💥💥💞💞欢迎来到本博客❤️❤️💥💥
🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。
🎁完整资源、论文复现、期刊合作、论文辅导及科研仿真定制事宜点击：
👉👉👉本文完整资源下载
⛳️座右铭：行百里者，半于九十。
⛳️赠与读者
👨💻做科研，涉及到一个深在的思想系统，需要科研者逻辑缜密，踏实认真，但是不能只是努力，很多时候借力比努力更重要，然后还要有仰望星空的创新点和启发点。建议读者按目录次序逐一浏览，免得骤然跌入幽暗的迷宫找不到来时的路，它不足为你揭示全部问题的答案，但若能解答你胸中升起的一朵朵疑云，也未尝不会酿成晚霞斑斓的别一番景致，万一它给你带来了一场精神世界的苦雨，那就借机洗刷一下原来存放在那儿的“躺平”上的尘埃吧。
或许，雨过云收，神驰的天地更清朗.......🔎🔎🔎
💥第一部分——内容介绍
ECG与PPG信号中PTT、HRV及PRV的信号检测研究综述
摘要
心电图（ECG）和光电容积描记法（PPG）是心血管生理信号检测中最常用的两种非侵入性技术。基于这两种信号，研究人员可以提取多项反映心血管系统功能状态的关键参数，其中脉搏波传导时间（PTT）、心率变异性（HRV）和脉搏率变异性（PRV）是最具代表性和应用价值的三类指标。本文系统综述了ECG和PPG信号中PTT、HRV和PRV的信号检测原理、分析方法及临床应用。首先阐述了三种参数的生理学定义与测量方法，继而讨论了HRV与PRV之间的本质区别与替代性问题，最后探讨了多模态信号融合在心血管健康监测中的应用前景与挑战。研究表明，ECG与PPG的联合分析能够提供互补的心血管功能信息，但PRV不能简单地等同于HRV，二者在生理机制和信息内涵上存在根本差异。
关键词：心电图；光电容积描记法；脉搏波传导时间；心率变异性；脉搏率变异性；信号检测
一、引言
心血管疾病是全球范围内导致死亡和致残的首要原因。早期检测和持续监测心血管功能状态对于疾病预防、诊断和治疗管理具有至关重要的临床意义。在众多心血管监测技术中，心电图（Electrocardiogram, ECG）和光电容积描记法（Photoplethysmography, PPG）因其无创、便捷、成本较低等优势，已成为应用最为广泛的两种生理信号检测手段。
ECG通过体表电极记录心脏电活动，能够精确捕捉每一次心搏的电生理事件，尤其是R波的出现时刻。PPG则利用光学原理检测外周血管中血流容积的周期性变化，反映心脏搏动引起的血液灌注波动。这两种信号从不同维度——电生理与血液动力学——提供了心血管系统的信息，二者相互补充，为全面评估心血管功能奠定了基础。
从ECG和PPG信号中，可以提取多种反映心血管系统状态的特征参数。其中，脉搏波传导时间（Pulse Transit Time, PTT）反映了动脉脉搏波在血管中传播的时间，与血压和动脉僵硬度密切相关；心率变异性（Heart Rate Variability, HRV）衡量逐次心搏间期的时间变异，是评估自主神经系统功能的经典无创指标；脉搏率变异性（Pulse Rate Variability, PRV）则由PPG信号中的脉搏间期计算而来，近年来被广泛研究作为HRV的潜在替代指标。
本文旨在系统梳理ECG和PPG信号中PTT、HRV和PRV的信号检测原理、分析方法与临床应用，重点关注三者之间的内在联系与本质区别，以期为相关领域的研究者提供参考。
二、脉搏波传导时间（PTT）
2.1 PTT的定义与生理基础
脉搏波传导时间是指动脉脉搏压力波在两个动脉位点之间传播所需的时间间隔。在临床研究中，PTT通常通过同步采集ECG和PPG信号来计算——从ECG信号中R波出现的时刻（代表心室电兴奋的开始）到PPG信号中脉搏波到达外周部位（如手指尖）的时刻之间的时间差。这个时间间隔通常在数百毫秒的量级。
