一、信號失真來源可穿戴設備采集心電 ECG、光電容積 PPG、皮電 EDA、呼吸信號時，失真主要分為兩類：
基線類干擾：電極滑移、皮膚拉伸、接觸壓力變化、溫漂帶來低頻漂移；
運動偽影 MA：肢體擺動、身體抖動造成的噪聲，噪聲頻譜與生理信號高度重疊，普通低通 / 高通濾波會破壞波形；
硬件固有誤差：通道增益不一致、采樣異步、阻抗變化、光路衰減。
校正思路分為四大類：傳統濾波校正、多參考自適應校正、盲源分離校正、建模 / 深度學習智能校正。
二、基礎濾波校正
適合輕微運動、靜息場景，計算簡單、端側易部署。
1. 時域基線校正
滑動平均基線扣除：長窗口平滑得到基線，原信號減去基線消除緩慢漂移；
分段線性基線擬合：識別無生理特征區間分段擬合，避免波形失真。
缺陷：劇烈運動基線快速波動時校正失效。
2. 頻域濾波校正
FIR/IIR 帶通濾波：ECG 0.5–40Hz、PPG 0.4–5Hz 濾除工頻與低頻漂移；
工頻陷波：50/60Hz 工頻干擾定點消除。
局限：運動噪聲和生理信號頻帶重疊，單純濾波會削峰、丟失波形細節。
3. 時頻域小波變換校正
對信號多層小波分解，區分生理有效子帶與運動噪聲子帶，自適應閾值收縮降噪。
優勢：同時處理低頻基線漂移與高頻抖動噪聲；
不足：強運動下易產生波形畸變，單通道無法區分同源運動干擾。
三、IMU 輔助自適應噪聲抵消
設備內置三軸加速度、陀螺儀 IMU 作為運動參考通道，自適應濾波器抵消運動耦合噪聲。
1. LMS/NLMS 自適應濾波
模型：含噪生理信號 = 純凈生理信號 + 運動噪聲（IMU 線性加權）
算法迭代更新權重，實時抵消與運動相關偽影；改進變步長 NLMS：靜止小步長保波形，劇烈運動大步長快速跟蹤噪聲。
2. 多通道聯合自適應校正
多導聯 ECG、多路 PPG 互相作為冗余參考，疊加 IMU 多維度參考，大幅提升降噪效果。
優點：延遲低、功耗小，商用手環、心電貼片標配；
缺點：僅消除線性運動干擾，皮膚形變、電極摩擦等非線性噪聲殘留明顯。
四、盲源分離類校正
適用于多導聯 ECG、陣列式 PPG 多通道設備，分離混合在一起的生理源與運動噪聲源。
1. 主成分分析 PCA / 奇異值分解 SVD
多通道信號矩陣分解，舍棄對應運動噪聲的低能量分量，重構干凈信號；多用于多點位 PPG 陣列降噪。
2. 獨立成分分析 ICA（FastICA、約束 cICA）
假設生理信號、運動噪聲相互獨立，從混合觀測信號中分離獨立源；
增加生理先驗約束（心電 QRS 波、脈搏周期性），避免噪聲與生理信號混淆。
適用：運動強度中等以上的多導聯心電設備；
缺點：迭代計算量大，單通道設備無法使用，實時性較差。
五、物理建模與狀態估計校正
通過建立生理與運動耦合數學模型，估計并補償失真。
1. 卡爾曼濾波（KF/EKF/UKF）
構建生理動力學模型 + IMU 運動狀態模型，把運動作為過程噪聲輸入，逐幀修正波形幅值、基線漂移，對連續規律運動（跑步、騎行）校正效果突出。
2. 傳感機理建模校正
PPG：建立皮膚形變 - 光吸收運動耦合模型，利用紅 / 紅外雙波長光程差抵消接觸擾動；
ECG：電極阻抗模型，阻抗突變對應電極滑動，聯合修正基線偏移。
六、基于深度學習的智能校正
針對劇烈抖動、非線性強偽影，端側輕量化網絡實現波形重建：
時序卷積 TCN：提取 IMU 與生理信號跨時序特征，輸出校正補償量，參量小、可嵌入式實時運行；
U-Net、LSTM：波形重建網絡，輸入含噪信號，直接輸出完整無偽影波形；
弱監督訓練：干凈生理信號疊加真實運動噪聲構建數據集，解決運動場景無標注難題。
優勢：抑制非線性復雜運動偽影，波形保真度遠高于傳統算法；
局限：需占用一定算力，低端低功耗穿戴設備部署受限。
七、分層級通用校正流水線
預處理校正：時間戳同步、重采樣、通道增益歸一化、阻抗校正；
一級基礎降噪：小波 / 帶通濾波消除工頻、緩慢基線漂移；
二級運動偽影抑制：IMU 輔助 NLMS 自適應濾波去除線性運動噪聲；
三級高精度修復：高強度運動切換 ICA / 卡爾曼 / 輕量化網絡修復殘留失真；
生理約束校驗：心率、脈搏、心電波形生理閾值篩選，避免過校正失真。
八、各類方法優缺點對比
表格
校正方法優勢缺陷適用設備場景
基礎濾波超低功耗、簡單實時頻帶重疊時失真嚴重靜態、輕微運動單通道手環
IMU 自適應濾波實時低延遲、成本友好無法處理非線性噪聲消費級手環、心電貼片
ICA 盲源分離多通道混合噪聲深度分離計算量大、單通道不可用多導聯醫用可穿戴
卡爾曼濾波連續運動平滑校正無規則抖動效果一般戶外規律運動監測
輕量化深度學習強非線性偽影修復、波形完整占用算力、依賴數據集高端多參數專業穿戴設備
九、現有研究痛點與發展趨勢
痛點
單通道設備校正能力有限；
強運動下易出現過校正，丟失細微生理特征（HRV、ST 段）；
高精度算法與穿戴低功耗需求難以兼顧；
算法泛化性差，不同佩戴位置、人群適配不足。
發展方向
軟硬件協同：柔性傳感器物理抑噪 + 數字算法聯合校正；
自適應混合框架：根據運動強度自動切換算法；
生理先驗輕量化 AI，降低模型算力需求；
多模態跨通道統一校正框架（ECG+PPG + 呼吸聯合降噪）。
十、校正效果評價指標
量化指標：校正前后信噪比 SNR、波形均方誤差 MSE、心率 / 血氧平均絕對誤差 MAE；
一致性指標：多通道校正后生理參數偏差；
工程指標：單幀處理延遲、MCU 功耗、內存占用。
掃一掃，關注微信
