面向噪声可穿戴PPG传感器的高效鲁棒心率估计方法——基于理想表征学习

光电容积脉搏波（PPG）是一种非侵入式可穿戴传感方法，用于数百万设备中的心率监测。然而，PPG信号极易受到各种噪声源的影响，包括运动伪影、传感器噪声和生物因素，尤其是在真实的可穿戴环境中。这使得设计能够准确解读心脏活动的通用化模型具有挑战性。本论文提出将学习重点从带噪声信号学习转移到在对抗性设置下利用数学建模的PPG波形特性来提高信噪比。结果表明该方法对噪声数据具有鲁棒性。我们在一项用户研究（N=22）中评估了该模型，在三种不同活动水平下，使用来自新传感器和新用户的未见过的PPG数据对其进行测试。结果显示与最先进方法相比具有更好的泛化性，并且在不同的用户活动中保持一致的性能提升。我们成功将该模型部署到常用的安卓移动设备上，证实了其能够在资源受限的环境中提供快速推理。