企业官网建设流程全解析

做可穿戴设备心率算法这么久，我最大的感受是：真正难的不是公式，而是手里没有一套完全可控的数据。真实PPG生物信号里混着运动伪迹、呼吸分量、传感器压力变化带来的基线漂移，算法算错了，你都分不清是模型问题还是数据本身太脏。所以我每次搭心率提取链路，都会先模拟一段PPG信号，用短时傅里叶变换（STFT）做时频分析和滤波，先把心率干净稳定地拉出来。这套流程跑通之后，再拿真实数据去验证，你才有底气判断问题是噪声环境还是算法缺陷。这篇就把信号怎么仿、STFT参数怎么调、掩膜怎么设计、心率怎么算，一条线全摊开讲，适合刚开始接触PPG心率算法，或者正被真实数据折磨的同学参考。

1. 为什么先搭一套仿真PPG再谈心率提取

1.1 真实PPG数据看着简单，用起来全是坑

直接上真实PPG数据做算法，第一反应是“波形挺有规律的”。但你真正处理起来会发现，血压计的袖带晃一下、手表的表带松一格、手腕皮肤出汗，波形就能变一个样。光电容积脉搏波传感器对光的吸收极其敏感，肤色、毛发、汗液、温度都会叠加进去，而这些东西根本不在你的算法模型里。

更麻烦的是没有真值。你拿到一段60秒的真实PPG，想提心率，你知道答案是多少吗？除非当时同步戴着一套心电图参考设备，不然你算出一个72bpm，根本无法确认它是准还是不准。我见过不少同学卡在这里：算法在仿真数据上表现很好，一换真实数据就乱跳，然后开始疯狂调阈值、调滤波器的截止频率，最后一晚上过去，也没搞清楚到底是数据问题还是代码问题。

所以我的习惯是：仿真先行。先用已知心率生成PPG信号，验证STFT滤波链路每一个环节的输出都符合预期，再上真实数据。这样任何一步出了问题，你都有一个没有歧义的基准能对照。

1.2 PPG信号怎么来，为什么能反映心率

PPG全称光电容积脉搏波描记，原理说穿了并不复杂：心脏每次泵血时，血管里的血容量会周期性变化，而组织对光的吸收能力跟血容量直接相关。传感器一侧发光，另一侧接收透射光或反射光，光强就会跟着心跳周期波动，把这束光强信号转成电信号，就是PPG波形。

典型PPG波形有一个快速上升的主波，对应心脏收缩泵血，随后是降中峡和重搏波，对应动脉瓣关闭和血液回流。虽然波形形态上有这些细节，但从频域看，它的本质是一个以心率为基频的周期性信号。正常静息心率60次/分钟，基频就是1Hz左右，波形里的重搏波、谐波成分大多落在基频的整数倍上。所以心率提取的核心任务，说到底是找出这个信号里最强的周期性频率成分，然后乘60换算成bpm。

这也解释了为什么模拟PPG可以用谐波叠加：因为只要你把基频、二次谐波、三次谐波按一定幅度和相位叠加起来，频谱结构和真实PPG已经非常接近了，完全够用来验证STFT滤波的每一个环节。

1.3 三种仿真建模思路，选哪种

我自己试过三种PPG仿真方式，各有各的适用场景。

第一种是谐波叠加法，用正弦函数在心率基频及其倍频上叠加。优点是频率成分完全可控、代码量极少、适合验证频域算法；缺点是时域波形跟真实PPG差距大，主波和重搏波的形态不够精细。

第二种是高斯脉冲序列法，在每个心动周期放一个高斯形状的脉冲，脉冲宽度模拟心脏泵血的时相。这种波形看起来比正弦更像PPG，而且可以通过调节脉冲宽度来控制谐波的衰减速度，适合做时域峰值检测类的验证。

第三种是物理光学仿真，通过建立皮肤、血管、光的相互作用模型生成信号。精度最高但计算量大、参数多，做心率算法开发一般都杀鸡用牛刀。

做STFT滤波验证，我用的是第一种，再额外叠加上呼吸分量、低频基线漂移、高斯白噪声。很多同学仿真时只生成一个干净正弦波，滤波结果自然很漂亮，但真实场景里呼吸的起伏大约在0.2到0.4Hz，基线漂移在0.1Hz以下，还有传感器本身的白噪声，这些背景成分不加上，验证出来的算法到了真实数据上会立刻原形毕露。

