【数字化】心率与睡眠监测的信号原理:从 ECG 到床面、雷达和摄像头(2)
床面 BCG 的通用处理链:压电条或载荷传感器先记录呼吸、心搏、体动与床体共振叠加后的机械信号,再经过滤波、体动剔除、模板或峰值检测、质量筛选得到机械 IBI,最后估计 RMSSD。图中的 J 峰是原理性标记,具体产品可能使用其他模板峰。
准确度至少要同时看误差与覆盖率。Brüser 等人在 16 名健康受试者中报告逐拍间期相对误差 1.79%、可用覆盖率 95.94%;Paalasmaa 等人分析 46 人的整夜 BCG,平均间期误差 13 ms,平均检出率为 54%。[13][14] 两项研究的传感器、算法、参照和记录条件不同,前者显示干净片段可以很准,后者提醒整夜缺失会很明显。
Kubios 2026 年白皮书测试了 57 名健康成人,共 114 段三分钟仰卧静息记录。手机 SCG 相对 250 Hz ECG 的平均心率 MAE 为 0.0629 bpm,RMSSD MAE 为 2.0053 ms;39.5% 的记录至少修正过一个 IBI,平均修正比例为 0.68%。[15] 这是厂商参与撰写的白皮书,尚未经过同行评议,测试条件限定在安静仰卧、短时记录和两款手机,结果无法外推到运动、整夜睡眠、心律失常和更多机型。
Eight Sleep 2023 年验证页给出 163 人、474 夜、超过 208,600 分钟睡眠的数据,参照为胸部 ECG。Pod 3 的 RMSSD 平均绝对误差为 5.7 ms,单晚相关系数 r=.953;心率平均绝对误差小于 1 bpm。[17] 心率先按分钟计算,再比较五分钟中位数;RMSSD 从一分钟逐步聚合到五分钟、十五分钟和整夜。这个数字评价的是聚合后的夜间结果,未提供逐拍误差与整夜有效覆盖率。页面正文写 163 人,两张相关图标注 n=133,没有说明样本数差异;研究也由品牌自行发布,缺少独立同行评议。
品牌 2025 年页面另有“心率 99%、HRV 95%、呼吸率 98%”的说法,页面没有列出百分比的计算公式和容许误差阈值。[18] 这组三个百分比无法换算成 MAE,也无法和逐拍覆盖率放在一起比较。相关系数高只说明两套结果大体一起升降,具体差值仍要看 MAE、偏差、95% 一致性界限和 Bland-Altman 图。[26]
睡眠阶段来自 PSG 标签
睡眠分期的标注基准来自多导睡眠监测 PSG。PSG 先记录整晚信号,受训技术人员再按 AASM 规则,以连续 30 秒为一个 epoch,结合 EEG 脑电、EOG 眼电和颏下 EMG 肌电,把每段标成清醒 W、N1、N2、N3 或快速眼动睡眠 R。EEG 提供睡眠纺锤、K 复合波和慢波等核心依据,EOG 提供眼球运动,颏下 EMG 提供肌张力。PSG 里的 ECG、气流、胸腹呼吸努力、血氧和肢体通道主要用于心肺事件与相关判读。[20] 模型训练所用的标签来自这套人工判读流程。
前面的八条路线都没有采集完整的 EEG、EOG 和颏下 EMG。它们掌握的是心搏、脉搏、呼吸、体动和离床等代理信号。深睡时心肺节律和体动常有某些统计特征,REM 的心搏与呼吸可能更不规则,清醒时大动作更多;这些规律存在明显个体差异,也会被年龄、酒精、药物、发热、心律失常、睡眠呼吸障碍和安静清醒改变。
因此,消费设备输出的睡眠阶段属于模型推断。它可以在训练数据中学到代理信号与 PSG 标签的关系,日常使用时再根据床面、手表、相机或雷达信号估计阶段。ECG 加呼吸的独立研究已经证明这条路线有信息量:Sun 等人使用 8,682 份 PSG,五分类 Cohen's kappa 为 .585,合并成 W、REM、NREM 三类后为 .760。[21] 类别合并以后任务变容易,数字也会明显上升。

监督分期示意。PSG 用 EEG、EOG 和颏下 EMG 形成 30 秒的 W/N1/N2/N3/R 标签;ECG 电位、PCG 心音、SCG 胸壁加速度、BCG 床面反冲、PPG/rPPG 脉搏、ICG 阻抗、雷达胸廓位移以及体动和呼吸都可作为代理输入。日常设备只保留自身传感器与训练好的模型,没有重新采集 PSG。
PSG 标签怎样变成模型参数
床面、手表、相机或雷达与 PSG 必须使用同一时钟。PSG 在 02:13:00-02:13:30 标为 N2,设备在同一时间段的原始波形或提取特征就得到 N2 标签。产品若按一分钟输出,还要处理两个 30 秒标签的合并:两个 epoch 都是 N2 很容易,一个 N2 加一个 N3 则需要多数规则、后半段规则、软标签或保留 30 秒预测后再汇总。标签合并方式会改变模型所学的答案。
