---
title: baseline 4.8
type: dataset
last_updated: 2026-04-25
status: settled
---

# 正常人 Baseline 参考范围表 — 汇报说明

---

## 什么是正常人参考范围

我们采集了 4 个正常被试的 baseline 数据，计算了每个动作每个特征的均值和标准差，建立了"正常人应该是什么样的"参考范围。之后当我们拿到疑似 AD 患者的数据时，就可以跟这个范围对比，看哪些指标超出正常范围。

---

## 数据来源

- 4 个被试（S01 zewei, S02 junkai, S03 jialu, S04 zhe）
- 每人做了 8-13 个标准化动作
- 采样率 50Hz，手套传感器（IMU + GSR + PPG）
- 采集时间：2026 年 4 月 1 日和 3 日

---

## 核心参考范围汇总

### IMU 特征（最可靠的通道）

| 动作 | SVM_CV% | 窗口CV% | Jerk均值 | 被试数 |
|------|---------|---------|---------|-------|
| idle_sitting（坐姿静息） | 0.8 ± 0.9 | 0.3 ± 0.3 | 0.017 ± 0.015 | 2 |
| idle_standing（站姿静息） | 0.9 ± 0.8 | 0.3 ± 0.3 | 0.017 ± 0.008 | 2 |
| walking_normal（正常步行） | **15.4 ± 6.9** | **5.5 ± 2.3** | **0.324 ± 0.124** | 4 |
| walking_dual_task（双任务步行） | **11.6 ± 3.5** | **3.9 ± 1.4** | **0.233 ± 0.064** | 4 |
| turning（转身） | 9.8 ± 1.0 | 2.6 ± 0.2 | 0.233 ± 0.032 | 4 |
| balance_standing（平衡站立） | 1.2 ± 0.9 | 0.4 ± 0.3 | 0.025 ± 0.015 | 4 |
| sit_to_stand（坐站转移） | 13.5 ± 2.9 | 3.8 ± 0.4 | 0.186 ± 0.043 | 4 |
| hand_fine_motor（精细运动） | 11.1 ± 2.2 | 4.7 ± 0.5 | 0.198 ± 0.044 | 3 |
| writing（书写） | 2.8 ± 0.5 | 0.9 ± 0.4 | 0.089 ± 0.014 | 2 |
| agitation_simulate（激越模拟） | 21.6 ± 15.9 | 6.5 ± 3.6 | 0.532 ± 0.462 | 4 |
| wandering_simulate（游走模拟） | 10.5 ± 2.3 | 3.2 ± 0.5 | 0.222 ± 0.052 | 4 |

### GSR 特征（全程可用）

| 动作 | GSR均值 | GSR_CV%(跨被试) |
|------|---------|----------------|
| idle_sitting | 1386 ± 175 | 13% |
| walking_normal | 1541 ± 223 | 14% |
| agitation_simulate | 1704 ± 367 | 22% |
| balance_standing | 1616 ± 265 | 16% |
| wandering_simulate | 1594 ± 311 | 19% |

GSR 全程稳定可用，跨被试一致性好（CV 13-22%）。不同活动之间差异不大（变化幅度 10-20%），更适合看长期趋势和 BPSD 事件检测，不适合做短时活动区分。

### HR/PPG 特征（仅静息段可用）

HR/PPG 在本次采集中存在三类严重问题，不同被试情况不一样：

| 被试 | 问题类型 | 可信率 | 详情 |
|------|---------|-------|------|
| zewei | PPG传感器冻死 | 2/9=22% | 从第3个任务起PPG_IR锁定80162, HR锁定67.0, std=0 |
| junkai | PPG ADC饱和 | 2/8=25% | PPG_IR达到262143(ADC上限), 6个任务HR=0 |
| jialu | 运动伪迹+静息饱和 | 8/13=62% | walking HR=48.4(异常偏低); idle_standing PPG饱和98.9% |
| zhe | 运动伪迹(轻度) | 7/13=54% | 信号质量最好, 但走路时HR仍比静息低10-15bpm |

**仅以下场景的 HR 数据可作为参考范围：**

| 动作 | 可用被试 | HR均值(bpm) | 说明 |
|------|---------|-----------|------|
| idle_sitting | jialu(82.8), zhe(69.0) | 75.9 ± 9.8 | 可信 |
| writing | jialu(79.2), zhe(73.5) | 76.3 ± 4.0 | 可信 |
| hand_fine_motor | jialu(78.9), zhe(74.6) | 73.5 ± 6.0 | 基本可信 |
| phone_using | jialu(85.5), zhe(68.6) | 73.7 ± 10.3 | 基本可信 |
| balance_standing | jialu(93.5), zhe(61.2) | 差异极大 | 谨慎参考 |
| walking_normal | — | 57.6(偏低) | **不可信，运动伪迹** |

**运动任务中的 HR 数据不应纳入参考范围**——等实现 PPG 运动伪迹去除（基于 IMU 的自适应滤波）后再更新。

### PPG 问题根因与解决方案

三类问题对应三种硬件/软件修复：

| 问题 | 根因 | 解决方案 |
|------|------|---------|
| 传感器冻死 | 固件bug/光学耦合丧失 | 固件加 Watchdog：PPG_IR 连续5秒不变就重启传感器 |
| ADC饱和 | LED电流太大/手套太紧 | 固件加自动增益控制(AGC)：PPG_IR 接近上限时降低 LED 电流 |
| 运动伪迹 | 手部摆动干扰PPG | 后处理加自适应滤波(LMS/RLS)：用 IMU 加速度作为噪声参考 |

