PhysioDSP：一个面向可穿戴设备的 Python 信号处理库

可穿戴设备里的生理信号处理，说是个“老大难”问题一点都不为过。无论是处理心电图（ECG）记录、心率变异性（HRV）指标，还是加速度计数据，从原始传感器输出到最终生成有意义的生物标志物，这条链路往往都是碎片化的——算法散落在不同的论文、代码仓库和临时脚本里，接口各异，数据模型也无法互通。

PhysioDSP 这个开源 Python 库，就是想改变这个现状。它提供了一套统一、可扩展的框架来处理和分析生理传感器数据，核心关注点放在算法一致性、类型安全与可复现性上。项目托管在 GitHub，直接用 pip 就能安装：

pip install physiodsp

核心架构

PhysioDSP 的算法架构非常清晰，各组件之间的集成、扩展和测试都相当方便。

每个算法都遵循同一套设计模式：一个基于 Pydantic 的

用来定义可配置参数；一个继承自 BaseAlgorithm 的 ，对外暴露 run() 方法；最后，结果以 Pandas DataFrame 的形式返回，可以直接接入下游处理流程。

传感器数据则被封装在 AccelerometerData、EcgData、HrvData 这些类型化的数据模型中，实例化时就会执行 schema 校验。这意味着，切换算法或调整参数时，你完全不需要改动数据处理代码——只需要把数组包进对应的数据类，就能接入 PhysioDSP 的处理流水线。

from physiodsp.ecg.peak_detector import EcgPeakDetector  
from physiodsp.sensors.ecg import EcgData  
  
ecg_data = EcgData(timestamps=timestamps, values=ecg_values, fs=250)  
detector = EcgPeakDetector()  
result = detector.run(ecg_data)  
  
# 这是一个包含 RR 间期和心率的 DataFrame
print(result.biomarker)  

已实现的算法

当前版本已经包含了四个功能模块，覆盖了从基础运动到心电分析的常见场景。

在活动分析方面，activity/ 模块实现了多种体动记录算法，并且都经过单元测试，可以直接用于生产环境。具体包括：ENMO（欧几里得范数减一）、过零率、高于阈值时间（用于量化剧烈活动），以及 PIM（比例积分模式，用于处理多轴数据）。更有意思的是一套个性化活动评分方案，它能输出一个归一化的 0–100 分的每日活动与恢复指数，并且支持根据基线数据进行个性化调整。

ECG 处理集中在 ecg/ 模块，核心是一个基于类 Pan-Tompkins 滤波和峰值检测流水线的 QRS 波群检测器。你只需要传入任意采样频率的 EcgData 对象，它就能在一个 DataFrame 中返回心跳时间戳、RR 间期与瞬时心率。而 hrv/ 模块则负责 HRV 评分，算法将 RMSSD（连续差值均方根）经过 sigmoid 归一化映射到 0–100 分，同时还纳入了趋势和稳定性分量。整个计算基于滑动窗口，非常适合纵向监测场景。

底层的 dsp/ 模块提供了卷积和滤波工具，它既是上述各模块的计算基础，也可以独立拿出来，用于构建你自己的自定义信号处理流水线。

传感器支持与数据模型

传感器层对三种 IMU 模态——加速度计、陀螺仪、磁力计——以及 ECG 和 HRV 时间序列做了统一抽象。每个数据类都接收原始 NumPy 数组、时间戳和采样频率，经 Pydantic 校验输入后，向下游算法提供一致的接口。这种传感器抽象与算法逻辑的分离，带来一个直接的好处：当你需要接入新硬件或新信号类型时，完全不需要改动已有的算法实现。运行环境要求 Python ≥ 3.11，依赖 NumPy、Pandas、SciPy 和 Pydantic。

总结

尽管 PhysioDSP 刚刚发布，但它已经是一个可用的生理信号处理基础框架。当前版本（0.1.0b0）覆盖了活动分析、ECG 峰值检测和 HRV 评分三个方向，架构统一且易于测试。根据后续计划，开发团队还在筹备能量消耗估算、睡眠质量指标以及基于机器学习的活动识别模块，值得保持关注。