有明确输入和 PSG 标签的训练属于监督学习。深度学习说明分类器使用多层神经网络,监督学习说明参数由有标签样本驱动,两者描述的是不同层面。模型可以直接读取一段原始波形,也可以读取心率、HRV、呼吸率、体动量和信号质量等人工特征。最终一层通常给各阶段分配一个概率,预测偏离 PSG 标签越多,训练损失越大,反向传播据此调整参数。消费设备常见的四分类会把 N1、N2 合并为 Light,把 N3 记作 Deep;五分类则保留 W、N1、N2、N3、R。
工程实现常见两类。特征工程路线先在每个时间窗计算平均心率、逐拍变化、呼吸率、呼吸不规则度、体动量和有效信号比例,再交给逻辑回归、随机森林、AdaBoost 或梯度提升树。端到端路线把波形或时频图送入卷积网络、时序卷积网络,再用 LSTM 或 Transformer 读取前后窗口。模型名称可以不同,PSG 同步标注、按受试者切分数据和独立测试的要求相同。[21][25] 厂商只公开“AI 睡眠分期”而没有给出模型结构时,公开证据最多支持它使用了哪些传感器、标签和验证方法,具体网络层数与特征仍属未知。
训练集负责拟合参数,验证集负责选择窗口长度、网络规模和停止时机,测试集留到最后报告性能。同一个人的不同夜晚应放在同一组,按受试者切分可以减少模型记住个人基线后造成的数据泄漏。测试还需要覆盖独立设备、独立机构和不同疾病人群,才能判断模型离开开发环境后是否稳定。
单个 30 秒窗口的信息有限。安静清醒与浅睡都可能一动不动,REM 与清醒也可能出现相似的心搏不规则。LSTM、时序卷积和 Transformer 会读取前后多个窗口,利用阶段持续时间和转移概率修正当下判断。过强的时间平滑也可能吞掉短暂觉醒和快速阶段转换。
强化学习依赖动作、环境反馈和奖励回路,标准睡眠分期没有需要模型探索的动作,也没有连续奖励,因此不适合承担这项有标签分类任务。自监督学习可以先从大量无标签波形学习表示,最终映射到 W/N1/N2/N3/R 时仍需要 PSG 标签完成训练或校准。现有雷达、rPPG 和心肺分期研究用过规则、AdaBoost、BiLSTM 和 Transformer;其中依靠同步 PSG 标签修改模型参数的方法,核心属于监督学习。[21][23][24][25]
“准确率 90%”只有在任务和指标都写清楚时才有意义。
总体准确率容易被占比最大的阶段拉高。睡眠远多于夜间清醒时,一个偏爱报“睡眠”的模型也可能拿到很高的二分类准确率;清醒特异度会揭示它漏掉多少清醒。Cohen's kappa 会扣除随机一致的部分,适合补充观察类别不平衡。四分类把 N1/N2 合成浅睡,五分类还要把 N1 与 N2 分开,后者难度更高。心率 MAE、RMSSD MAE、二分类灵敏度和四分类准确率描述的是四道题,数值大小没有排名意义。
几个真实结果能看出这种差别:
61 GHz FMCW 雷达研究用 85 人的呼吸和体动规则区分 W、REM、NREM,三分类总体准确率为 68.91%。它采用非学习式规则,没有训练神经网络;清醒、REM、NREM 的阶段准确率分别为 64.37%、83.51% 和 58.98%。[22]HealthBed 用近红外 rPPG 测 46 名健康成人的 PRV。三分类为 81% / κ=.58,四分类降到68% / κ=.49。相机在近暗环境下只获得约 83% 的有效脉搏覆盖,脉搏检出质量与分期表现相关。[23]SleepVST 使用 50 夜近红外视频,从视频中融合心搏、呼吸和运动波形,四分类达到 78.8% / κ=.708。[24] 这项结果属于混合视频方案,性能无法全部归到 rPPG 一条信号上,也缺少独立外部人群验证。de Goederen 等人在 32 名接受临床 PSG 的儿童中,用 UWB 雷达的呼吸率与体动特征训练 AdaBoost。睡眠/清醒二分类为 89.8% / κ=.67,W/REM/NREM 三分类降到72.9% / κ=.47,W/REM/Light/Deep 四分类只剩58.0% / κ=.43。[25] 同一队列随类别增多而下降,比单独报一个“准确率”更能说明任务难度。
技术选择落在信号直接性和使用负担之间。ECG 提供最清楚的电活动计时;PCG、SCG 和 ICG 补充心脏机械时序;BCG 适合无感整夜记录;接触式 PPG 适合日常穿戴;rPPG 与雷达把接触负担降到最低。传感器离身体越远,环境、姿势和信号缺失带来的不确定性通常越多。
平均心率、逐拍间期、HRV 和 PSG 定义的睡眠阶段,是四个不同任务。它们需要的时间精度、训练标签和评价指标不同。传感器测到的物理量、整晚有效覆盖率和测试任务缺少任何一项,单独一个“准确率”都没有可比性。
