4、PPG信号预处理：带通滤波器设计（巴特沃斯、切比雪夫）、自适应滤波（LMS、RLS）

好，咱们接着聊PPG信号的预处理。上一节我们讲了去噪的基本思路，这一节我重点说说滤波器设计。说实话，在血氧仪这个领域，滤波器选型直接决定了你后面算出的血氧值准不准。我自己踩过不少坑，今天把这些经验都抖出来。

4.1 为什么需要带通滤波器？

PPG信号里，真正有用的信息集中在0.5Hz到10Hz之间。你想想看，人的心率一般在60到100次/分钟，换算过来就是1Hz到1.67Hz左右。但实际采集时，呼吸运动会引入0.2Hz左右的低频干扰，而工频噪声和肌肉抖动会带来高频噪声。

所以，带通滤波器的任务很明确：把0.5Hz以下和10Hz以上的成分统统干掉。我刚开始做的时候，觉得滤波器随便选一个就行，结果发现不同滤波器对信号相位的影响差别很大，直接导致后面特征点检测出错。

4.2 巴特沃斯滤波器设计

巴特沃斯滤波器最大的特点就是通带内最平坦。什么意思呢？就是在通带范围内，幅频响应几乎没有波动。这对于PPG信号来说很友好，因为你不希望不同频率的心跳分量被不均匀地放大或衰减。

我个人习惯用巴特沃斯做离线分析。它的缺点是过渡带比较宽，阶数低了效果不好，阶数高了计算量大。嗯，这里要注意，嵌入式系统里阶数一般不超过4阶，否则实时性扛不住。

下面是一个4阶巴特沃斯带通滤波器的设计示例（采样率100Hz）：

import numpy as np
from scipy.signal import butter, filtfilt

def butter_bandpass(lowcut, highcut, fs, order=4):
    nyq = 0.5 * fs
    low = lowcut / nyq
    high = highcut / nyq
    b, a = butter(order, [low, high], btype='band')
    return b, a

fs = 100.0
lowcut = 0.5
highcut = 10.0
b, a = butter_bandpass(lowcut, highcut, fs, order=4)

# 使用filtfilt实现零相位滤波
filtered_signal = filtfilt(b, a, raw_ppg)

这里我用的是filtfilt而不是lfilter。为什么？因为filtfilt是双向滤波，能消除相位偏移。我在项目中遇到过，用lfilter处理后的PPG信号，波峰位置偏移了好几个采样点，导致心率计算偏差了3次/分钟。这个教训挺深刻的。

4.3 切比雪夫滤波器设计

切比雪夫滤波器分两种：I型（通带内等波纹）和II型（阻带内等波纹）。对于PPG信号，我更常用切比雪夫I型。它的优点是过渡带更陡，同样的阶数下，比巴特沃斯能更干净地滤除噪声。

但代价是什么？通带内有波纹。你想想看，如果波纹幅度太大，PPG信号的波形会失真，尤其是波峰和波谷的幅度会变得不均匀。我建议通带波纹控制在0.5dB以内，这样对后续的特征提取影响较小。

来看一个切比雪夫I型的设计：

from scipy.signal import cheby1

def cheby_bandpass(lowcut, highcut, fs, order=4, rp=0.5):
    nyq = 0.5 * fs
    low = lowcut / nyq
    high = highcut / nyq
    b, a = cheby1(order, rp, [low, high], btype='band')
    return b, a

b, a = cheby_bandpass(lowcut, highcut, fs, order=4, rp=0.5)
filtered_signal = filtfilt(b, a, raw_ppg)

我曾经在一个低功耗项目中，因为处理器资源有限，只能用3阶切比雪夫。当时担心波纹会影响血氧计算，实测后发现只要波纹控制在0.3dB以内，效果和4阶巴特沃斯差不多。所以，选型没有绝对的好坏，关键看你的硬件资源。

滤波器类型	通带平坦度	过渡带陡峭度	推荐阶数	适用场景
巴特沃斯	最平坦	较缓	4~6阶	离线分析、波形保真要求高
切比雪夫I型	有波纹（可控）	较陡	3~4阶	资源受限、实时处理
切比雪夫II型	通带平坦	阻带波纹	4~5阶	阻带衰减要求高

4.4 自适应滤波：LMS算法

固定系数的滤波器有个硬伤：它不知道噪声的统计特性在变化。比如运动伪迹，它的频率和幅度随时在变，固定滤波器根本招架不住。这时候就得请出自适应滤波了。

LMS（最小均方）算法是最经典的自适应滤波方法。它的核心思想很简单：根据误差信号不断调整滤波器系数，让输出尽量接近期望信号。

在PPG处理中，我通常把加速度计信号作为参考输入，把含噪PPG作为主输入。LMS算法会自适应地消除与加速度相关的运动噪声。

def lms_filter(primary, reference, mu=0.01, order=32):
    n = len(primary)
    w = np.zeros(order)
    output = np.zeros(n)
    error = np.zeros(n)
    
    for i in range(order, n):
        ref_block = reference[i-order:i][::-1]
        output[i] = np.dot(w, ref_block)
        error[i] = primary[i] - output[i]
        w = w + 2 * mu * error[i] * ref_block
    
    return error, w

这里mu是步长因子，取值很关键。我刚开始用的时候，把mu设成0.1，结果滤波器直接发散，输出全是乱码。后来我总结了一个经验：步长一般取0.001到0.01之间，具体要看信号的功率。你可以先算一下参考信号的功率，再反推合适的步长。

4.5 自适应滤波：RLS算法

RLS（递归最小二乘）算法比LMS收敛快得多。说白了，LMS是慢慢调整，RLS是快速逼近。在PPG信号处理中，如果运动伪迹变化剧烈，LMS可能跟不上，RLS就能派上用场。

但RLS的代价是计算量大。每次迭代都要更新一个协方差矩阵，复杂度是O(N²)，而LMS只有O(N)。所以，RLS适合在性能较强的处理器上使用，比如ARM Cortex-M4以上的芯片。

来看一个RLS的实现片段：

def rls_filter(primary, reference, lam=0.99, order=16):
    n = len(primary)
    delta = 0.1
    w = np.zeros(order)
    P = np.eye(order) / delta
    output = np.zeros(n)
    error = np.zeros(n)
    
    for i in range(order, n):
        ref_block = reference[i-order:i][::-1]
        pi = np.dot(P, ref_block)
        k = pi / (lam + np.dot(ref_block, pi))
        output[i] = np.dot(w, ref_block)
        error[i] = primary[i] - output[i]
        w = w + k * error[i]
        P = (P - np.outer(k, pi)) / lam
    
    return error, w

这里lam是遗忘因子，一般取0.98到0.999之间。值越接近1，算法对历史数据的记忆越长，收敛越慢但更稳定。我习惯取0.99，在大多数PPG场景下表现都不错。

你可能会问：LMS和RLS到底选哪个？我的建议是：先试LMS，如果收敛速度不够再换RLS。因为LMS实现简单，调试方便，而且大部分运动伪迹场景下，LMS配合合适的步长已经够用了。

好了，这一节的内容就到这里。下一节我们聊聊PPG信号的特征点检测，那可是血氧计算的关键一步。