PhysioDSP：全新Python库助力可穿戴设备信号处理！

可穿戴设备的生理信号处理是健康科技与研究领域反复出现的工程难题。ECG 记录、心率变异性指标、加速度计数据，不管处理哪一类信号，从原始传感器输出到有意义的生物标志物，整条链路都是碎片化的：算法散落在论文、代码仓库和临时脚本里，接口各不相同，数据模型也无法共享。

PhysioDSP 是一个开源 Python 库，目标是改变这种局面。它给出了一套统一、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，pip 安装即可使用：

pip install physiodsp

核心架构

PhysioDSP 的算法架构简洁统一，各组件易于集成、扩展和测试。

每个算法遵循同一套模式：Settings 类（基于 Pydantic）定义可配置参数；Algorithm 类继承 BaseAlgorithm，对外暴露 run() 方法；结果以 Pandas DataFrame 返回，直接接入下游处理。传感器数据封装在 AccelerometerData、EcgData、HrvData 等类型化数据模型中，实例化时即执行 schema 校验。

切换算法或调参无需改动数据处理代码——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)
# 包含 RR 间期和心率的 DataFrame
print(result.biomarker)

已实现的算法

当前版本包含四个功能模块。

活动分析方面，activity/ 模块实现了多种体动记录算法，均经过单元测试且可投入生产：ENMO（欧几里得范数减一）、过零率、高于阈值时间（用于剧烈活动量化）、PIM（比例积分模式，处理多轴数据），以及一套个性化活动评分方案,输出归一化的 0–100 每日活动与恢复指数，支持基线个性化。

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。传入任意采样频率的 EcgData 对象后，该检测器在单个 DataFrame 中返回心跳时间戳、RR 间期与瞬时心率。hrv/ 模块负责 HRV 评分，算法将 RMSSD（连续差值均方根）经 sigmoid 归一化映射到 0–100 分，同时纳入趋势和稳定性分量，计算基于滑动窗口，面向纵向监测场景。

底层的 dsp/ 模块提供卷积和滤波工具，既是上述各模块的计算基础，也可独立用于构建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。传感器抽象与算法逻辑的分离带来一个直接的好处：接入新硬件或新信号类型时无需改动已有算法实现。运行环境要求 Python ≥ 3.11，依赖 NumPy、Pandas、SciPy 和 Pydantic。

总结

PhysioDSP 虽然刚刚看是，但是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。后续计划中的模块包括能量消耗估算、睡眠质量指标和基于机器学习的活动识别。

https://avoid.overfit.cn/post/f014d12b5f154279b969a1d7f5bedc1c

BY Matteo Serafino