𝜋?-Ring

𝜋?-Ring数据集是首个开放源代码的基于指环的心血管生理信号感知数据集。数据集包含了来自34名参与者在7种活动中的28.21小时原始光电容积脉搏波图信号（红外和红色通道）和3轴加速度计数据。数据集涵盖了静态和动态场景，以及刺激诱发的异常生理状态，并标注了心率、呼吸率、血氧饱和度和血压四个真实值标签。该数据集旨在促进基于指环的心血管健康感知的研究和社区驱动的进展。The 𝜋?-Ring dataset is the first open-source ring-based cardiovascular physiological signal sensing dataset. It contains 28.21 hours of raw photoplethysmography (PPG) signals (infrared and red channels) and 3-axis accelerometer data from 34 participants across 7 types of activities. The dataset covers static and dynamic scenarios, as well as stimulus-induced abnormal physiological states, and is annotated with four ground-truth labels: heart rate, respiratory rate, blood oxygen saturation, and blood pressure. This dataset aims to promote research and community-driven progress in ring-based cardiovascular health sensing.

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分钟静坐休息
   • 9分钟低氧模拟
   • 2次2分钟深蹲运动
   • 血压测量和生理数据记录

2. 日常活动数据收集:

   • 30分钟静坐休息
   • 5分钟坐姿谈话
   • 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	时长（小时）
所有活动	28.21
静坐	11.39
谈话	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）	数量
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)

基准测试结果

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 (反射式)	13.33	16.10	12.53	0.25
DBP	Transformer (反射式)	7.56	9.80	11.80	-0.02

特征与工具

数据预处理

• 窗口化: 30秒分段
• 标准化: 零均值、单位方差
• 滤波: 带通Welch滤波器
• 频谱分析: 频域转换

物理方法

• 峰值检测: 用于HR/RR估计
• 快速傅里叶变换（FFT）: 用于HR/RR估计
• 基于比率的SpO2: 计算血氧饱和度

监督方法

• 深度学习模型:
  • ResNet
  • InceptionTime
  • Transformer
  • Mamba

使用说明

安装

• 依赖: PyTorch, mamba-ssm, Triton
• 虚拟环境: 支持 venv, conda, uv

运行代码

• 无监督方法: sh python3 main.py --data-path <数据路径> --batch-configs-dirs config/physical-based

• 监督方法: sh nohup python3 main.py --data-path <数据路径> --batch-configs-dirs config/supervised > $(date +%Y%m%d%H%M%S)-nohup-train.log 2>&1 &

贡献指南

• 新增模型:
  1. 在 nets 目录下创建新模型文件
  2. 在 constants/model.py 中注册新模型
  3. 更新 main.py 和配置文件

搜集汇总

数据集介绍

构建方式

在心血管生理监测领域，智能戒指因其非侵入性和便捷性而备受关注。π-Ring数据集的构建采用了两种定制戒指设备（反射式和透射式PPG光学路径），集成了红外和红光通道PPG传感器以及三轴加速度计，采样频率高达100Hz。研究团队招募了34名受试者，在七种日常活动（包括静坐、站立、谈话和行走）以及低氧刺激和深蹲运动等生理异常状态下，共收集了28.21小时的原始数据。数据集包含同步的PPG和加速度计数据，并标注了心率、呼吸频率、血氧饱和度和血压四种生理参数的真实标签。

特点

π-Ring数据集作为首个面向戒指心血管传感的开源数据集，具有显著的多模态特性。其独特之处在于同时包含反射式和透射式两种光学路径的PPG信号，以及三轴运动数据，为研究不同传感配置的性能差异提供了可能。数据集涵盖了从静息状态到剧烈运动的广泛活动场景，特别是通过低氧刺激和深蹲运动诱导的生理变异状态，这在现有公开数据集中极为罕见。此外，数据集提供了四种精确标注的生理参数，包括商业戒指通常不提供的呼吸波形和血压数据，为算法开发提供了全面的基准。