2. 短时傅里叶变换对PPG滤波的三个关键优势

2.1 FFT看全局，STFT看局部：非平稳信号的心率提取必须时频分析

单纯用FFT做PPG频谱分析，最大的问题是它只有一个时间段的整体统计。比如采集了60秒信号，这60秒里心率从72bpm缓慢降到了65bpm，FFT算出来只是一个宽带后的峰值，你可能得到67bpm，但完全看不出心率在变化。

心率本质上是非平稳信号。人在说话、呼吸、姿势调整时，心率会连续波动；运动时还会在几秒内从80bpm冲上150bpm。FFT那种“全局平均”的思路，天生不适合跟踪这种变化。而STFT做的事情很简单：把信号切成一段一段，对每一小段加窗后做FFT，然后把这些短时频谱按时间拼成一个二维矩阵。横轴是时间，纵轴是频率，颜色深浅是能量强度，你会看到一条随时间变化的能量亮带，那就是心率基频的轨迹。

类比一下：FFT相当于你把整场电影的所有帧亮度做一个平均，只能知道电影总体是亮还是暗；STFT相当于按帧播放，你能看到每一帧里哪个人在哪、灯是什么颜色。心率提取要的是后者，因为心率本身随时在变。

2.2 窗长、窗型、重叠率：这三个参数决定滤波成败

STFT的参数选择直接决定滤波效果，这是我踩了最多坑的地方。先说频率分辨率，公式是：

Δf = fs / N

fs是采样率，N是每一帧FFT的点数。假设PPG信号采样率100Hz，窗口取1024点，那么频率分辨率就是100/1024≈0.098Hz。心率是频率乘60，所以对应的心率分辨率就是0.098×60≈5.9bpm。也就是说，这个配置下你理论上能分辨72bpm和78bpm的心率。想要更高分辨率，就把N加大，比如2048点，分辨率能到0.049Hz，对应2.9bpm，但窗口时间从10.24秒拉长到20.48秒，时间分辨率变差，心率快速变化时会看不清。

窗型同样关键。矩形窗对信号没有幅度加权，但它旁瓣非常高，频谱泄漏严重，会让一个本来很干净的1.2Hz峰值周围全是杂散能量，时频图上看起来就是一条粗粗的糊带。汉宁窗的旁瓣明显更低，虽然主瓣稍宽一点，但整体频谱干净很多。做PPG滤波我一般默认汉宁窗。

重叠率解决的是帧与帧之间的连贯性。相邻两帧如果完全不重叠，心率轨迹会出现不自然的阶梯感。75%重叠意味着每帧移动N/4个采样点，帧际平滑性会好很多，STFT矩阵的时间分辨率也更密。

2.3 先STFT滤波再做峰值检测：为什么顺序不能反

有人问我，能不能直接用带通滤波器滤完，然后再找峰值？当然可以，但实际调试中，你在时域做滤波时很难直观看到“我滤掉的是什么”。而STFT掩膜滤波相当于构造了一个时变带通滤波器：你在时频图上画一个掩膜，把心率频带以外的所有时频点置零，再做逆变换重建时域信号。这个过程的好处是，你每一步都能看到时频图上的效果。

真实PPG里，二次谐波有时候比基频还亮，运动伪迹会在某个时间段突然涌进宽频段。如果你直接在时域做固定带通滤波，一个频率带从头到尾生效，遇到伪迹时段往往无能为力。而STFT掩膜可以做成时变的，比如某几帧伪迹很重，可以把掩膜在那些时间点压得更窄。它本质上是一种“看你需要保留什么”的透明滤波，比闭着眼睛调IIR滤波器系数直观得多。

3. 从仿真信号到心率数值的完整实操流程

3.1 搭好仿真信号：把噪声加足，别太小

这是完整的仿真信号生成代码，我用的是Python的numpy和scipy。

import numpy as np from scipy import signal import matplotlib.pyplot as plt fs = 100 # 采样率，100Hz duration = 60 # 60秒信号 t = np.arange(duration * fs) / fs # 心率基频，设为1.2Hz，也就是72bpm f_hr = 1.2 # 谐波叠加主体：基波 + 二次谐波 + 三次谐波 ppg = ( 1.0 * np.sin(2 * np.pi * f_hr * t) + 0.4 * np.sin(2 * np.pi * 2 * f_hr * t + 0.5) + 0.2 * np.sin(2 * np.pi * 3 * f_hr * t + 1.2) ) # 呼吸分量，通常0.2~0.4Hz f_resp = 0.25 resp = 0.15 * np.sin(2 * np.pi * f_resp * t) # 基线漂移，模拟传感器低频干扰 baseline = 0.3 * np.sin(2 * np.pi * 0.05 * t) # 高斯白噪声 rng = np.random.default_rng(42) noise = 0.1 * rng.standard_normal(t.size) ppg_noisy = ppg + resp + baseline + noise