PTT的生理学基础在于动脉血管壁的弹性特性。当心脏收缩将血液射入主动脉时，产生的压力波沿动脉树向外周传播。这一传播速度（即脉搏波速度，Pulse Wave Velocity, PWV）与血管壁的僵硬度密切相关——血管越僵硬，脉搏波传播越快，PTT越短。而血管僵硬度又受到血压的直接影响：血压升高时血管壁张力增加，有效弹性模量增大，导致PWV加快、PTT缩短。因此，PTT与血压之间存在明确的负相关关系，这构成了基于PTT进行无创连续血压估计的理论基础。
2.2 PTT的测量方法
PTT的准确测量依赖于ECG和PPG信号的精确同步与特征点检测。典型的测量流程包括：首先通过体表电极采集ECG信号并检测R波峰值；同时通过光电传感器采集PPG信号并识别脉搏波的特征点（如波峰、波谷或最大斜率点）；然后计算同一心搏周期中ECG的R波峰值与PPG相应特征点之间的时间差。
在实际应用中，PPG信号特征点的选择会影响PTT的测量结果。常用的特征点包括脉搏波的波峰点、波谷点（起始点）以及最大斜率点等。不同的特征点选择对应不同的PTT定义，反映了脉搏波传播过程中不同相位的信息。
近年来，随着可穿戴设备的发展，PTT的测量已不再局限于传统的ECG-PPG双模方案。研究人员开始探索使用双通道PPG传感器（如放置在手腕动脉和手指动脉）来获取局部PTT，甚至使用更易获取的生理信号（如阻抗容积描记法IPG或心冲击图BCG）替代ECG信号。这些创新为PTT的日常连续监测提供了更多可能性。
2.3 PTT的临床应用
PTT最主要的临床应用方向是无创连续血压监测。传统的袖带式血压计只能提供间歇性测量，而基于PTT的方法有望实现每搏连续血压估计，对于高血压管理、危重症监护等领域具有重要价值。大量研究已证实PTT与血压之间存在显著的相关性，但需要指出的是，这种相关性存在显著的个体差异，因此基于PTT的血压估计通常需要针对个体进行校准。
除了血压估计，PTT还可用于评估动脉僵硬度，进而反映血管老化程度。研究表明，PTT与年龄和体重指数呈中度负相关，提示其作为血管老化非侵入性指标的潜在价值。
三、心率变异性（HRV）
3.1 HRV的定义与生理意义
心率变异性是指逐次心搏间期的时间变异现象。它通过分析窦性心律下相邻心搏间期（即Normal-to-Normal间期，简称NN间期）的波动来量化。HRV并非心率的简单波动，而是自主神经系统对心脏窦房结调控作用的综合体现，反映了交感和副交感神经系统的动态平衡状态。
HRV的生理意义在于它提供了自主神经系统功能的窗口。副交感神经（迷走神经）活动主要影响高频成分的HRV，而交感神经活动则主要影响低频成分。通过分析HRV的不同频域成分，可以评估自主神经系统的功能状态，从而为多种心血管疾病和非心血管疾病的诊断与预后评估提供重要信息。
3.2 HRV的分析方法
HRV的分析方法经历了从时域、频域到非线性分析的演进过程。1996年，欧洲心脏病学会和北美起搏与电生理学会组成的特别工作组发布了HRV分析的标准化指南，为后续研究奠定了方法论基础。
时域分析是最基本的HRV分析方法，通过对NN间期序列进行统计计算来量化变异性。常用的时域指标包括：SDNN（所有NN间期的标准差），反映自主神经系统的总体变异性；RMSSD（相邻NN间期差值的均方根），主要反映副交感神经活动；以及pNN50（相邻NN间期差值超过50毫秒的百分比）等。这些指标计算简单、解释直观，在临床和科研中应用广泛。
频域分析则将NN间期序列转换到频域，分析其功率谱密度分布。常用的频域参数包括：高频功率（HF, 0.15-0.40 Hz），与呼吸节律同步，主要反映副交感神经活动；低频功率（LF, 0.04-0.15 Hz），反映交感和副交感神经的共同影响；以及LF/HF比值，被认为反映交感-副交感平衡状态。频域分析能够更精细地区分自主神经系统的不同成分，但对信号质量和记录时长有较高要求。
