【信号检测】PTT、HRV 和 PRV 的 ECG 和 PPG 信号附Matlab代码

✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。

🍎 往期回顾关注个人主页：Matlab科研工作室

🍊个人信条：格物致知,完整Matlab代码及仿真咨询内容私信。

🔥 内容介绍

在生理信号检测领域，心电图（ECG）和光电容积描记法（PPG）是两种常用的无创监测技术，广泛应用于心血管功能评估。基于这两种信号，可提取脉搏传导时间（PTT）、心率变异性（HRV）和脉搏率变异性（PRV）等关键参数，为人体健康状态监测提供重要依据。

一、ECG 与 PPG 信号基础

（一）ECG 信号

ECG 信号记录了心脏在每个心动周期中产生的生物电活动变化，其波形包含 P 波、QRS 波群和 T 波等特征成分。P 波反映心房的去极化过程，QRS 波群对应心室的去极化，T 波则代表心室的复极化。ECG 信号具有较高的时间分辨率和稳定性，是评估心率、心律以及心脏电生理功能的 “金标准”，常通过贴在胸部、手腕等部位的电极片采集。

（二）PPG 信号

PPG 信号通过检测血液中血红蛋白对特定波长光线的吸收变化来反映血管容积的周期性波动。当光源发出的光线照射到皮肤表面时，部分光线被皮肤组织、肌肉等吸收，部分被血液反射或透射，随着心脏搏动，血管内血液容积变化，导致反射或透射光强发生周期性变化，从而形成 PPG 波形。PPG 信号采集方便，可通过手指、耳垂等部位的传感器获取，其波形通常包含一个陡峭的上升沿（收缩期）和相对平缓的下降沿（舒张期）。

二、PTT 的检测

（一）PTT 的概念

PTT 指的是心脏射血产生的脉搏波从心脏传播到外周血管某一特定点所需的时间。它与血压存在密切关联，一般来说，PTT 缩短提示血压升高，反之则可能血压降低，因此可作为无创血压监测的重要间接指标。

（二）基于 ECG 和 PPG 的 PTT 检测

在 ECG 和 PPG 信号联合检测中，PTT 通常定义为 ECG 信号的 R 波峰值到对应的 PPG 信号脉搏波峰值（或起点）之间的时间差。具体检测步骤如下：

1. 信号预处理：对采集到的 ECG 和 PPG 信号进行滤波（如去除工频干扰、基线漂移）和降噪处理，确保信号质量。

1. 特征点提取：在 ECG 信号中识别 R 波峰值，这是由于 QRS 波群中的 R 波幅度最大，易于检测；在 PPG 信号中确定脉搏波的特征点（如峰值或起点），峰值对应血管容积最大的时刻，起点则是脉搏波开始传播到检测点的时刻。

1. 计算 PTT：将同一心动周期内 ECG 的 R 波峰值时刻与 PPG 的特征点时刻相减，得到该周期的 PTT 值，通过连续计算可获得 PTT 的动态变化。

三、HRV 的检测

（一）HRV 的概念

HRV 是指连续心跳间期的微小时间差异，反映了自主神经系统对心脏节律的调控作用。自主神经系统中的交感神经和副交感神经共同影响心率，HRV 降低通常与心血管疾病、糖尿病等疾病风险增加相关，是评估自主神经功能的重要指标。

（二）基于 ECG 的 HRV 检测

ECG 信号是提取 HRV 的主要来源，检测过程如下：

1. R 波检测与间期计算：准确识别 ECG 信号中的 R 波峰值，计算相邻两个 R 波之间的时间间隔（R-R 间期），形成 R-R 间期序列。

1. 序列预处理：对 R-R 间期序列进行异常值剔除（如由于噪声或心律失常导致的异常间期）和插值处理，得到均匀采样的序列。

1. HRV 参数提取：从预处理后的序列中提取时域参数（如标准差、均值等）、频域参数（如低频功率、高频功率及其比值）和非线性参数（如近似熵、分形维数等），全面评估 HRV 特性。

四、PRV 的检测

（一）PRV 的概念

PRV 与 HRV 类似，指的是连续脉搏波间期的时间变化，可通过 PPG 信号提取。由于 PPG 信号采集便捷，在无法获取 ECG 信号的场景下，PRV 可作为 HRV 的替代指标，用于评估心率的变异性。

（二）基于 PPG 的 PRV 检测

基于 PPG 信号的 PRV 检测流程与 HRV 类似，主要包括：

1. 脉搏波特征点检测：识别 PPG 信号中每个脉搏波的峰值（或起点），确定相邻两个特征点之间的时间间隔（P-P 间期），形成 P-P 间期序列。

1. 序列预处理：去除 P-P 间期序列中的异常值（如运动 artifact 导致的错误间期），并进行插值处理，使其满足后续分析的要求。

1. PRV 参数提取：同 HRV 一样，可提取时域、频域和非线性参数。研究表明，在正常生理状态下，PRV 与 HRV 具有较高的一致性，但在某些病理状态或信号质量不佳时，二者可能存在差异。

五、应用场景

（一）心血管疾病监测

通过 ECG 和 PPG 信号检测 PTT、HRV 和 PRV，可用于高血压、冠心病等心血管疾病的早期筛查和病情监测。例如，HRV 降低是冠心病患者预后不良的重要预测指标，PTT 的动态变化可用于高血压患者的血压趋势评估。

