從睡眠時手腕加速計估計心率：Nightbeat

Q: 在實際應用中，如何確保 Nightbeat 方法在不同人群和環境中的穩健性和可靠性？

為了確保 Nightbeat 方法在實際應用中的穩健性和可靠性，需要考慮以下幾個方面： 數據多樣性: Nightbeat 的訓練數據需要涵蓋不同年齡、性別、健康狀況和睡眠習慣的人群，以及不同的睡眠環境，例如床的類型、睡眠姿勢和是否與他人同床。這可以通過收集更大規模、更具代表性的數據集來實現。 個體化校準: 由於個體之間的生理特徵和睡眠習慣存在差異，可以考慮在使用 Nightbeat 之前進行個體化校準。例如，可以讓用戶在佩戴設備後靜躺幾分鐘，收集一段高質量的 BCG 訊號，用於調整 Nightbeat 的參數，提高其在個體上的準確性。 運動干擾處理: 儘管 Nightbeat 已經包含了運動偽影去除的步驟，但在實際應用中，仍然可能遇到更複雜的運動干擾，例如翻身、肢體運動等。可以考慮開發更先進的運動偽影去除算法，例如基於深度學習的方法，以提高 Nightbeat 在運動干擾下的魯棒性。 環境噪聲抑制: 睡眠環境中的噪聲，例如空調、交通噪音等，也可能影響 Nightbeat 的準確性。可以考慮在 Nightbeat 中加入環境噪聲抑制的步驟，例如使用自適應濾波器，以降低環境噪聲的影響。 與其他指標的結合: 為了提高 Nightbeat 的可靠性，可以考慮將其與其他生理指標結合，例如心率變異性（HRV）、呼吸率等，進行綜合分析。例如，如果 Nightbeat 檢測到心率異常，可以結合 HRV 和呼吸率的變化，判斷是否真的出現了睡眠問題或健康風險。 總之，要確保 Nightbeat 方法在實際應用中的穩健性和可靠性，需要不斷優化算法、擴展數據集、進行個體化校準，並結合其他生理指標進行綜合分析。

Q: 如果將 Nightbeat 與其他感測器（例如 PPG 或 ECG）的數據融合，是否可以進一步提高心率估計的準確性和可靠性？

將 Nightbeat 與其他感測器（例如 PPG 或 ECG）的數據融合，的確可以進一步提高心率估計的準確性和可靠性。這是因為： 彌補單一感測器的不足: 加速度計、PPG 和 ECG 感測器各有優缺點。加速度計易受運動偽影影響，PPG 訊號在低灌注或運動時容易失真，而 ECG 則需要電極接觸，佩戴舒適度較差。數據融合可以結合不同感測器的優勢，彌補單一感測器的不足。 提供更豐富的生理資訊: 不同感測器可以提供互補的生理資訊。例如，PPG 可以反映血管舒張和收縮，ECG 可以反映心臟電活動，而加速度計則可以反映心臟搏動產生的機械震動。數據融合可以整合這些資訊，提供更全面、準確的生理評估。 提高抗干擾能力: 數據融合可以提高系統的抗干擾能力。例如，當加速度計受到運動偽影影響時，可以利用 PPG 或 ECG 訊號進行校正，提高心率估計的準確性。 以下是一些數據融合的具體方法： 訊號層融合: 將不同感測器的原始訊號直接融合，例如使用主成分分析（PCA）或獨立成分分析（ICA）提取共同特徵，然後輸入到心率估計模型中。 特徵層融合: 分別從不同感測器訊號中提取特徵，例如加速度計的時域和頻域特徵、PPG 的脈搏波形特徵、ECG 的心電圖波形特徵，然後將這些特徵融合，輸入到心率估計模型中。 決策層融合: 分別使用不同感測器數據訓練多個心率估計模型，然後將這些模型的輸出結果進行融合，例如使用加權平均或投票法，得到最終的心率估計值。 總之，將 Nightbeat 與 PPG 或 ECG 數據融合，可以充分利用不同感測器的優勢，提高心率估計的準確性和可靠性，為睡眠監測和健康評估提供更可靠的依據。

核心概念

本文提出了一種名為 Nightbeat 的新型訊號處理方法，利用配戴於手腕的加速計，在睡眠期間透過心震圖訊號，高精度地估算心率，並建立了一個名為 Nightbeat-DB 的資料集，用於驗證該方法在非實驗室環境下的效能。

摘要

研究論文摘要

書目資訊

Moebus, M., Hauptmann, L., Kopp, N., Demirel, B., Braun, B., & Holz, C. (2024). Nightbeat: Heart Rate Estimation From a Wrist-Worn Accelerometer During Sleep. arXiv preprint arXiv:2411.00731.

