滤后，BCG的心跳间隔估计误差显著降低，达到与PPG媲美的准确性 e.g., 平均绝对误差从48.36ms降低至39.50ms。
• 与现有解决方案的比较:
  • PPG信号仍是压力监测的金标准，但本文显示经过质量检测筛选后BCG信号具备竞争力，尤其是在静态和非语音场景下。
  • 与传统的基于单个击的质量检测方法相比，文中提出的粗粒度质量评估策略成本更低，处理效率更高。
• 实验与评估结果:
  • 基于实验数据（81名参与者和8241个分钟级BCG数据段），通过实验验证，质量过滤显著改善了HR/HRV估计的准确性，并降低了在有噪声数据段时的HRV估算误差。
  • 在特定场景下（如冷水浸泡任务），BCG信号质量过滤带来的改进尤为显著。
• 局限性与未来方向:
  • 当前系统在真实世界场景（如动态工作环境）中的表现尚未充分验证，特别是在运动伪影多发、用户长时间佩戴耳塞等复杂条件下。
  • 系统需要进一步优化以支持不同硬件平台，验证算法对多种耳塞设备的通用性。
  • 可探索将IMU与PPG数据相结合，用于增强全天候压力监测稳定性。

总结

本文显示耳塞中的IMU传感器有潜力用于压力评估的一体化解决方案，尤其是在静止和非语音场景下通过高质量BCG信号提升生理监测的准确性。研究开发的质量筛选方法与可视化技术，为未来耳塞设备在闭环压力管理中的应用提供了技术基础，同时也提出了研究方向：如多设备协同、动态场景验证及用户主动与被动交互结合的应用设计。