### HR/PPG 数据处理方案

针对上面三类问题，我们规划了四层处理方案，按优先级排列：

**方案 B（立即实现）：信号质量门控**

不试图修复信号，而是自动标记哪些时段的 HR 可信、哪些不可信。判断规则：
- PPG_IR = 常数（std=0）→ 传感器冻死，标记为无效
- PPG_IR > 260000 → ADC 饱和，标记为无效
- PPG_CV < 0.5%（信号太平）→ 传感器异常，标记为无效
- SVM > 阈值（运动中）→ HR 可能受运动伪迹影响，标记为低置信度

`preprocess.py` 已经实现了基础的 `hr_valid_flag`（检查 HR=0），后续需要把以上四条规则都加进去。加完之后，参考范围表和 Agent 3 就可以自动跳过不可信的 HR 数据了。

**方案 C（短期，1-2周）：静息段专用 HRV 分析**

完全放弃运动中的 HR，只在 `idle_sitting`、`balance_standing`、`recovery` 这些静息或准静息任务中提取 HRV 特征。具体来说：
- 从 PPG 波形中做峰值检测，提取逐拍间隔（IBI）
- 计算时域指标：SDNN（整体变异性）、RMSSD（副交感活动）
- 计算频域指标：LF/HF 比值（交感/副交感平衡）

对 Agent 3（自主神经专家）来说，**静息 HRV 本身就是最有 AD 诊断价值的指标**——文献中 HRV 降低与 AD 风险独立相关（Collins 2012），可以辅助鉴别 AD vs DLB。目前 jialu 和 zhe 的 idle_sitting 数据质量足以做 HRV 基线建模。

**方案 A（中期，2-4周）：基于加速度的自适应滤波**

用 IMU 加速度作为运动噪声参考信号，通过自适应滤波器把 PPG 中的运动成分去掉，恢复干净的心跳信号：

```
PPG原始信号 ──┐
              ├──→ 自适应滤波器(LMS/RLS) ──→ 干净PPG ──→ 峰值检测 ──→ HR
IMU加速度 ────┘    (加速度作为 noise reference)
```

这是可穿戴 PPG 运动伪迹去除的标准方法，文献报告信噪比可提升 10-15dB。实现后运动段的 HR 数据也可以纳入参考范围，Agent 3 就能在全部任务中提供自主神经评估了。

**硬件改进（下次采集前）：**

- **自动增益控制 (AGC)**：检测到 PPG_IR 接近 262143 时自动降低 LED 电流，防止饱和
- **Watchdog 机制**：PPG_IR 连续 5 秒不变就自动重启传感器，防止冻死
- **App 端实时信号质量提醒**：PPG_CV < 0.5% 或 PPG_IR > 260000 时在界面上弹出提示，让采集者及时调整手套佩戴

这些硬件改进做完后，预期下一轮采集的 HR 可信率可以从当前的 22-62% 提升到 80%+。

---

## 怎么用这个参考范围

### 用于 AD 异常检测

比如说，正常人走路的步态 SVM_CV 是 15.4 ± 6.9%，95% 参考范围是 [1.8%, 29.0%]。如果一个患者的 SVM_CV 超过 29%，就提示可能有步态异常。

### 用于合成 AD 数据

我们已经把这些参数存成了 JSON 文件（`normal_baseline_params.json`），合成数据工厂可以直接读取，然后按文献效应量叠加退化。比如：
- MCI 阶段：步态 CV 增大 30-60%
- 轻度 AD：步态 CV 增大 100-150%
- 中度 AD：步态 CV 增大 200%+

### 用于 Multi-Agent 个体化基线

将来做居家监测时，每个患者先做一次 baseline 采集建立个人参考范围，Agent 5（临床诊断专家）用个人基线做纵向追踪——"这个人相对他自己的正常水平偏离了多少"。

---

## 跨被试一致性（哪些动作最可靠）

一致性好的动作（跨被试 CV < 25%），意味着不同人做出来的特征差不多，更适合建立通用参考范围：

- **最好**：turning（CV=10%）、phone_using（CV=5%）、writing（CV=17-19%）
- **中等**：walking_dual_task（CV=30%）、sit_to_stand（CV=21%）、hand_fine_motor（CV=19-22%）
- **差**：balance_standing（CV=73-77%）、agitation_simulate（CV=74-87%）、idle（CV=89-123%）

agitation 和 balance 的一致性差是因为：模拟激越每个人"演"的方式不同；平衡站立的摇摆跟个人体质差异很大。这两个动作更适合做个体化的纵向追踪，不太适合建通用阈值。

---

## 局限性

1. **被试都是年轻人**：参考范围不能直接用于 55-75 岁老年人，但可以作为"年轻人天花板"
2. **PPG/HR 问题严重**：4 个被试中 zewei 和 junkai 的 PPG 大面积失效（传感器冻死/饱和），jialu 和 zhe 有运动伪迹。只有静息段 HR 可信，运动段 HR 参考范围尚无法建立。需要硬件改进（AGC、Watchdog）和算法改进（自适应滤波）后重新采集
3. **只有 4 人**：样本量太小，95% 参考范围的置信度不够，后续需要扩大到 15-20 人
4. **部分动作覆盖不全**：zewei 和 junkai 缺少 idle、writing 等动作数据
5. **HR 参考范围仅基于 2 人**：只有 jialu 和 zhe 的静息 HR 可用，代表性不足

---

*参考范围文件：*
- *CSV: `normal_reference_ranges.csv`*
- *JSON: `normal_baseline_params.json`*
- *生成日期: 2026-04-09*