τ-Ring dataset

τ-Ring数据集是一个用于健康感知和数据分析的开放数据集，包含从智能戒指收集的原始PPG和IMU信号，用于估计心血管参数（HR、RR、SpO2、BP）。数据集包括刺激诱发和日常活动两种协议下的数据收集过程，并提供了详细的活动和参考标签统计信息。

The τ-Ring dataset is an open dataset for health perception and data analysis, containing raw PPG and IMU signals collected from smart rings for the estimation of cardiovascular parameters (HR, RR, SpO2, BP). The dataset includes data collection processes under both stimulus-evoked and daily activity protocols, and provides detailed statistics on activity and reference labels.

原始信息汇总

RingTool数据集概述

数据集基本信息

• 名称: RingTool
• 类型: 健康感知与数据分析平台
• 主要信号: PPG（光电容积图）和IMU（惯性测量单元）
• 目标参数: 心率（HR）、呼吸率（RR）、血氧饱和度（SpO2）、血压（BP）

数据集内容

数据收集协议

1. 刺激诱发数据收集:

   • 10分钟静坐
   • 9分钟低氧模拟
   • 2次2分钟深蹲练习
   • 血压测量在每项活动前后进行

2. 日常活动数据收集:

   • 30分钟静坐
   • 5分钟坐姿交谈
   • 5分钟头部运动
   • 5分钟站立
   • 5分钟原地行走

数据集统计

活动统计

活动	持续时间（小时）
所有活动	28.21
静坐	11.39
交谈	0.93
摇头	0.94
站立	0.93
行走	0.91
低氧模拟	4.08
深蹲	1.61
其他	9.26

标签统计

标签	描述	平均值±标准差	范围（最小值，最大值）	计数
HR	心率测量	80.24±12.39 BPM	(26.03, 125.93) BPM	76586
RR	呼吸率	17.28±4.55 BPM	(6.04, 29.86) BPM	4205
SpO2	血氧饱和度	96.33±2.46 %	(78.97, 99.00) %	76575
SBP	收缩压	106.85±16.29 mmHg	(78.00, 142.00) mmHg	112
DBP	舒张压	65.85±9.41 mmHg	(43.00, 96.00) mmHg	112

数据格式

• 文件格式: .pkl文件

• 数据结构:

  rings/ └── subject_ringtype.pkl ├── id, start, end, fs ├── ir, red, ax, ay, az, bvp, resp (np.array) ├── hr, resp_rr, spo2, samsung_hr, oura_hr, BP_sys, BP_dia (numeric) ├── Experiment, Label (string)

基准测试

性能比较

任务	方法/环类型	MAE	RMSE	MAPE	Pearson
HR	ResNet（反射式）	5.18	8.96	6.99	0.73
RR	Peak（反射式）	2.98	4.12	18.39	0.50
SpO2	ResNet（反射式）	3.22	4.46	3.57	0.01
SBP	Transformer	13.33	16.10	12.53	0.25
DBP	Transformer	7.56	9.80	11.80	-0.02

特点

工具包配置

• 数据分割: 训练/验证/测试集，k折交叉验证
• 训练: 学习率、批量大小、优化器、周期数
• I/O: 选择传感器通道和目标输出
• 方法: 基于物理和基于监督学习的方法
• 过滤: 参数特定过滤设置

数据预处理

• 窗口化: 数据分段（默认30秒，>95 Hz采样率）
• 标准化: 零均值，单位方差归一化
• 过滤: 带通Welch滤波器
• 频谱分析: 频域变换

基于物理的方法

• 峰值检测: 从过滤信号中检测峰值估计HR/RR
• 快速傅里叶变换（FFT）: 从信号频谱的峰值频率估计HR/RR
• 基于比率的SpO2: 使用红和红外PPG信号的AC/DC成分计算SpO2

监督方法

• 深度学习模型: ResNet、InceptionTime、Transformer、Mamba
• 训练协议: 单任务回归，5折交叉验证，200周期，批量大小128，MSE损失，Adam优化器

搜集汇总

数据集介绍

构建方式

τ-Ring数据集的构建基于严格设计的生理实验协议，通过两种智能戒指（反射式Ring 1与透射式Ring 2）采集多模态生理信号。实验包含刺激诱发和日常活动两大场景：前者通过低氧模拟和深蹲运动诱发心血管状态变化，后者涵盖静坐、交谈、步行等日常行为。数据采集过程中同步记录PPG、IMU原始信号及医疗级参考值（HR、RR、SpO2、BP），并采用三星Galaxy Ring和Oura Gen 3 Ring进行横向对比验证。所有数据经时间对齐后以.pkl格式存储，包含时间戳、传感器阵列和标注信息。