非线性分析是近年来HRV研究的重要发展方向。传统的线性分析方法假设HRV信号是平稳的，但实际上HRV具有明显的非线性特征。非线性分析方法包括分形维数、熵值分析和复杂度分析等。这些方法能够挖掘HRV信号中线性方法无法捕捉的深层信息，与线性分析相结合可以从更深层次揭示自主神经调控的复杂特征。
3.3 HRV的临床应用
HRV已成为评估自主神经功能的经典无创指标，其临床应用范围广泛。在心血管领域，HRV降低与高血压、心肌梗死、心力衰竭等疾病的发生发展和预后密切相关。在精神心理领域，HRV被用于评估压力、焦虑、抑郁等情绪状态。此外，HRV还在睡眠监测、疲劳评估、运动训练优化等领域展现出应用价值。
近年来，随着可穿戴设备的发展和人工智能技术的引入，HRV分析正从传统的实验室环境走向日常生活场景。然而，这也带来了新的挑战，包括运动伪影对信号质量的影响、不同设备间标准化不足等问题。
四、脉搏率变异性（PRV）
4.1 PRV的定义与计算方法
脉搏率变异性是指从PPG信号中提取的逐次脉搏间期的时间变异性。与HRV从ECG信号的R-R间期计算而来不同，PRV从PPG信号的脉搏波间期（Pulse-to-Pulse interval）计算而来。在计算方法上，PRV可以采用与HRV相同的时域、频域和非线性分析框架。
PRV的计算首先需要从PPG信号中准确检测每一次脉搏波的特征点（如波峰或起始点），然后计算相邻脉搏波之间的时间间隔，形成脉搏间期序列，最后对这一序列进行与HRV类似的各种变异性分析。
4.2 PRV作为HRV替代指标的研究
由于PPG传感器比ECG电极更易于集成到可穿戴设备中（如智能手表、指夹式血氧仪等），PRV近年来被广泛研究作为HRV的潜在替代指标。这一研究方向的核心假设是：在生理上，每一次心脏的电兴奋（ECG的R波）最终都会导致一次外周脉搏（PPG的脉搏波），因此脉搏间期的变异性应当能够反映心搏间期的变异性。
在静息状态和健康受试者中，多项研究确实发现了PRV与HRV之间的高度一致性。这种一致性使得PRV在无法便捷获取ECG的场景下（如日常穿戴监测）具有明显的实用优势。
4.3 PRV与HRV的本质区别
然而，越来越多的研究证据表明，PRV不能简单地等同于HRV。二者之间的差异源于多方面的生理因素：
第一，测量位点的差异。HRV测量的是心脏电活动的节律，而PRV测量的是外周脉搏波到达的时间。脉搏波从心脏传播到外周需要时间（即PTT），而PTT本身是动态变化的——它会随血压、血管张力、呼吸等因素而波动。这意味着PRV不仅包含心脏节律的信息，还叠加了脉搏波传播过程中的各种变异性来源。
第二，在不同生理状态下的表现差异。研究表明，在冷暴露、节律呼吸、睡眠呼吸暂停和非平稳状态等条件下，PRV与HRV的一致性显著降低。在运动状态下，由于运动伪影和生理状态变化的共同影响，二者的差异更为明显。
第三，量化指标的差异。大规模临床研究发现，PPG衍生的PRV显著低估了HRV的SDNN、RMSSD和pNN50等指标。一项涉及931名受试者的研究发现，PRV仅能检出ECG-HRV所识别出的部分具有临床意义的自主神经系统变化。另一项研究表明，在13种不同任务条件下，PRV与HRV在11种条件下存在显著差异。
第四，时间滞后的差异。研究还发现，PRV在检测自主神经系统变化时存在1.8至5.5天的时间滞后。这意味着PRV不仅数值上与HRV不同，在反映生理状态变化的时间动态上也存在延迟。
基于以上证据，学术界逐渐形成共识：PRV应当被视为一种独立的生物标志物，而非HRV的简单替代品。虽然HRV是PRV的主要决定因素，但PRV还受到PTT变异、血压变化等多种因素的影响，这些因素本身可能包含有用的生物医学信息。
值得注意的是，PRV与HRV的一致程度受多种因素影响。研究发现，PPG信号的基准点选择会影响PRV与HRV的一致性，其中中幅值点的表现最佳。测量部位也有影响，耳垂和手指部位的PPG信号在PRV计算中表现较好。此外，PTT变异性较大的个体，其PRV与HRV的一致性较差。
