Robust Photoplethysmography Signal Denoising via Mamba Networks

📄 arXiv: 2510.11058v1 📥 PDF

作者: I Chiu, Yu-Tung Liu, Kuan-Chen Wang, Hung-Yu Wei, Yu Tsao

分类: cs.LG, eess.SP

发布日期: 2025-10-13

备注: 5 pages, 2 figures

💡 一句话要点

提出基于Mamba网络的DPNet，用于鲁棒的光电容积脉搏波信号去噪，提升可穿戴设备心率估计精度。

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 光电容积脉搏波 PPG信号去噪 Mamba网络 时序建模 心率估计

📋 核心要点

  1. PPG信号易受噪声和运动伪影影响，降低了心率估计等下游任务的可靠性，现有方法难以有效去除噪声并保持生理信息。
  2. 论文提出基于Mamba的DPNet，利用其强大的时序建模能力进行PPG信号去噪，并结合SI-SDR损失和心率预测器进行监督。
  3. 实验结果表明，该方法在BIDMC数据集上表现出强大的鲁棒性，优于传统滤波方法和现有神经模型，有效恢复PPG信号并保持心率精度。

📝 摘要（中文）

本文提出了一种深度学习框架，用于光电容积脉搏波(PPG)信号去噪，重点在于保留生理信息。该框架提出了DPNet，一个基于Mamba的去噪骨干网络，旨在实现有效的时序建模。为了进一步提高去噪性能，该框架还结合了尺度不变的信号失真比(SI-SDR)损失，以提高波形保真度，以及辅助心率预测器(HRP)，通过基于心率的监督提供生理一致性。在BIDMC数据集上的实验表明，该方法对合成噪声和真实运动伪影都具有很强的鲁棒性，优于传统的滤波方法和现有的神经模型。该方法能够有效地恢复PPG信号，同时保持心率精度，突出了SI-SDR损失和心率引导监督的互补作用。这些结果证明了该方法在可穿戴医疗保健系统中实际部署的潜力。

🔬 方法详解

问题定义：PPG信号在可穿戴设备中广泛应用，但易受噪声和运动伪影干扰，导致信号质量下降，影响心率估计等下游任务的准确性。现有去噪方法，如传统滤波和一些神经网络模型，在去除噪声的同时，往往会损失重要的生理信息，导致心率估计精度降低。因此，如何在有效去除噪声的同时，最大限度地保留PPG信号的生理信息，是一个亟待解决的问题。

核心思路：论文的核心思路是利用Mamba网络强大的时序建模能力，构建一个能够有效去除噪声并保留生理信息的PPG信号去噪框架。Mamba网络擅长处理长序列数据，能够捕捉PPG信号中的时序依赖关系，从而更好地区分噪声和真实的生理信号。此外，通过引入SI-SDR损失和心率预测器，可以进一步约束去噪过程，保证去噪后的信号具有较高的波形保真度和生理一致性。

技术框架：该PPG信号去噪框架主要包含三个模块：DPNet去噪骨干网络、SI-SDR损失函数和辅助心率预测器(HRP)。DPNet是基于Mamba网络的去噪模块，负责从含噪PPG信号中提取干净的信号。SI-SDR损失函数用于衡量去噪后信号的波形保真度，促使模型生成更接近原始信号的波形。HRP是一个辅助模块，用于预测去噪后信号的心率，并通过心率预测误差来监督DPNet的训练，保证去噪后的信号具有生理一致性。整个框架通过联合优化DPNet、SI-SDR损失和HRP，实现高效的PPG信号去噪。

关键创新：该论文最重要的技术创新点在于将Mamba网络引入PPG信号去噪任务中。与传统的RNN和Transformer相比，Mamba网络具有更强的时序建模能力和更高的计算效率，能够更好地处理PPG信号中的长时序依赖关系。此外，结合SI-SDR损失和心率预测器进行监督，可以进一步提高去噪性能，保证去噪后的信号具有较高的波形保真度和生理一致性。

关键设计：DPNet采用Mamba作为核心模块，堆叠多个Mamba块以提取PPG信号的时序特征。SI-SDR损失函数采用尺度不变的设计，能够更好地衡量不同幅值范围的信号之间的相似度。心率预测器HRP采用简单的卷积神经网络结构，以降低计算复杂度。在训练过程中，联合优化DPNet、SI-SDR损失和HRP，通过反向传播算法更新网络参数。

🖼️ 关键图片

fig_0
fig_1

📊 实验亮点

实验结果表明，该方法在BIDMC数据集上优于传统的滤波方法和现有的神经模型。具体而言，该方法在去除噪声的同时，能够保持较高的心率估计精度。与基线方法相比，该方法在信噪比(SNR)和均方误差(MSE)等指标上均有显著提升，证明了其在PPG信号去噪方面的有效性和鲁棒性。

🎯 应用场景

该研究成果可广泛应用于可穿戴健康监测设备，如智能手表、手环等，提高PPG信号的质量，从而提升心率、心率变异性等生理参数的监测精度。这对于疾病预警、健康管理和运动监测具有重要意义。未来，该技术还可以扩展到其他生理信号的去噪处理，例如脑电信号(EEG)和肌电信号(EMG)。

📄 摘要（原文）

Photoplethysmography (PPG) is widely used in wearable health monitoring, but its reliability is often degraded by noise and motion artifacts, limiting downstream applications such as heart rate (HR) estimation. This paper presents a deep learning framework for PPG denoising with an emphasis on preserving physiological information. In this framework, we propose DPNet, a Mamba-based denoising backbone designed for effective temporal modeling. To further enhance denoising performance, the framework also incorporates a scale-invariant signal-to-distortion ratio (SI-SDR) loss to promote waveform fidelity and an auxiliary HR predictor (HRP) that provides physiological consistency through HR-based supervision. Experiments on the BIDMC dataset show that our method achieves strong robustness against both synthetic noise and real-world motion artifacts, outperforming conventional filtering and existing neural models. Our method can effectively restore PPG signals while maintaining HR accuracy, highlighting the complementary roles of SI-SDR loss and HR-guided supervision. These results demonstrate the potential of our approach for practical deployment in wearable healthcare systems.