- 选题背景和意义：光电容积描记术（PPG）是过去十年里，最流行的监测患者生理状况的技术之一，它是一种非侵入性方法，通常非侵入式地在皮肤表面进行测量。与心电图（ECG）信号相比，PPG信号不需要使用复杂的硬件。PPG信号不需要参考信号，还可以提供有关心血管和呼吸系统的信息，在实际应用中其具有利用和获取患者生理数据的简便性。由于基层医疗和基于社区的临床环境对低成本、简便的技术的需要，低成本的小型半导体元件的广泛应用，以及基于计算机的脉搏波分析技术的改进，它已广泛应用于个人便携式设备和脉搏血氧仪，用于测量血氧饱和度、血压和心输出量，评估自主神经功能，也用于检测周围性血管疾病。PPG信号的特征与特定的身体部位相关，在时间（脉冲到达时间，PAT）和振幅以及变异性方面不同身体部位测得的PPG信号有差异。多部位PPG信号可以用于研究脉搏随年龄如何变化，以及外周动脉疾病、结缔组织、内皮功能、动脉硬化等疾病对脉搏的影响。在固定节奏的呼吸下，不同部位测得的PPG信号相对ECG信号的延迟，有双边相似性、部位差异的趋势。将健康志愿者的互相关性和变异性数据与心血管病患者组数据进行比较，可以推动新型自主功能评估技术的发展。在进行PPG信号处理时，传统上会使用不同的（自适应）滤波方法来去除信号中的运动伪影和其他噪声分量，但是传统方法的去噪效果不是特别理想，并且PPG信号非常容易受到患者年龄、运动、呼吸等的影响，先前的研究常遇到难以准确识别和提取PPG信号特征点的问题。深度学习是机器学习的一种特定类型，它使用由许多隐藏层组成的人工神经网络自动且可靠地从原始输入中逐步提取高级特征。目前，深度学习已应用于各种时间序列信号，已有研究表明CNN模型在进行基于PPG信号的心率估计时有较高的准确性。Unet神经网络特殊的U型结构使其能更好地结合底层和高层信息，可以从原始数据中学习抽象表示，识别复杂模式更强大。因此，将Unet模型应用于PPG信号处理，进行PPG信号特征提取以及心率估计是有很高的研究价值的。
-
课题关键问题及难点：
在心率变化与主要脉搏特征变化之间相关滞后的分析中，关键问题在于，对数据库中的多部位PPG信号进行滤波处理去除噪声后，标注出脉搏信号特征并计算其变异性，再进行心率变化与脉搏特征变化之间的相关滞后计算。其中的难点在于，在对多部位PPG信号进行处理时，数据量比较大，需要花一定的时间进行数据处理，以及需要选择合适的算法进行相关滞后的分析。
在搭建模型进行脉搏信号特征识别和脉率估计中，关键问题在于深度学习模型的搭建。本课题的模型是参考U-net模型的结构搭建的，与U-net模型用于进行医学图像分割不同的是，本课题的模型用于进行PPG信号处理，其在参数的设置上与U-net模型不同。其难点在于确定适合用于进行PPG信号处理的模型结构以及参数，并且该模型还需要用大量的数据进行训练，因此需要花大量时间对数据库训练组数据进行标注。 - 文献综述（或调研报告）：
光电容积描记术（PPG）是一种非侵入性技术，通过放射光线来测量通过组织的血液灌注，可以用于检测组织微血管床血容量变化。PPG技术的基本形式只需要一些光电部件：照明组织的光源，用于测量光强度微量变化（与血液灌注变化相关）的光电探测仪，其在红外波长或近红外波长下工作。PPG信号与心跳同步，比较容易提取，但是该信号的成分可以提供有关心血管系统的有价值的信息，其已经应用于包括临床生理监测、血管评估以及自主神经功能、神经病学和其他心血管变异性评估等不同的临床环境中。目前，PPG技术应用于各种可商购的个人健康监测设备，进行日常生活的健康监测。PPG技术还应用于疗保健环境中远程地对患者进行管理和监测，从而较早地对心脏病进行诊断，改善患者的治疗水平，降低心血管疾病导致的死亡人数。
