一、信号失真来源可穿戴设备采集心电 ECG、光电容积 PPG、皮电 EDA、呼吸信号时，失真主要分为两类：
基线类干扰：电极滑移、皮肤拉伸、接触压力变化、温漂带来低频漂移；
运动伪影 MA：肢体摆动、身体抖动造成的噪声，噪声频谱与生理信号高度重叠，普通低通 / 高通滤波会破坏波形；
硬件固有误差：通道增益不一致、采样异步、阻抗变化、光路衰减。
校正思路分为四大类：传统滤波校正、多参考自适应校正、盲源分离校正、建模 / 深度学习智能校正。
二、基础滤波校正
适合轻微运动、静息场景，计算简单、端侧易部署。
1. 时域基线校正
滑动平均基线扣除：长窗口平滑得到基线，原信号减去基线消除缓慢漂移；
分段线性基线拟合：识别无生理特征区间分段拟合，避免波形失真。
缺陷：剧烈运动基线快速波动时校正失效。
2. 频域滤波校正
FIR/IIR 带通滤波：ECG 0.5–40Hz、PPG 0.4–5Hz 滤除工频与低频漂移；
工频陷波：50/60Hz 工频干扰定点消除。
局限：运动噪声和生理信号频带重叠，单纯滤波会削峰、丢失波形细节。
3. 时频域小波变换校正
对信号多层小波分解，区分生理有效子带与运动噪声子带，自适应阈值收缩降噪。
优势：同时处理低频基线漂移与高频抖动噪声；
不足：强运动下易产生波形畸变，单通道无法区分同源运动干扰。
三、IMU 辅助自适应噪声抵消
设备内置三轴加速度、陀螺仪 IMU 作为运动参考通道，自适应滤波器抵消运动耦合噪声。
1. LMS/NLMS 自适应滤波
模型：含噪生理信号 = 纯净生理信号 + 运动噪声（IMU 线性加权）
算法迭代更新权重，实时抵消与运动相关伪影；改进变步长 NLMS：静止小步长保波形，剧烈运动大步长快速跟踪噪声。
2. 多通道联合自适应校正
多导联 ECG、多路 PPG 互相作为冗余参考，叠加 IMU 多维度参考，大幅提升降噪效果。
优点：延迟低、功耗小，商用手环、心电贴片标配；
缺点：仅消除线性运动干扰，皮肤形变、电极摩擦等非线性噪声残留明显。
四、盲源分离类校正
适用于多导联 ECG、阵列式 PPG 多通道设备，分离混合在一起的生理源与运动噪声源。
1. 主成分分析 PCA / 奇异值分解 SVD
多通道信号矩阵分解，舍弃对应运动噪声的低能量分量，重构干净信号；多用于多点位 PPG 阵列降噪。
2. 独立成分分析 ICA（FastICA、约束 cICA）
假设生理信号、运动噪声相互独立，从混合观测信号中分离独立源；
增加生理先验约束（心电 QRS 波、脉搏周期性），避免噪声与生理信号混淆。
适用：运动强度中等以上的多导联心电设备；
缺点：迭代计算量大，单通道设备无法使用，实时性较差。
五、物理建模与状态估计校正
通过建立生理与运动耦合数学模型，估计并补偿失真。
1. 卡尔曼滤波（KF/EKF/UKF）
构建生理动力学模型 + IMU 运动状态模型，把运动作为过程噪声输入，逐帧修正波形幅值、基线漂移，对连续规律运动（跑步、骑行）校正效果突出。
2. 传感机理建模校正
PPG：建立皮肤形变 - 光吸收运动耦合模型，利用红 / 红外双波长光程差抵消接触扰动；
ECG：电极阻抗模型，阻抗突变对应电极滑动，联合修正基线偏移。
六、基于深度学习的智能校正
针对剧烈抖动、非线性强伪影，端侧轻量化网络实现波形重建：
时序卷积 TCN：提取 IMU 与生理信号跨时序特征，输出校正补偿量，参量小、可嵌入式实时运行；
U-Net、LSTM：波形重建网络，输入含噪信号，直接输出完整无伪影波形；
弱监督训练：干净生理信号叠加真实运动噪声构建数据集，解决运动场景无标注难题。
优势：抑制非线性复杂运动伪影，波形保真度远高于传统算法；
局限：需占用一定算力，低端低功耗穿戴设备部署受限。
七、分层级通用校正流水线
预处理校正：时间戳同步、重采样、通道增益归一化、阻抗校正；
一级基础降噪：小波 / 带通滤波消除工频、缓慢基线漂移；
二级运动伪影抑制：IMU 辅助 NLMS 自适应滤波去除线性运动噪声；
三级高精度修复：高强度运动切换 ICA / 卡尔曼 / 轻量化网络修复残留失真；
生理约束校验：心率、脉搏、心电波形生理阈值筛选，避免过校正失真。
八、各类方法优缺点对比
表格
校正方法优势缺陷适用设备场景
基础滤波超低功耗、简单实时频带重叠时失真严重静态、轻微运动单通道手环
IMU 自适应滤波实时低延迟、成本友好无法处理非线性噪声消费级手环、心电贴片
ICA 盲源分离多通道混合噪声深度分离计算量大、单通道不可用多导联医用可穿戴
卡尔曼滤波连续运动平滑校正无规则抖动效果一般户外规律运动监测
轻量化深度学习强非线性伪影修复、波形完整占用算力、依赖数据集高端多参数专业穿戴设备
九、现有研究痛点与发展趋势
痛点
单通道设备校正能力有限；
强运动下易出现过校正，丢失细微生理特征（HRV、ST 段）；
高精度算法与穿戴低功耗需求难以兼顾；
算法泛化性差，不同佩戴位置、人群适配不足。
发展方向
软硬件协同：柔性传感器物理抑噪 + 数字算法联合校正；
自适应混合框架：根据运动强度自动切换算法；
生理先验轻量化 AI，降低模型算力需求；
多模态跨通道统一校正框架（ECG+PPG + 呼吸联合降噪）。
十、校正效果评价指标
量化指标：校正前后信噪比 SNR、波形均方误差 MSE、心率 / 血氧平均绝对误差 MAE；
一致性指标：多通道校正后生理参数偏差；
工程指标：单帧处理延迟、MCU 功耗、内存占用。
扫一扫，关注微信