特点

该数据集的核心价值在于其多维度生理监测能力与严格的质量控制。28.21小时的数据覆盖8类活动场景，包含166万条BVP样本和395万条呼吸波形，心血管参数范围具有临床代表性（如SpO2 78.97-99%，血压43-142mmHg）。独特之处在于同时采集反射/透射式PPG信号，并配备医学级参考标签与商业戒指对比数据。数据分布呈现典型生理变异特征，如低氧模拟下的SpO2下降梯度、运动后血压波动等，为算法鲁棒性验证提供丰富边界条件。

使用方法

使用者可通过PyTorch框架调用标准化处理流程，包含30秒窗口分割、Welch带通滤波（HR 0.5-3Hz，RR 0.1-0.5Hz）和DiffNorm信号增强。平台提供四类深度模型（ResNet、InceptionTime、Transformer、Mamba）和传统信号处理方法（峰值检测、FFT频谱分析），支持端到端训练与交叉验证。配置文件可定制数据通道（红外/红光PPG、三轴加速度计）、目标参数和超参数组合。典型应用场景包括：通过`main.py --batch-configs-dirs config/supervised`启动多任务训练，或使用`resnet-ring1-hr-all-ir.json`配置文件进行特定模型验证。

背景与挑战

背景概述

τ-Ring数据集是由智能戒指健康监测研究团队开发的多模态生理信号数据集，专注于通过光电容积描记（PPG）和惯性测量单元（IMU）信号实现心血管参数的无创估计。该数据集采集于受控实验环境，包含静息、低氧模拟、深蹲运动等多样化生理状态下的同步数据，并整合了医疗级参考标签（心率、呼吸率、血氧饱和度、血压等）。其创新性在于首次系统性地对比了反射式（Ring 1）与透射式（Ring 2）传感模式在不同活动场景下的性能差异，为可穿戴健康监测算法的开发提供了标准化基准平台。

当前挑战

该数据集面临双重技术挑战：在领域问题层面，运动伪影干扰导致动态场景下的PPG信号质量退化，反射式与透射式传感器的噪声模式差异显著（如Ring 1在运动时MAE达5.18 BPM，而Ring 2升至8.09 BPM）；血压估计因缺乏连续医疗级标签而受限（仅112个离散测量点），Transformer模型SBP预测的Pearson相关系数仅0.25。在构建过程中，多设备同步精度要求达到毫秒级，低氧实验需精确控制吸入气体浓度以模拟梯度血氧变化（78.97%-99%范围），且原始信号采样率需保持95Hz以上以满足频谱分析需求。

常用场景

经典使用场景

在可穿戴健康监测领域，τ-Ring数据集为智能戒指传感器的信号处理与心血管参数估计提供了标准化基准。该数据集通过反射式和透射式两种戒指传感器，采集了静息、低氧模拟、深蹲运动等多样化生理状态下的PPG和IMU信号，为比较不同传感模式在动态环境中的性能差异建立了实验基础。其多模态数据结构和专业医学标注，使其成为验证新型心率、血氧、血压估计算法的黄金标准测试平台。

衍生相关工作

基于该数据集的开源框架RingTool已催生多项创新研究，包括采用Mamba架构处理长序列PPG信号的《Mamba-Physio》工作，以及融合惯性数据补偿运动伪影的《IMU-FusionNet》方法。Transformer模型在跨模态特征提取上的优势启发《PhysioFormer》系列研究，而数据集揭示的光学传感模式差异直接推动了《Dual-Mode PPG》传感器的设计。这些衍生成果在IEEE TBME、NPJ Digital Medicine等期刊形成持续的研究脉络。

数据集最近研究

最新研究方向

随着可穿戴设备在健康监测领域的广泛应用，τ-Ring数据集为智能戒指的生理信号分析提供了重要支持。该数据集整合了PPG和IMU信号，结合深度学习模型如ResNet、Transformer和Mamba，致力于提升心率、呼吸频率、血氧饱和度和血压等心血管参数的估计精度。当前研究聚焦于多模态信号融合与轻量化模型设计，以应对日常活动中的运动伪影和个体差异挑战。同时，数据集的刺激诱发协议和日常活动协议为探索不同生理状态下的信号特征提供了丰富样本，推动了智能戒指在健康监测和疾病预警中的前沿应用。