A framework for heart rate and respiratory rate estimation from smart eyewear PPG

This thesis, conducted at the Smart Eyewear Lab (SEL), investigates the feasibility of estimating Heart Rate (HR) and Respiratory Rate (RR) from photoplethysmographic (PPG) signals acquired at the nosepad level using smart eyewear. For HR estimation, the study compares infrared, red, and green PPG wavelengths to identify the best signal under motion, analyzes movements causing the largest errors, and develops low-complexity Motion Artifact (MA) mitigation strategies based on inertial measurements. Frameworks using adaptive filtering and spectral subtraction were evaluated, along with a decision stage that activates denoising only when IMU-PPG correlation and IMU signal power exceed thresholds, reducing computational cost and avoiding signal degradation. Best performance was obtained with infrared PPG and adaptive filtering, achieving a mean absolute error (MAE) of 2.11 bpm in static conditions, 1.05 bpm during various activities (cycling being the most intense), and 3.53 bpm in datasets with multiple activities, with running and stair climbing producing the highest MAE. RR estimation was performed in static conditions to determine the optimal wavelength and framework. Five methods were evaluated: three based on respiratory-induced PPG modulations (amplitude, frequency, baseline wander), their combination, and a band-pass filter approach. The filter-based method was also implemented in real time on a low-power microcontroller in the eyewear frame, achieving a MAE of 0.23 bpm (single-subject test) with a ≈ 6 ms processing time for a 40 s window. Overall, results show that nose-mounted PPG sensors in smart eyewears can provide reliable HR and RR estimates in static conditions with low computational complexity. Dynamic activities involving strong motion and co-frequency effects (e.g., running and stair climbing) remain challenging and require further study. Future work includes validation on a larger population and joint real-time HR and RR estimation.

Questa tesi, sviluppata nel laboratorio Smart Eyewear Lab, si propone di stimare le frequenze cardiaca e respiratoria da un segnale PPG acquisito tramite un sensore posizionato sul supporto nasale di occhiali intelligenti. Per la frequenza cardiaca, lo studio confronta tre lunghezze d’onda PPG (rosso, verde, infrarosso) per identificare il segnale migliore anche in presenza di movimento, analizza i movimenti che causano errori maggiori e sviluppa algoritmi di riduzione degli artefatti da movimento basati su filtri adattativi e sottrazione spettrale. Un algoritmo decisionale attiva il filtraggio solo quando la correlazione tra PPG e segnali IMU e la potenza dell’IMU superano soglie definite, riducendo il costo computazionale ed evitando degradazioni dei segnali non affetti da rumore. L’uso di PPG infrarosso e filtraggio adattativo ha ottenuto il MAE più basso: 2,11 bpm su dataset statico, 1,05 bpm su dataset con varie attività (ciclismo intenso) e 3,53 bpm su dataset con attività multiple, con corsa e scale che producono il MAE più elevato. Per la frequenza respiratoria, dati statici sono stati analizzati con cinque metodi: tre basati su modulazioni PPG (ampiezza, frequenza, baseline wander), uno che combina queste tre modulazioni e uno basato su filtraggio passa-banda. Quest’ultimo è stato implementato in tempo reale sul microcontrollore integrato negli occhiali, ottenendo MAE di 0,23 bpm (analizzando un singolo soggetto) e tempi di elaborazione di ≈ 6 ms su finestre da 40s. I risultati mostrano che sensori PPG montati sul naso in occhiali intelligenti forniscono stime affidabili di HR e RR in condizioni statiche con bassa complessità computazionale. Attività dinamiche con forti movimenti e effetti di co-frequenza (corsa, scale) rimangono sfide aperte. Futuri sviluppi includeranno validazione su popolazioni più ampie e stima congiunta HR-RR in tempo reale.