（二）睡眠监测

在睡眠过程中，HRV 和 PRV 的变化与睡眠分期密切相关。结合 ECG 和 PPG 信号检测这些参数，可辅助判断睡眠质量，识别睡眠呼吸暂停等睡眠障碍。

（三）运动生理评估

运动时，人体心血管系统会发生适应性变化，PTT、HRV 和 PRV 可反映运动强度对心脏功能的影响。通过实时监测这些参数，可指导运动训练，避免运动过度导致的心血管损伤。

六、检测中的挑战与应对

（一）信号质量干扰

ECG 信号易受肌电干扰、电极接触不良影响，PPG 信号则容易受到运动 artifact、环境光干扰。应对方法包括采用先进的滤波算法（如自适应滤波、小波变换）、优化传感器设计（如使用抗运动干扰的 PPG 传感器）以及在信号采集过程中减少被监测者的活动。

（二）特征点检测准确性

ECG 的 R 波和 PPG 的脉搏波特征点检测准确性直接影响 PTT、HRV 和 PRV 的计算结果。可采用基于模板匹配、阈值自适应调整等改进的特征点检测算法，提高在噪声环境下的检测精度。

⛳️ 运行结果

🔗 参考文献

[1] 郭丽华.基于PPG信号的无袖带连续性血压测量方法研究[D].浙江大学,2011.DOI:CNKI:CDMD:2.1011.069236.

[2] 洋洋,陈小惠.基于心电脉搏信号的无创血压算法研究[J].微型机与应用, 2016, 35(5):5.DOI:10.3969/j.issn.1674-7720.2016.05.029.

[3] 刘增丁,陈骥,汤敏芳.基于波形时域特征和动态差分阈值的脉搏波传导时间检测算法[J].生物医学工程学杂志, 2017, 34(3):6.DOI:CNKI:SUN:SWGC.0.2017-03-002.

📣 部分代码

🎈 部分理论引用网络文献，若有侵权联系博主删除

 👇 关注我领取海量matlab电子书和数学建模资料 

🏆团队擅长辅导定制多种科研领域MATLAB仿真，助力科研梦：

🌈 各类智能优化算法改进及应用

生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱调度、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划（2E-VRP）、充电车辆路径规划（EVRP）、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度、港口岸桥调度、停机位分配、机场航班调度、泄漏源定位

🌈 机器学习和深度学习时序、回归、分类、聚类和降维

2.1 bp时序、回归预测和分类

2.2 ENS声神经网络时序、回归预测和分类

2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类

2.4 CNN|TCN|GCN卷积神经网络系列时序、回归预测和分类

2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类

2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类

2.7 ELMAN递归神经网络时序、回归\预测和分类

2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类

2.9 RBF径向基神经网络时序、回归预测和分类

2.10 DBN深度置信网络时序、回归预测和分类

2.11 FNN模糊神经网络时序、回归预测

2.12 RF随机森林时序、回归预测和分类

2.13 BLS宽度学习时序、回归预测和分类

2.14 PNN脉冲神经网络分类

2.15 模糊小波神经网络预测和分类

2.16 时序、回归预测和分类

2.17 时序、回归预测预测和分类

2.18 XGBOOST集成学习时序、回归预测预测和分类

2.19 Transform各类组合时序、回归预测预测和分类

方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、用电量预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

🌈图像处理方面

图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

🌈 路径规划方面

旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、 充电车辆路径规划（EVRP）、 双层车辆路径规划（2E-VRP）、 油电混合车辆路径规划、 船舶航迹规划、 全路径规划规划、 仓储巡逻

🌈 无人机应用方面

无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化、车辆协同无人机路径规划

🌈 通信方面

传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化、水声通信、通信上传下载分配

🌈 信号处理方面

信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化、心电信号、DOA估计、编码译码、变分模态分解、管道泄漏、滤波器、数字信号处理+传输+分析+去噪、数字信号调制、误码率、信号估计、DTMF、信号检测

🌈电力系统方面

微电网优化、无功优化、配电网重构、储能配置、有序充电、MPPT优化、家庭用电

🌈 元胞自动机方面

交通流 人群疏散 病毒扩散 晶体生长 金属腐蚀

🌈 雷达方面

卡尔曼滤波跟踪、航迹关联、航迹融合、SOC估计、阵列优化、NLOS识别

🌈 车间调度

零等待流水车间调度问题NWFSP 、 置换流水车间调度问题PFSP、 混合流水车间调度问题HFSP 、零空闲流水车间调度问题NIFSP、分布式置换流水车间调度问题 DPFSP、阻塞流水车间调度问题BFSP

👇