【翻译】两阶段运动伪影（MA）去除算法

两阶段运动伪影（MA）去除算法

PPGPass: Nonintrusive and Secure Mobile Two-Factor Authentication via Wearables

如图5所示为运动伪影对腕表采集PPG信号的干扰情况。在T1之前，用户是静止的，信号是相对周期性的。然后，要求用户从T1到T2写大约10秒的句子。我们观察到信号在随机模式中发生了巨大的变化。

以往的运动伪影去除方法只能应用于突然的、短暂的和轻微的运动伪影。而PPGPass的目标是利用现有的方法(如写入签名或输入密码)提供非侵入式的双因素用户身份验证。在这种场景下，PPG信号混合了连续且强烈的运动伪影，无法直接提取特征用于用户认证

为了解决这一问题，我们在半盲源分离(S-BSS)和自适应滤波方法的启发下，设计了一种两阶段运动伪影去除算法，将纯净的心跳信号从原始PPG信号中分离出来。在第一阶段，我们使用改进的S-BSS算法[21]估计心跳信号和运动伪影。在第二阶段，将第一阶段估计的信号作为参考信号，然后进行自适应滤波，得到纯净的心跳信号。

第一阶段:S-BSS的基本任务是估计观测值中线性组合的源信号部分。该过程被表述为在时间$t$上提取一个或多个信号，表示为$n$维向量$S(t)=[S_1(t)...S_n(t){]}^T$，由一个观察到的$m$维信号的混合向量$X(t)=[X_1(t)...X_m(t)]$通过估计一个未知矩阵$W:S(t)=W^{T}X(t)$。

一般情况下，S- BSS假设$S(t)$与$X(t)$的维数相同$n=m$。经过数据滤波后，PPG信号是由心跳信号和运动伪影组成的二维$S(t)=[S_{heart}(t),S_{ma}(t){]}^T$。为了获得相同的维向量$X(t)$，我们同时采集PPG传感器的绿光和红外光数据:$X(t)=[X_{green}(t),X_{infranred}(t){]}^T$。

心跳信号是准周期的，运动伪影信号是非周期的。因此，给定一个心跳周期$\tau$，在$S(t)$中满足以下条件:
E { S h e a r t ( k ) S h e a r t ( k + τ ) } > 0 E { S m a ( k ) S m a ( k + τ ) } = 0 ( 1 ) E\{S_{heart}(k)S_{heart}(k+\tau)\}>0\\ E\{S_{ma}(k)S_{ma}(k+\tau)\}=0 \\(1) E{Sheart​(k)Sheart​(k+τ)}>0E{Sma​(k)Sma​(k+τ)}=0(1)
其中$k$是$t$中的时间，而 E { ∗ } E\{*\} E{∗}是一个期望算子。

在$||W||=1$的条件下，SBSS算法求解$W$的目标函数为:
m a x i n i z e J ( W ) = E { S ( k ) S ( k + τ ) } = W E { X ( k ) X ( k + τ ) T } W T ( 2 ) maxinize\quad J(W)=E\{S(k)S(k+\tau)\}\\ =WE\{X(k)X(k+\tau)^{T}\}W^{T}\\ (2) maxinizeJ(W)=E{S(k)S(k+τ)}=WE{X(k)X(k+τ)T}WT(2)
根据等式(1)，对于期望的源信号$S_{heart}(t)$， $J(W)$会达到一个较高的值，而其他信号$S_{ma}(t)$会使$J(W)$达到一个较低的值。所以我们可以通过最大化$J(W)$来估计$S_{heart}(t)$。根据等式(2)，目标函数可以写成
$$\begin{gathered} J(W)=\frac{1}{2}J(W)+\frac{1}{2}J(W{)}^T \\ =\frac{1}{2}W(H_X(\tau )+H_X(\tau {)}^T)W^T \\ (3) \end{gathered}$$
其中 H X ( τ ) = E { X ( k ) X ( k + τ ) T } H_{X}(\tau)=E\{X(k)X(k+\tau)^{T}\} HX​(τ)=E{X(k)X(k+τ)T}最大化等式(2)等价于找到对应于$H_X(\tau )+H_X(\tau {)}^T$的最大特征值(表示为$EIG(\ast )$)的特征向量
$$W=EIG(H_X(\tau )+H_X(\tau {)}^T)$$
在实际应用中，由于信号样本有限，$X(k)$的（1）式非零。因此，我们将求解$W$替换为:
$$W=EIG(\sum _{i=1}^P(H_X(i\tau )+H_X(i\tau {)}^T))$$
其中$P$为正整数。$P$的增大将使收敛解$W$更接近理想结果，保证下一阶段的提取成功。

第二阶段:假设心跳信号和运动伪影在第一阶段PPG信号中呈线性混合。事实上，它们并不是理想的线性混合。为了进一步去除运动伪影，我们应用自适应滤波器继续清除PPG信号中的运动伪影。

我们将第一级的输出数据$S_{ma}(t)$作为参考信号，这是实现自适应滤波有效性能的关键。然后，采用自适应步长最小均方(AS-LMS)[22]自适应滤波去除运动伪影s。评估部分研究了两阶段运动伪影去除算法的有效性，为PPGPass在腕式可穿戴设备中利用PPG传感器对用户进行身份验证奠定了基础。

信号周期估计:我们通过自相关函数估计PPG信号的周期$\tau$，它提供了潜在的周期。由于第一阶段的运动伪影去除算法不需要严格的最优$\tau$，我们采用两个最短周期${\tau }_1$和${\tau }_2$作为候选周期集: { i τ 1 , i τ 2 , i = 1 , 2 , 3 , 4 } \{i\tau_{1},i\tau_{2},i=1,2,3,4\} {iτ1​,iτ2​,i=1,2,3,4}。由于偏度和峰度较低的信号被认为具有较小的噪声[22]，我们通过比较偏度和峰度来选择最佳的输出数据作为干净的心跳信号。

评估

为了评估两阶段运动伪影去除算法的性能，我们使用峰间间隔(peak-to-peak interval, PPI)来衡量识别每个心跳周期边界的准确性。我们将该算法估计的PPI与心电信号得到的PPI进行了比较。如图8所示，散点图坐标分别为心电和PPG信号得到的PPI。对角线上的点有相同的PPI，到对角线的距离与误差成正比。我们观察到去除运动伪影后，所有的点都聚集在对角线上。因此，两阶段运动伪影去除算法可以有效地恢复心跳信号，为PPGPass提供了依据。

所有的点都聚集在对角线上。因此，两阶段运动伪影去除算法可以有效地恢复心跳信号，为PPGPass提供了依据。