使用方法

π-Ring数据集配套开源的RingTool工具包，支持传统信号处理和深度学习两种分析范式。研究者可通过配置工具包选择特定传感器通道（如不同波长的PPG），并针对不同生理参数（心率、呼吸频率等）设置相应滤波范围。工具包实现了峰值检测、FFT分析等物理方法，以及ResNet、Transformer等四种深度学习架构。使用五折交叉验证时，建议采用30秒时间窗进行信号分割，并应用带通滤波（心率提取0.5-3Hz，呼吸率0.1-0.5Hz）。对于运动场景下的分析，工具包支持多通道（PPG+加速度计）数据融合，可显著提升运动伪影抑制效果。

背景与挑战

背景概述

π-Ring数据集由清华大学的研究团队于2025年创建，旨在解决智能戒指在心血管生理监测领域的数据空白问题。该数据集包含来自34名受试者的28.21小时原始数据，涵盖光电容积描记（PPG）信号（红外和红光通道）和3轴加速度计数据，覆盖七种不同活动场景。π-Ring数据集特别标注了心率、呼吸频率、血氧饱和度和血压四项关键生理参数的真实值，为智能戒指在心血管健康监测领域的研究提供了首个开源基准。该数据集的建立推动了可穿戴设备在生理信号采集和健康监测算法开发方面的研究，对移动医疗和健康管理领域具有重要影响。

当前挑战

π-Ring数据集面临的挑战主要包括两个方面：在领域问题方面，智能戒指的心血管参数监测需要克服运动伪影对信号质量的干扰，特别是在动态活动场景下保持测量精度；同时，多参数（如血氧和血压）的同步准确估计仍存在技术难题。在构建过程方面，数据集采集需要解决不同光学路径（反射式和透射式）传感器的数据同步问题，确保不同活动场景下数据的一致性和可比性；此外，异常生理状态（如低血氧）的安全诱导和标注也是构建过程中的重要挑战。

常用场景

经典使用场景

在可穿戴健康监测领域，π-Ring数据集为基于智能戒指的心血管生理传感研究提供了首个开源基准。该数据集通过反射式和透射式两种光学路径设计，采集了34名受试者在七种日常活动下的28.21小时原始光电容积描记（PPG）信号和加速度计数据，涵盖了静息状态、运动场景以及低氧刺激引发的异常生理状态。研究者可利用该数据集验证算法在复杂真实场景下的鲁棒性，特别是在处理手部运动伪影方面的表现，为智能戒指在连续心血管监测中的应用奠定基础。

衍生相关工作

该数据集已衍生出多个标志性研究方向：在传感器融合方面，ResNet-ACC架构通过结合加速度数据将运动场景心率误差降低17%；在轻量化模型领域，基于该数据集的Mamba架构实现了戒指设备的端侧部署；其反射式与透射式PPG的对比研究为光学传感器设计提供了实证依据。相关成果进一步推动了OmniRing等开源戒指平台的发展，并催生出针对特殊人群（如睡眠呼吸暂停患者）的垂直领域数据集。

数据集最近研究

最新研究方向

随着可穿戴健康监测技术的快速发展，智能戒指因其佩戴舒适性和全天候监测能力成为心血管生理参数监测的新兴平台。π-Ring数据集作为首个开源的基于戒指的心血管生理传感数据集，为多参数生理监测研究提供了重要基准。该数据集包含来自34名受试者的28.21小时原始数据，涵盖静息和运动场景下的光电容积描记信号和加速度计数据，并标注了心率、呼吸频率、血氧饱和度和血压四个关键生理参数的真实值。最新研究聚焦于三个方面：一是利用深度学习模型提升运动场景下的生理参数估计精度，特别是通过融合多模态传感器数据来抑制运动伪影；二是探索新型光学路径（反射式与透射式）对信号质量的影响；三是开发标准化工具链RingTool，整合传统信号处理和深度学习方法，促进算法比较和复现。这些研究不仅推动了戒指形态设备在健康监测领域的应用，也为解决真实场景下的生理信号采集挑战提供了新思路。

相关研究论文

• A Dataset and Toolkit for Multiparameter Cardiovascular Physiology Sensing on Rings

  清华大学, 中国 · 2025年