参考资料[1] Task Force of the European Society of Cardiology and the North American Society of Pacing and Electrophysiology. Heart Rate Variability: Standards of Measurement, Physiological Interpretation and Clinical Use. Circulation. 1996;93(5):1043-1065. DOI: 10.1161/01.CIR.93.5.1043.
[2] Emmanuel BS. A Review of Signal Processing Techniques for Heart Sound Analysis in Clinical Diagnosis. Journal of Medical Engineering & Technology. 2012;36(6):303-307. DOI: 10.3109/03091902.2012.684831.
[3] Sørensen K, Schmidt SE, Jensen AS, Søgaard P, Struijk JJ. Definition of Fiducial Points in the Normal Seismocardiogram. Scientific Reports. 2018;8:15455. DOI: 10.1038/s41598-018-33675-6.
[4] Sadek I, Biswas J, Abdulrazak B. Ballistocardiogram Signal Processing: A Review. Health Information Science and Systems. 2019;7(1):10. DOI: 10.1007/s13755-019-0071-7.
[5] Allen J. Photoplethysmography and Its Application in Clinical Physiological Measurement. Physiological Measurement. 2007;28(3):R1-R39. DOI: 10.1088/0967-3334/28/3/R01.
[6] Schäfer A, Vagedes J. How Accurate Is Pulse Rate Variability as an Estimate of Heart Rate Variability? A Review on Studies Comparing Photoplethysmographic Technology with an Electrocardiogram. International Journal of Cardiology. 2013;166(1):15-29. DOI: 10.1016/j.ijcard.2012.03.119.
[7] Kubicek WG, Patterson RP, Witsoe DA. Impedance Cardiography as a Noninvasive Method of Monitoring Cardiac Function and Other Parameters of the Cardiovascular System. Annals of the New York Academy of Sciences. 1970;170(2):724-732. DOI: 10.1111/j.1749-6632.1970.tb17735.x.
[8] Lababidi Z, Ehmke DA, Durnin RE, Leaverton PE, Lauer RM. The First Derivative Thoracic Impedance Cardiogram. Circulation. 1970;41(4):651-658. DOI: 10.1161/01.CIR.41.4.651.
[9] Verkruysse W, Svaasand LO, Nelson JS. Remote Plethysmographic Imaging Using Ambient Light. Optics Express. 2008;16(26):21434-21445. DOI: 10.1364/OE.16.021434.
[10] Turppa E, Kortelainen JM, Antropov O, Kiuru T. Vital Sign Monitoring Using FMCW Radar in Various Sleeping Scenarios. Sensors. 2020;20(22):6505. DOI: 10.3390/s20226505.