五、ECG与PPG多模态融合分析
5.1 多模态融合的必要性
单一的ECG或PPG信号各有其优势和局限。ECG能够精确捕捉心脏电活动，是心律失常检测和HRV分析的金标准，但需要电极与皮肤的良好接触，长期佩戴的舒适性较差。PPG便于集成到可穿戴设备中，适合长期连续监测，但容易受到运动伪影、环境光和灌注状态变化的影响，且对心脏活动的测量是间接的。
ECG与PPG的联合使用（即多模态融合）能够发挥二者的互补优势。ECG提供精确的心电定时信息，PPG提供外周血液动力学信息，二者的结合不仅能够计算PTT等联合特征，还能在信号质量不佳时相互校验和补充。此外，同时获取HRV（来自ECG）和PRV（来自PPG）并进行对比分析，还能提供有关自主神经功能和血管状态的多维度信息。
5.2 多模态融合的方法
根据融合的层次不同，ECG-PPG多模态融合可以分为三个层面：
信号级融合是指将原始的ECG和PPG信号直接输入深度学习模型进行端到端学习。这种方法能够充分利用原始信号中的所有信息，但计算复杂度高，对数据量和模型设计要求较高。
特征级融合是目前最常见的融合方式，即分别从ECG和PPG信号中提取特征向量，然后将这些特征组合成一个统一的特征向量输入模型。HRV（来自ECG）、PRV和脉搏波形态特征（来自PPG）以及PTT（联合特征）是特征级融合中最常用的特征类型。
决策级融合是指分别用ECG和PPG信号独立进行分析和决策，然后在决策层面进行整合（如投票或规则聚合）。这种方法在可穿戴设备的能效优化方面具有优势，但信息整合程度较低。
5.3 多模态融合的应用
ECG-PPG多模态融合在多个心血管监测领域展现出广阔的应用前景。在无创连续血压估计方面，将PTT与PPG波形特征、HRV特征等相结合，可以显著提高血压估计的精度和鲁棒性。在压力监测方面，同时分析HRV和PRV可以提供比单一指标更全面的自主神经状态评估。在心律失常检测方面，ECG与PPG的联合分析有助于提高检测的敏感性和特异性。
此外，多模态融合还可扩展到更多生理信号，如心音图（PCG）。例如，通过ECG-PCG融合可以评估射血前间期（PEP）以反映心肌电机械活动，通过PCG-PPG融合可以计算PTT以评估动脉僵硬度。
六、挑战与展望
尽管PTT、HRV和PRV的信号检测研究已取得显著进展，但仍面临诸多挑战。
信号质量问题是制约这些参数临床应用的主要障碍之一。PPG信号尤其容易受到运动伪影、环境光干扰和低灌注状态的影响。在自由生活条件下的可穿戴监测中，信号质量的不稳定性会导致参数计算误差显著增大。开发更有效的信号质量评估和伪影抑制算法仍是未来研究的重要方向。
标准化问题同样亟待解决。目前不同设备、不同算法得到的HRV和PRV指标之间缺乏可比性。1996年的HRV分析标准亟需更新以纳入可穿戴技术和人工智能带来的新挑战。建立统一的数据采集、处理和报告标准，对于推动这些参数从研究工具向临床应用转化至关重要。
个体差异与校准问题在PTT-based血压估计中尤为突出。由于不同个体之间血管弹性、解剖结构等存在显著差异，基于PTT的血压模型需要针对个体进行校准。如何实现无需复杂校准流程的普适性模型，仍是一个开放性问题。
展望未来，多模态传感器融合、人工智能驱动的特征提取与建模、以及个性化基线（“N-of-1”）分析框架将是推动这一领域发展的关键方向。随着可穿戴技术的不断进步和计算方法的持续创新，基于ECG和PPG信号的心血管功能评估有望从实验室走向日常生活，为精准医疗和主动健康管理提供有力支撑。
七、结语