研究目標

本研究旨在開發一種基於心震圖的訊號處理方法，利用配戴於手腕的加速計，在睡眠期間準確估計心率，並建立一個資料集以驗證該方法在非實驗室環境下的效能。

方法

研究人員招募了 42 名參與者，讓他們在睡眠時配戴手腕加速計 (Axivity AX3) 和心電圖胸帶 (movisens EcgMove 4)。Axivity AX3 以 100 Hz 的頻率記錄手腕運動訊號，而 movisens EcgMove 4 則以 1024 Hz 的頻率記錄心電圖訊號，並提供心率的基準值。研究人員開發了一種名為 Nightbeat 的訊號處理方法，該方法包含以下步驟：1) 使用帶通濾波器和 L2-norm 處理加速計訊號；2) 根據短時傅立葉變換 (STFT) 的能量去除運動偽影；3) 在頻域中追蹤峰值以識別最有可能的心率軌跡；4) 在時域中檢測峰值以識別心跳；5) 使用 5 分鐘滾動中位數對預測結果進行後處理。

主要發現

與現有方法相比，Nightbeat 在 Nightbeat-DB 資料集上取得了最低的平均絕對誤差 (MAE)，僅為 0.88 bpm，比其他方法降低了至少 76%。此外，Nightbeat 在另一個公開的 Apple Watch 資料集上也表現出色，MAE 為 1.68 bpm。

主要結論

研究結果表明，在睡眠期間，即使在非實驗室環境下，手腕加速計也能夠提供可靠的心率估計。Nightbeat 方法在處理運動偽影和追蹤心率變化方面表現出色，為利用現有和未來基於活動追蹤器的研究資料提供了新的可能性。

研究意義

這項研究對於那些缺乏連續心率記錄的大型縱向研究具有重要意義，例如英國生物銀行加速計研究。利用 Nightbeat 方法從手腕加速計訊號中提取心率資訊，可以促進我們對心血管疾病、心理障礙和神經系統疾病等疾病的理解，並有助於早期疾病檢測和風險因素識別。

局限性和未來研究方向

本研究存在一些局限性。首先，Nightbeat-DB 和 AW 資料集都排除了沒有基準心率標籤的區段，這可能會低估方法的實際誤差。其次，兩個資料集中的心率標籤都相對較低，缺乏對高心率患者的評估。未來研究可以探討 Nightbeat 在患有睡眠障礙和心血管疾病患者中的準確性，並嘗試將該方法擴展到清醒時的無運動期間。

客製化摘要

使用 AI 重寫

產生引用格式

翻譯原文

翻譯成其他語言

產生心智圖

從原文內容

前往原文

arxiv.org

統計資料

Nightbeat 在 Nightbeat-DB 資料集上實現了 0.88 bpm 的平均絕對誤差 (MAE)，比先前的方法降低了 76%。
在 Nightbeat-DB 資料集上，所有參與者的平均相關性為 0.81。
對於單個參與者，在 Nightbeat-DB 資料集上實現了高達 0.98 的相關性和 0.41 bpm 的 MAE。
在 AW 資料集上，Nightbeat 實現了 1.68 bpm 的 MAE 和 0.64 的平均相關性。
由於估計的運動偽影、心率曲線中的間隙或 HRC 預測值與 HRP 或 HRM 預測值相差超過 10 bpm，因此刪除了所有可能的 20 秒窗口中的 22%。
與獨自睡覺的女性參與者相比，同床睡覺的女性參與者的 MAE 增加了 32%。
男性參與者的 MAE 在同床睡覺時沒有增加，實際上下降了 2%。

引述

從以下內容提煉的關鍵洞見

Nightbeat: Heart Rate Estimation From a Wrist-Worn Accelerometer During Sleep

by Max ... 於 arxiv.org 11-04-2024

https://arxiv.org/pdf/2411.00731.pdf

Nightbeat: Heart Rate Estimation From a Wrist-Worn Accelerometer During Sleep

深入探究

如何將 Nightbeat 方法應用於其他生理訊號的估計，例如呼吸頻率或血壓？

Nightbeat 方法主要基於心臟搏動產生的細微震動（即心震圖 BCG）來估計心率。雖然呼吸和血壓也會產生身體震動，但這些震動的頻率和模式與心震圖有很大差異，直接應用 Nightbeat 方法會面臨以下挑戰：

訊號頻段不同: 呼吸頻率和血壓訊號的頻段與心率訊號不同。呼吸頻率通常在 0.1-0.5 Hz，而血壓訊號則更為複雜，包含多個頻段。因此，需要調整 Nightbeat 中的濾波器參數，以提取目標生理訊號的頻段。
震動模式差異: 呼吸和血壓產生的震動模式比心臟搏動更為複雜，且更容易受到其他因素（如體位、運動）的干擾。因此，需要開發更精確的訊號處理方法，以區分目標生理訊號與其他震動源。
缺乏明確的震動特徵: 與心臟搏動不同，呼吸和血壓產生的震動特徵並不明顯，難以直接透過峰值檢測等方法進行估計。因此，需要探索新的訊號特徵和演算法，以從複雜的震動訊號中提取呼吸頻率和血壓資訊。