为什么噪声幅度选0.1而不是0.01？因为真实PPG传感器信号的信噪比并不高。0.1的噪声幅度会让波形看起来已经开始毛糙，但还不至于淹没心率基频，这是最贴近实际调试场景的强度。基线漂移幅度0.3比心率波形还大，低频段在频谱上会非常醒目，这样刚好检验STFT滤波能不能把它挡住。

3.2 STFT时频分析：先看谱，再动手

对仿真信号做STFT，我用scipy封装好的函数。

f, t_stft, Zxx = signal.stft( ppg_noisy, fs=fs, window='hann', nperseg=1024, noverlap=896 ) power = np.abs(Zxx) # 只画0~5Hz，呼吸和心率能量集中在这个范围 plt.figure(figsize=(12, 4)) plt.pcolormesh(t_stft, f, power, shading='gouraud', cmap='jet') plt.ylim(0, 5) plt.colorbar(label='Magnitude') plt.xlabel('Time [s]') plt.ylabel('Frequency [Hz]') plt.title('STFT of Simulated PPG') plt.show()

我在这段配置下，窗口点数1024，重叠896，帧移是128个采样点，相当于时间分辨率约1.28秒。频率分辨率约0.098Hz，既能看到心率基频的细微变化，又不会丢太多时间细节。

时频图上你应该能清楚看到：0附近有一条很亮的低频横带，那是基线漂移；0.25Hz附近有另一条间或可见的细带，那是呼吸分量；1.2Hz附近是心率基频亮带，而且它在整个60秒里保持稳定，2.4Hz和3.6Hz处有两条暗一些的带，那是二次和三次谐波。整个过程清晰直观。

3.3 掩膜滤波与ISTFT重建：怎么只留心率成分

现在做核心的STFT域滤波。目标是把0.9到1.9Hz以外的所有时频成分压掉，这个频带对应心率54到114bpm。

fmin, fmax = 0.9, 1.9 half_width = 0.1 mask = np.ones_like(Zxx, dtype=float) mask[f < fmin - half_width, :] = 0 mask[f > fmax + half_width, :] = 0 # 边缘斜坡，避免硬截止引起振铃 in_low = (f >= fmin - half_width) & (f < fmin) in_high = (f > fmax) & (f <= fmax + half_width) mask[in_low, :] = (f[in_low, np.newaxis] - (fmin - half_width)) / (2 * half_width) mask[in_high, :] = (1 - (f[in_high, np.newaxis] - fmax) / (2 * half_width)) _, ppg_filtered = signal.istft(Zxx * mask, fs=fs)

掩膜边缘为什么要做斜坡而不是直接置零？如果你在频域用一个矩形窗硬切，相当于给频谱乘了一个矩形函数，对应到时域会产生振铃，重建出来的信号在波形首尾会出现可观的Gibbs现象。用0.1Hz宽的线性过渡带，重建信号会平滑得多。

逆变换之后，ppg_filtered里的波形会变得非常干净：低频漂移没了，呼吸分量没了，高频噪声也没了，剩下的几乎是1.2Hz附近一个标准的正弦信号，叠加了少量二次谐波成分。这条信号的包络能直观反映心率搏动节奏。

3.4 两种心率计算法：频谱峰值法和时域峰间隔法

滤波之后有两种方式把心率算出来，我都推荐试一下，因为它们在真实场景下有不同的用处。

方法一，在STFT谱上找峰值。对每一帧的时间切片，在0.9到1.9Hz频带里找幅度最大的频率点，这个频率就是该帧的瞬时心率频率。

idx_band = (f >= fmin) & (f <= fmax) peak_bin = np.argmax(power[idx_band, :], axis=0) hr_track = f[idx_band][peak_bin] * 60 # 用中值滤波压掉毛刺 hr_median = signal.medfilt(hr_track, kernel_size=7) print(f"Estimated HR: {np.median(hr_median):.1f} bpm")

