针对成像式光体积描记术(Image Photoplethysmography,IPPG)信号采集过程中易受到噪声干扰的问题,本文提出了一种针对IPPG噪声分布特性的去噪扩散概率模型(Denoising Diffusion Probability Model for IPPG,DDPM-IPPG),通过扩散和逆扩...针对成像式光体积描记术(Image Photoplethysmography,IPPG)信号采集过程中易受到噪声干扰的问题,本文提出了一种针对IPPG噪声分布特性的去噪扩散概率模型(Denoising Diffusion Probability Model for IPPG,DDPM-IPPG),通过扩散和逆扩散阶段消除基线漂移与噪声,提升信号的信噪比和后续心率指标的准确性。首先,在扩散阶段对光体积描记术(Photoplethysmography,PPG)信号逐步添加高斯噪声,构建噪声序列,训练基于非线性交融模块和桥接模块的噪声预测器。其次,在逆扩散阶段利用训练完善的噪声预测器对初步提取的IPPG信号进行逐步去噪,恢复出形态相似于PPG的IPPG信号。最后,将本文提出的模型与当前主流模型在PURE、UBFC-IPPG、UBFC-Phys和MMPD数据集上进行验证和对比分析。实验结果表明:与现有最高精度提取方法相比,DDPM-IPPG在PURE数据集上,信噪比提升1.06dB,心率的平均绝对误差下降0.24 bpm,均方根误差下降0.41 bpm;在UBFC-IPPG数据集上信噪比提升1.50 dB。本文提出的DDPM-IPPG模型在IPPG信号消除基线漂移与噪声方面达到了先进水平,能够更精确地逼近真实信号,为生理健康评估与远程医疗监测提供了更加可靠的数据基础。展开更多
文摘针对成像式光体积描记术(Image Photoplethysmography,IPPG)信号采集过程中易受到噪声干扰的问题,本文提出了一种针对IPPG噪声分布特性的去噪扩散概率模型(Denoising Diffusion Probability Model for IPPG,DDPM-IPPG),通过扩散和逆扩散阶段消除基线漂移与噪声,提升信号的信噪比和后续心率指标的准确性。首先,在扩散阶段对光体积描记术(Photoplethysmography,PPG)信号逐步添加高斯噪声,构建噪声序列,训练基于非线性交融模块和桥接模块的噪声预测器。其次,在逆扩散阶段利用训练完善的噪声预测器对初步提取的IPPG信号进行逐步去噪,恢复出形态相似于PPG的IPPG信号。最后,将本文提出的模型与当前主流模型在PURE、UBFC-IPPG、UBFC-Phys和MMPD数据集上进行验证和对比分析。实验结果表明:与现有最高精度提取方法相比,DDPM-IPPG在PURE数据集上,信噪比提升1.06dB,心率的平均绝对误差下降0.24 bpm,均方根误差下降0.41 bpm;在UBFC-IPPG数据集上信噪比提升1.50 dB。本文提出的DDPM-IPPG模型在IPPG信号消除基线漂移与噪声方面达到了先进水平,能够更精确地逼近真实信号,为生理健康评估与远程医疗监测提供了更加可靠的数据基础。
