自定义收集的数据集

该数据集是为研究PPG信号在静态条件下因接触压力变化而发生的形态变化而专门定制的。数据集包含22名参与者在不同手腕姿势下收集到的手腕和手指的PPG信号，其中手腕信号因接触压力变化而形态各异，手指信号则保持理想状态。研究目的是通过深度学习框架恢复因接触压力不良而失真的PPG信号的理想形态，提高生理参数监测的准确性。

This dataset was purpose-built to investigate the morphological alterations of photoplethysmography (PPG) signals triggered by fluctuations in contact pressure under static conditions. It encompasses PPG signals acquired from the wrists and fingers of 22 participants across different wrist postures. The wrist PPG signals exhibit diverse morphologies due to variations in contact pressure, while the finger PPG signals remain in an ideal undistorted state. The core research objective of this dataset is to recover the ideal morphology of PPG signals distorted by suboptimal contact pressure via deep learning frameworks, thereby improving the accuracy of physiological parameter monitoring.

搜集汇总

数据集介绍

构建方式

该数据集通过定制化可穿戴原型设备采集，同步记录手腕和手指的光电容积描记（PPG）信号。实验招募了22名健康成人志愿者，在静止状态下通过可调节夹具施加不同接触压力，以模拟真实场景中的皮肤-传感器接触变化。数据采集过程中，手腕PPG信号暴露于多种接触压力下以产生多样化的形态学变化，而手指PPG信号则保持最佳接触压力作为理想形态的参考。所有信号均经过低通滤波、直流分量去除、无效片段剔除等预处理，最终生成超过4600组8秒时长的同步信号对。

特点

数据集包含三类同步记录的生理信号：受接触压力干扰的手腕PPG、理想形态的手指PPG以及作为脉搏基准的心电信号。其独特价值在于首次系统性地捕获了静息状态下接触压力对PPG波形形态的影响，包括收缩峰偏移、重搏切迹消失等关键特征变化。通过人工调节夹具压力，数据集覆盖了从极低到极高接触压力下的完整PPG形态谱系，其中仅19.6%的原始信号周期呈现理想形态，凸显了解决皮肤-传感器接触问题的必要性。

使用方法

该数据集主要用于训练和验证CP-PPG模型，该模型通过对抗自编码器架构将接触压力干扰的PPG信号转化为理想形态。使用时可划分为训练集（13人）、验证集（4人）和测试集（5人），采用8秒滑动窗口进行样本分割。预处理阶段需进行最大最小归一化以消除个体间幅度差异，并通过数据增强技术平衡样本分布。模型训练采用结合PPG领域知识的自定义损失函数，重点优化收缩峰、重搏切迹等关键特征的恢复精度。经转化后的信号可显著提升心率、血压等下游生理参数估计的准确性。

背景与挑战

背景概述

光电容积描记术（PPG）作为一种非侵入性光学技术，在心血管健康监测领域具有广泛应用。由新加坡管理大学、剑桥大学等机构联合开发的CP-PPG数据集，聚焦于静态条件下皮肤-传感器接触不良导致的PPG信号形态失真问题。该数据集通过创新性双传感器采集方案（手腕与指尖同步测量）和对抗自编码器模型，首次系统性地解决了接触压力变化对PPG波形关键特征（如收缩峰、重搏切迹等）的影响。其突破性在于将信号保真度提升40%，并为心率变异性、血压估计等下游任务带来21%-46%的精度提升，推动了可穿戴医疗设备的精准监测发展。

当前挑战

该数据集构建面临双重挑战：在领域问题层面，需克服传统PPG研究对运动伪影的单一关注，揭示静态场景下接触压力引起的波形特征位移/消失对生理参数估计的潜在影响；在技术实现层面，需解决理想/失真PPG信号无法同源同步采集的难题，通过定制化可穿戴原型与对抗生成网络设计，突破性地实现了双位点信号配对。此外，波形形态重建需精确恢复易受接触压力影响的微幅特征（如重搏波幅值仅占主波的5%-10%），这对模型的特征捕捉能力提出了极高要求。

常用场景

经典使用场景

在可穿戴设备和远程健康监测领域，CP-PPG数据集被广泛应用于评估和优化光电容积描记（PPG）信号的质量。该数据集通过同步采集手腕和手指的PPG信号，为研究皮肤-传感器接触压力对PPG波形形态的影响提供了重要数据支持。经典使用场景包括在静态条件下模拟不同接触压力导致的PPG信号失真，并通过深度学习模型恢复理想波形形态。

解决学术问题

CP-PPG数据集解决了PPG信号在静态条件下因接触压力变化导致的波形失真问题，填补了现有文献中对此关键问题关注的空白。通过提供同步采集的失真与理想PPG信号对，该数据集支持开发新型信号处理算法和深度学习模型，显著提升了心率、心率变异性、呼吸率和血压等生理参数估计的准确性。其创新性的数据采集方法和定制化损失函数为PPG信号质量增强领域树立了新基准。

衍生相关工作

该数据集催生了多项创新研究，包括基于对抗自动编码器的PPG信号增强框架、多模态生理参数联合估计算法，以及面向老年人的血管老化评估模型。其数据采集协议被后续研究扩展至不同肤色人群和病理生理状态（如心律失常患者）。衍生工作PPG-GAN和RE-GAN进一步推动了运动伪影消除领域的发展，形成完整的PPG信号增强技术体系。