ECG和PPG信号是心血管生理监测中最基础也最重要的两种信号源。从这两种信号中可以提取PTT、HRV和PRV三类关键参数，分别从血管传导特性、心脏自主神经调控和外周脉搏波动等不同维度反映心血管系统的功能状态。PTT为无创连续血压监测提供了物理基础；HRV作为自主神经功能评估的金标准具有不可替代的临床价值；PRV则凭借PPG传感器的便捷性在可穿戴监测中展现出独特优势，但必须明确其与HRV的本质区别——PRV是独立的生物标志物，而非HRV的简单替代品。ECG与PPG的多模态融合分析能够充分发挥二者的互补优势，为全面、准确的心血管健康评估提供更强大的技术手段。
📚第二部分——运行结果
主函数部分代码：
clc; clear all; close all; x=load('day2_0917.txt'); %% ECG signal y=x(1:95000,1); % ECG signal figure,plot(y); title('ECG signal'); xlabel('time'); ylabel('amplitude'); hold on %% PPG signal z=x(200:95000,2); % PPG signal plot(z,'r'); title('PPG signal'); xlabel('time'); ylabel('amplitude'); %% peak detection of ECG j=1; n=length(y); for i=2:n-1 if y(i)> y(i-1) && y(i)>= y(i+1) && y(i)> 0.45*max(y) val(j)= y(i); pos(j)=i; j=j+1; end end ecg_peaks=j-1; ecg_pos=pos./1000; plot(pos,val,'*r'); title('ECG peak'); %% peak detection of PPG m=1; n=length(z); for i=2:n-1 if z(i)> z(i-1) && z(i)>= z(i+1) && z(i)> 0.45*max(z) val(m)= z(i); pos1(m)=i; m=m+1; end end ppg_peaks=m-1; ppg_pos=pos1./1000; ppg_val=val; plot(pos1,val,'*g'); title('ECG & PPG signal'); legend('ECG signal','PPG signal'); %% HRV j=1; for i=1:ecg_peaks-1 e(j)= ecg_pos(i+1)-ecg_pos(i);% gives RR interval j=j+1; end hr=60./mean(e); % 60/ mean of RR interval hrv= (60./e); % 60/ each RR interval figure,stairs(hrv); title('HRV'); xlabel('samples'); ylabel('hrv');🎉第三部分——参考文献
文章中一些内容引自网络，会注明出处或引用为参考文献，难免有未尽之处，如有不妥，请随时联系删除。(文章内容仅供参考，具体效果以运行结果为准)
[1]张翠翠,曹波,张镭,等.基于OpenFDA数据库的玛巴洛沙韦不良事件信号挖掘与网络分析[J/OL].中国医院药学杂志:1-8[2024-06-06].http://kns.cnki.net/kcms/detail/42.1204.R.20240605.0945.004.html.
[2]张晨思,王茂宁,钟羽中,等.高干扰环境下基于分布式光纤声波传感的微弱语音信号检测[J/OL].工程科学与技术:1-12[2024-06-06].http://kns.cnki.net/kcms/detail/51.1773.TB.20240531.1828.010.html.
🌈第四部分——本文完整资源下载
资料获取，更多粉丝福利，MATLAB|Simulink|Python|数据|文档等完整资源获取
本文完整资源下载