方法二，对ISTFT重建后的时域信号做峰值检测。

peaks, _ = signal.find_peaks( ppg_filtered, distance=int(fs * 60 / 200), # 200bpm对应最小间隔 height=0.3 ) hr_beat = 60 / np.diff(t[peaks]) print(f"Beat-to-beat HR: {np.median(hr_beat):.1f} bpm")

两种方式各有特点。谱峰值法在心率变化连续时很稳，适合看心率随时间的宏观趋势。时域峰间隔法更精细，能得到每一次心跳的间隔，用来算心率变异性（HRV）最合适。我的习惯是两个都跑，如果结果相差超过1bpm，就去查滤波链路有没有问题。

4. 常见问题与排查技巧实录

4.1 时频图上心率带“糊”成一片

新上手最容易踩的坑，是用矩形窗做STFT。我一开始就是图省事，window默认起了个矩形窗，结果时频图上1.2Hz附近的主峰两侧全是旁瓣泄漏，看起来不是一条细线，而是一条宽宽的亮带。你从谱上找峰值，每帧找出来的频率都差好几Hz，心率跟踪结果一跳一跳的。

解决方法是把窗换成汉宁窗，绝大多数情况下心率带变细立竿见影。如果换完还是糊，检查nperseg是不是太小。比如nperseg=256，频率分辨率是0.39Hz，对应心率精度约23bpm，那你也就能区分45bpm和68bpm左右，根本没法精确提取。把nperseg拉到1024以上，情况立刻好很多。

4.2 二次谐波被当心率

模拟PPG里，二次谐波幅度是基波的一半，如果掩膜频带设到2.4Hz及以上，2.4Hz这条谱线很容易被选成每帧峰值，心率会算成144bpm，正好是真实心率的2倍。

排查的时候先看时频图：如果亮带在1.2Hz和2.4Hz各有一条，而你算出的心率稳定在144bpm，那基本就是谐波误选。解决办法是收窄掩膜频带，让上边截止频率低于二次谐波。比如把fmax设为1.9Hz，二次谐波2.4Hz被全部滤掉。这也是为什么我前面频带取0.9到1.9而不是0到5Hz的原因。

4.3 低频呼吸分量和基线漂移影响

呼吸分量0.25Hz，基线漂移0.05Hz，这些低频成分幅度不小，直接做时域峰值检测时，波形上的鼓包和下沉可能让检测器把噪声峰当成心跳峰，或漏检掉真实的心跳峰。

STFT滤波对解决这个问题非常有效：只要把掩膜的fmin抬到0.9Hz以上，所有低频成分都会消失干净。但要注意一个边界场景：如果测试者的心率极低，比如50bpm对应0.83Hz，而你把下限设成0.9Hz，就会把真实心率也滤掉。这种时候把fmin往下调到0.7Hz，不要机械沿用通用参数。

4.4 参数速查表

下面是我在实际项目中不同场景下常用的STFT配置，直接抄作业也问题不大。

运动场景把通带上限拉到3.0Hz，对应180bpm，是因为运动心率会冲到160甚至180，带外衰减太早会限制测算范围。实时低延迟场景窗口短，分辨率低，心率数值可以再配合抛物线插值提高精度。

4.5 调试顺序与个人心得

最后分享一个我自己调试这套流程的顺序，希望能让你少走弯路。

第一步永远是把原始信号的时频图画出来，肉眼看清楚哪些是心率带、哪些是噪声再谈滤波。第二步先把掩膜频带设宽一点，确认逆变换之后波形还在，再把频带慢慢收窄去找最优边界。第三步跑心率计算之前，先确认时频图亮带和滤波后波形峰值节奏对得上，这一步能过滤掉80%的调试烦恼。

还有一个细节是ISTFT重建信号的首尾几十个采样点通常不可靠，因为加窗重建在边界处数据不足。做峰值检测时，我习惯把前0.5秒和后0.5秒的数据直接裁掉，避免边缘效应对心率统计造成干扰。

还有一点想多说一句：仿真信号虽然是正弦叠加出来的，和真实PPG形态不完全一致，但它是验证STFT链路是否正确的有效基准。只要仿真这一步不动摇，换到真实数据上遇到问题时，你至少能确定问题出在“传感器数据比仿真信号复杂得多”这一层，而不是算法框架本身。