一种配备工具和记忆、用于选择性校正腕部 PPG 心率估计值的智能体架构

arXiv:2610.30688v1 公告类型：新论文 摘要：腕部光电容积描记（PPG）心率估计易受运动伪影影响，而降低平均误差的校正可能使个别时间窗口的估计结果变差。我们提出了一种围绕固定心率估计器构建、配备工具和记忆的智能体架构。该架构利用脉搏、运动和有限的历史证据生成候选估计值，并根据其预测收益与危害进行选择。一个独立的风险门控模块决定保留、校正还是拒绝每个输出。我们在 PPG-DaLiA 上训练该架构，并在冻结权重的情况下，在 Wrist Exercise、GalaxyPPG 和 WildPPG 上进行测试。在这四个公开数据集上，对十个估计器进行宏平均后的平均绝对误差（MAE）最多降低了 44.5%，其中 GalaxyPPG 上的降幅最大。有益校正和有害校正分别将绝对误差降低和增加超过 1 bpm。在四个数据集上，两类校正占比的十估计器宏平均值分别为 16.06% 至 36.64% 和 1.68% 至 6.77%。在目标覆盖率为 60% 和 80% 时，对相同获接受窗口进行数值校正，对总误差降低的贡献大于窗口选择。我们实现了实时可穿戴数据采集、蓝牙接收，以及所选估计器和该框架在智能手机上的部署。在对一名参与者的四段原型系统记录进行后端分析时，十估计器宏平均 MAE 从 9.09 bpm 降至 4.45 bpm，且未增加拒绝输出。在所评估的条件下，该架构提高了平均准确性，同时量化了校正的收益与危害，为兼顾误差、校正风险和覆盖率的可穿戴心率分析提供了支持。