脉冲被定义为两个阶段：脉冲的上升沿，和脉冲的下降沿。 第一阶段主要与心脏收缩有关，第二阶段与心脏的舒张和波反射有关，在具有健康顺应性动脉的受试者的分解代谢期中通常会出现重搏波。年龄是影响PPG形态的重要因素，它会加速PPG信号拐点和重搏波的消失。随着年龄增长，由于动脉弹性的衰减，动脉顺应性下降，反射波的振幅增加。根据波峰时间分析PPG的轮廓，发现年龄依赖性，以及健康与包括动脉硬化、高血压和各种皮肤病的疾病之间的临床显着差异。PPG轮廓分析可以用于研究血管系统弹性特性的变化，还可以作为早期亚临床动脉粥样硬化检测器。PPG技术为无创循环监测提供了富有成果的发展方向。
多部位光电容积描记术（PPG）是一种有前途的新技术，通过在一个身体部位检测脉搏波并测量到达第二个远端位置所需的时间来实现，其可以用于测量包括动脉脉搏波的脉搏传播时间等一系列脉搏特征。在不同身体部位（耳朵、手指、脚趾）测得的PPG信号，其脉搏到达时间PAT、振幅和变异性特征存在差异，而年龄和外周动脉疾病、动脉硬化等疾病会影响这些脉搏特征。脉搏到达时间PAT与PPG信号和ECG信号都相关，为了便于测量，将ECG信号的R波用作起点，其与PPG脉冲波形起始点之间的时间差为脉搏到达时间PAT。动脉压波传播的速度与血压成正比，血压的显着升高导致血管紧张度增加，动脉壁变硬，导致PAT缩短。因此，脉搏到达时间PAT提供有关心脏良好功能的相关信息。如果将健康志愿者的相关数据与心血管病患者组数据进行对比分析，可以将研究结果用于某些疾病的诊断工作上，推动新型自主功能评估技术的发展。
在实际的人体运动过程中测量PPG信号时，由于组织效应、静脉血变化等多种原因会造成运动伪影，运动伪影会严重影响PPG信号的质量。在进行PPG信号处理时，可以采用不同的方式去除运动伪影和其他噪声，常用的去除运动伪影和其他噪声的方法有，自适应滤波器，该滤波器可以有效地处理需要信号参考的频带噪声；小波变换，其被认为是在PPG信号中可以有效减少运动伪影的方法；还有小波变换的推导等去噪方法。但是这些方法只能得到质量较高的信号，很难完全去除所有噪声，以致信号特征提取的准确率会受到影响。
深度学习是机器学习的一种特定类型，它使用由许多隐藏层组成的人工神经网络从原始输入中逐步提取高级特征。深度学习已经广泛用于图像分类、语音识别、自然语言处理和音频识别等领域。最近，它已用于生物医学工程领域，例如生物信息学、医学图像分析和生物医学信号分析。基于PPG信号的先前研究经常遇到难以准确识别和提取特征点的问题，而深度学习技术的发展通过自动且可靠地从原始信号中提取特征，为解决这些难题提供了一种潜在的途径。
- 方案（设计方案、或研究方案、研制方案）论证：
1.心率变化与主要脉搏特征变化之间相关滞后的分析
为了分析每拍ECG信号的RR间期变化与脉搏信号PAT变化及脉搏信号的AMP之间的相关延迟，首先需要对ECG信号和PPG信号进行特征提取。通过低通/高通滤波器滤除信号噪声，接着进行特征提取，通过人工矫正保证特征提取的准确性，然后量化每拍ECG信号RR间期、脉搏信号的PAT和AMP。通过计算标准差来进行ECG信号RR间期和脉搏信号PAT的变化性分析。最后，基于MATLAB的相关性分析来确定，六个不同身体部位的PAT变化和AMP变化相对于RR间期变化的相对延迟。
2.搭建模型进行脉搏信号特征识别和脉率估计