[11] Mukkamala R, Hahn JO, Inan OT, et al. Towards Ubiquitous Blood Pressure Monitoring via Pulse Transit Time: Theory and Practice. IEEE Transactions on Biomedical Engineering. 2015;62(8):1879-1901. DOI: 10.1109/TBME.2015.2441951.
[12] Suliman A, Mowla MR, Alivar A, et al. Effects of Ballistocardiogram Peak Detection Jitters on the Quality of Heart Rate Variability Features: A Simulation-Based Case Study in the Context of Sleep Staging. Sensors. 2023;23(5):2693. DOI: 10.3390/s23052693.
[13] Brüser C, Stadlthanner K, de Waele S, Leonhardt S. Adaptive Beat-to-Beat Heart Rate Estimation in Ballistocardiograms. IEEE Transactions on Information Technology in Biomedicine. 2011;15(5):778-786. DOI: 10.1109/TITB.2011.2128337.
[14] Paalasmaa J, Toivonen H, Partinen M. Adaptive Heartbeat Modeling for Beat-to-Beat Heart Rate Measurement in Ballistocardiograms. IEEE Journal of Biomedical and Health Informatics. 2015;19(6):1945-1952. DOI: 10.1109/JBHI.2014.2314144.
[15] Lipponen JA, Rana S, Tarvainen MP. Validation of Smartphone-Based Seismocardiography for Heart Rate Variability Analysis in the Kubios Application. Kubios White Paper. March 2026. https://www.kubios.com/downloads/Validation-of-smartphone-based-SCG-for-HRV-Analysis_white-paper.pdf
[16] Kubios. Kubios HRV App. https://www.kubios.com/hrv-app/
[17] Eight Sleep. The Eight Sleep Pod Heart Rate and Heart Rate Variability Accuracy. 2023. https://www.eightsleep.com/blog/hrv-accuracy/
[18] Eight Sleep. How the Pod Detects Your Breathing and Heartbeats, Without a Wearable. 2025. https://www.eightsleep.com/blog/how-the-pod-detects-your-breathing-and-heartbeats-without-a-wearable/
[19] Eight Sleep, Inc. Systems and Methods for Detecting a Biological Signal of a User of an Article of Furniture. US Patent US11666284B2. https://patents.google.com/patent/US11666284B2/en
[20] American Academy of Sleep Medicine. AASM Manual for the Scoring of Sleep and Associated Events. https://aasm.org/clinical-resources/scoring-manual/
[21] Sun H, Ganglberger W, Panneerselvam E, et al. Sleep Staging from Electrocardiography and Respiration with Deep Learning. Sleep. 2020;43(7):zsz306. DOI: 10.1093/sleep/zsz306.
[22] Yoo YK, Jung CW, Shin HC. Unsupervised Detection of Multiple Sleep Stages Using a Single FMCW Radar. Applied Sciences. 2023;13(7):4468. DOI: 10.3390/app13074468.
[23] van Meulen F, Grassi A, van den Heuvel L, et al. Contactless Camera-Based Sleep Staging: The HealthBed Study. Bioengineering. 2023;10(1):109. DOI: 10.3390/bioengineering10010109.
[24] Carter JF, Jorge J, Gibson O, Tarassenko L. SleepVST: Sleep Staging from Near-Infrared Video Signals Using Pre-Trained Transformers. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2024:12479-12489. https://openaccess.thecvf.com/content/CVPR2024/html/Carter_SleepVST_Sleep_Staging_from_Near-Infrared_Video_Signals_using_Pre-Trained_Transformers_CVPR_2024_paper.html
[25] de Goederen R, Pu S, Silos Viu M, et al. Radar-Based Sleep Stage Classification in Children Undergoing Polysomnography: A Pilot Study. Sleep Medicine. 2021;82:1-8. DOI: 10.1016/j.sleep.2021.03.022.
[26] Bland JM, Altman DG. Statistical Methods for Assessing Agreement Between Two Methods of Clinical Measurement. The Lancet. 1986;1(8476):307-310. DOI: 10.1016/S0140-6736(86)90837-8.
[27] Yousefian P, Shin S, Mousavi A, et al. The Potential of Wearable Limb Ballistocardiogram in Blood Pressure Monitoring via Pulse Transit Time. Scientific Reports. 2019;9:10666. DOI: 10.1038/s41598-019-46936-9.
感谢微信公众号作者:橘铁