心脏健康监测对于预防和管理心血管疾病至关重要。传统上，心电图（ECG）是临床诊断的“金标准”，但其需要在身体特定部位粘贴电极，限制了其长期、舒适的连续监测应用。心震图（SCG）技术提供了一种有前景的替代方案：它通过测量由心脏机械活动引起的胸部微弱振动来工作，理论上可以被集成到穿戴式设备甚至智能手机中，实现无感、便捷的监测。然而，从SCG信号中准确、鲁棒地估计心率，尤其是面对复杂的生理状况（如心律失常）和现实环境中的运动干扰时，一直是一个巨大的挑战。现有的方法往往依赖ECG进行校准，或者需要复杂的机器学习模型，这增加了系统复杂性和计算开销，难以在资源受限的便携设备上实现实时运行。因此，开发一种轻量级、无需ECG校准且能应对多种场景的全自动算法，是将SCG技术推向广泛应用的关键一步。
为了解决上述问题，一篇发表在《IEEE Journal of Biomedical and Health Informatics》上的研究提出并验证了一种名为“自适应自相关函数检测器”（AACFD）的新型算法。这项研究旨在构建一个高效、鲁棒的流程，仅使用单轴SCG信号就能估算平均心率，并跨越从严格控制的实验室环境到真实的临床及移动健康场景进行综合评估。
为开展这项研究，研究人员主要采用了算法开发与多数据集验证相结合的技术路线。核心是设计AACFD算法，它结合了基于自适应SCG包络的YIN式差分函数分析和短窗口自相关分支两种周期性检测器，并在3秒片段上进行操作。研究的关键在于引入了基于信号质量指数和多尺度特征的感知加权融合策略，以及用于剔除异常窗口的Hampel滤波器和时间一致性检查。算法的有效性通过在六个来源广泛、总计涵盖535名受试者的异构数据集上进行验证来证明，这些数据集包括实验室心机械图（MCG）、控制呼吸SCG（CEBS）、富含运动的多元SCG（MC-SCG）、瓣膜性心脏病（VHD）诊所数据、侵入性右心导管检查（RHC）数据以及来自300名心房颤动/窦性心律受试者的智能手机记录数据。分析针对10秒、20秒、30秒和60秒的非重叠窗口进行，将SCG估算的平均心率与ECG或遥测参考值进行比较，并进行了严格的ECG和SCG质量控制和时序修正。
研究结果通过详实的数据，系统地展示了AACFD算法在不同场景下的性能。
跨数据集性能评估 ：研究在六个数据集上对30秒窗口的评估显示，经过质量控制和时序修正后，每位受试者的平均绝对误差（MAE）存在差异。在实验室环境下的MCG数据集中，MAE低至0.99 bpm；在控制呼吸的CEBS数据集中，精度更高，为0.72 bpm。在更具挑战性的临床数据集中，VHD数据集的MAE为4.38 bpm；在移除ECG受损记录后的MC-SCG（富含运动）数据集中，MAE为1.34 bpm；在RHC数据集中为3.58 bpm。在最具挑战性的智能手机采集的房颤/窦律数据集中，MAE为7.67 bpm。这些结果清晰地勾勒出算法性能从理想实验室条件到复杂现实环境的渐变图谱。
窗口长度与数据可用性分析 ：研究探讨了分析窗口长度对估算精度的影响。总体趋势是，随着窗口长度从10秒增加至60秒，估算误差通常会降低，这符合信号平均的预期。更重要的是，研究强调在所有数据集中，超过90%的10-60秒非重叠窗口都能通过基于ECG和SCG的质量控制。这表明报告的误差反映了几乎全部可用的记录时长，而非仅针对少数精选的干净片段，结果更具代表性和鲁棒性。
算法稳健性验证 ：通过与ECG参考值的逐搏比对，研究展示了AACFD在存在噪声和伪影的情况下仍能保持合理的周期检测能力。例如，在MCG数据中，算法成功识别了心率变化趋势；在MC-SCG数据中，即使在存在显著运动的情况下，经过质量控制后，算法也能有效跟踪心率。智能手机数据的结果虽然误差较大，但也证实了在消费级设备上实现SCG心率估算的可行性，特别是在识别房颤等心律不齐方面具有潜力。
研究的结论与讨论部分深刻总结了这项工作的贡献与意义。首先，AACFD算法本身是一个重要创新。它证明了一种结合了YIN式差分函数和短窗口自相关的混合方法，在辅以简单的信号质量感知加权和稳健性检查（如Hampel滤波）后，能够有效地从单轴SCG中提取心率信息。该算法完全无需ECG校准或数据驱动的机器学习模型，结构轻量，计算高效，理论上适合在普通硬件上实时运行，为嵌入式可穿戴设备中的应用铺平了道路。
其次，这项研究最突出的贡献在于其前所未有的广泛验证。通过横跨六个高度异构的数据集——从健康的受试者在严格控制条件下的记录，到患有瓣膜性心脏病、接受侵入性手术的患者数据，再到用智能手机从房颤患者中采集的真实世界数据——研究提供了一个关于SCG心率估算技术当前能力的全面、透明的基准。这个基准表明，在静息或受控条件下（如MCG、CEBS），基于SCG的估算可以达到与临床级ECG相当的亚bpm级精度。而在充满挑战的临床和移动场景中（如VHD、智能手机数据），虽然误差增大，但仍在临床可接受的范围内，特别是考虑到其无电极、便捷性的优势。
最后，研究指出了未来的方向。智能手机队列中相对较高的误差（7.67 bpm）揭示了在完全不受控环境、使用低质量传感器以及面对房颤等复杂心律时算法的局限性。这提示未来的工作可以进一步优化信号预处理、开发更强大的异常心律检测模块，或者探索有限机器学习模型的补充作用以提升在极端噪声下的鲁棒性。此外，将单轴SCG扩展到多轴或与其他传感器（如陀螺仪）融合，也是提高运动容忍度的潜在途径。
总之，这项研究不仅提出了一种实用的SCG心率估算算法AACFD，更重要的是通过一个大规模、多样化的综合基准，客观评估了该技术的现状与潜力。它有力地证明了，即使不依赖ECG或复杂AI模型，精心设计的信号处理流程也能从SCG中获取可靠的心率信息，这对于推动基于加速度计的心脏监测在消费电子、远程医疗和长期健康管理中的实际应用具有重要的里程碑意义。
打赏