儘管存在這些挑戰，透過以下方法，我們可以嘗試將 Nightbeat 的概念應用於其他生理訊號的估計：

多頻段分析: 將 Nightbeat 中的單一頻段濾波器替換為多頻段濾波器，分別提取不同生理訊號的頻段，例如呼吸頻率的 0.1-0.5 Hz 和心率的 0.7-3 Hz。
機器學習: 利用機器學習演算法，例如卷積神經網路（CNN）或遞迴神經網路（RNN），學習不同生理訊號的震動模式，並從加速度計數據中進行識別和估計。
多感測器融合: 結合加速度計數據與其他感測器數據，例如 PPG 或 ECG，可以提供更豐富的生理資訊，提高呼吸頻率和血壓估計的準確性和可靠性。

總之，將 Nightbeat 方法應用於其他生理訊號的估計需要克服許多挑戰，但透過調整演算法、結合機器學習和多感測器融合等方法，我們有望實現更全面的生理訊號監測。

在實際應用中，如何確保 Nightbeat 方法在不同人群和環境中的穩健性和可靠性？

為了確保 Nightbeat 方法在實際應用中的穩健性和可靠性，需要考慮以下幾個方面：

數據多樣性:  Nightbeat 的訓練數據需要涵蓋不同年齡、性別、健康狀況和睡眠習慣的人群，以及不同的睡眠環境，例如床的類型、睡眠姿勢和是否與他人同床。這可以通過收集更大規模、更具代表性的數據集來實現。
個體化校準:  由於個體之間的生理特徵和睡眠習慣存在差異，可以考慮在使用 Nightbeat 之前進行個體化校準。例如，可以讓用戶在佩戴設備後靜躺幾分鐘，收集一段高質量的 BCG 訊號，用於調整 Nightbeat 的參數，提高其在個體上的準確性。
運動干擾處理:  儘管 Nightbeat 已經包含了運動偽影去除的步驟，但在實際應用中，仍然可能遇到更複雜的運動干擾，例如翻身、肢體運動等。可以考慮開發更先進的運動偽影去除算法，例如基於深度學習的方法，以提高 Nightbeat 在運動干擾下的魯棒性。
環境噪聲抑制:  睡眠環境中的噪聲，例如空調、交通噪音等，也可能影響 Nightbeat 的準確性。可以考慮在 Nightbeat 中加入環境噪聲抑制的步驟，例如使用自適應濾波器，以降低環境噪聲的影響。
與其他指標的結合:  為了提高 Nightbeat 的可靠性，可以考慮將其與其他生理指標結合，例如心率變異性（HRV）、呼吸率等，進行綜合分析。例如，如果 Nightbeat 檢測到心率異常，可以結合 HRV 和呼吸率的變化，判斷是否真的出現了睡眠問題或健康風險。

總之，要確保 Nightbeat 方法在實際應用中的穩健性和可靠性，需要不斷優化算法、擴展數據集、進行個體化校準，並結合其他生理指標進行綜合分析。

如果將 Nightbeat 與其他感測器（例如 PPG 或 ECG）的數據融合，是否可以進一步提高心率估計的準確性和可靠性？

將 Nightbeat 與其他感測器（例如 PPG 或 ECG）的數據融合，的確可以進一步提高心率估計的準確性和可靠性。這是因為：

彌補單一感測器的不足:  加速度計、PPG 和 ECG 感測器各有優缺點。加速度計易受運動偽影影響，PPG 訊號在低灌注或運動時容易失真，而 ECG 則需要電極接觸，佩戴舒適度較差。數據融合可以結合不同感測器的優勢，彌補單一感測器的不足。
提供更豐富的生理資訊:  不同感測器可以提供互補的生理資訊。例如，PPG 可以反映血管舒張和收縮，ECG 可以反映心臟電活動，而加速度計則可以反映心臟搏動產生的機械震動。數據融合可以整合這些資訊，提供更全面、準確的生理評估。
提高抗干擾能力:  數據融合可以提高系統的抗干擾能力。例如，當加速度計受到運動偽影影響時，可以利用 PPG 或 ECG 訊號進行校正，提高心率估計的準確性。

以下是一些數據融合的具體方法：

訊號層融合:  將不同感測器的原始訊號直接融合，例如使用主成分分析（PCA）或獨立成分分析（ICA）提取共同特徵，然後輸入到心率估計模型中。
特徵層融合:  分別從不同感測器訊號中提取特徵，例如加速度計的時域和頻域特徵、PPG 的脈搏波形特徵、ECG 的心電圖波形特徵，然後將這些特徵融合，輸入到心率估計模型中。
決策層融合:  分別使用不同感測器數據訓練多個心率估計模型，然後將這些模型的輸出結果進行融合，例如使用加權平均或投票法，得到最終的心率估計值。

總之，將 Nightbeat 與 PPG 或 ECG 數據融合，可以充分利用不同感測器的優勢，提高心率估計的準確性和可靠性，為睡眠監測和健康評估提供更可靠的依據。