Continuous monitoring of heart rate variation is an important measure to diagnose cardiovascular problems and reduce related morbidity and mortality. The recent advances in wearable sensors have enabled the collection of ballistocardiographic (BCG) records over a long period without sacrificing the user’s normal daily life. However, there are multiple interferences that severely impact the BCG sampling process and thus degrade the signal quality. In this paper, we introduce a novel approach to estimating the beat-to-beat intervals by applying an unsupervised manifold learning framework in a hybrid phase space. First, we map the BCG time series into the three-dimensional space within which the desired BCG sample points are expected to form a low-dimensional manifold. This manifold is then reconstructed by its local linear property to remove the high-frequency noise; and overlapping manifold segments are projected to a low-dimensional principal subspace before aligned to mitigate the low-frequency non-stationary center shifts and amplitude variations. After we take the statistics to analyze the period indicators, the heartbeat intervals can be inferred. The proposed approach was tested with the BCG data collected from 10 subjects in different genders, ages, heights, and weights. We compare the estimates with the ground truth ECG references, and the results show that the proposed algorithm is able to provide reliable and accurate estimates for heart rates and beat-to-beat intervals, with the standard deviation of the interval estimate error of 22 ms.

连续监测心率变化是诊断心血管问题并降低相关发病率和死亡率的重要措施。可穿戴式传感器的最新进展使得能够长时间收集心电图（BCG）记录，而不会牺牲用户的正常日常生活。但是，存在多种干扰会严重影响BCG采样过程，从而降低信号质量。在本文中，我们介绍了一种通过在混合相空间中应用无监督的流形学习框架来估计心跳间隔的新颖方法。首先，我们将BCG时间序列映射到三维空间中，期望的BCG采样点将在三维空间中形成低维流形。然后，通过其局部线性特性对该歧管进行重构，以消除高频噪声；叠置的歧管段和重叠的歧管段在对齐之前投影到低维主子空间，以减轻低频非平稳中心偏移和振幅变化。在对统计数据进行分析以分析周期指标之后，可以推断出心跳间隔。用从10名不同性别，年龄，身高和体重的受试者收集的BCG数据对所提出的方法进行了测试。我们将估计值与地面真实心电图参考值进行比较，结果表明，该算法能够为心率和心跳间隔提供可靠且准确的估计，间隔估计误差的标准偏差为22 ms 。叠置的歧管段和重叠的歧管段在对齐之前投影到低维主子空间，以减轻低频非平稳中心偏移和振幅变化。在对统计数据进行分析以分析周期指标之后，可以推断出心跳间隔。用从10名不同性别，年龄，身高和体重的受试者收集的BCG数据对所提出的方法进行了测试。我们将估计值与地面真实心电图参考值进行比较，结果表明，该算法能够为心率和心跳间隔提供可靠且准确的估计，间隔估计误差的标准偏差为22 ms 。叠置的歧管段和重叠的歧管段在对齐之前投影到低维主子空间，以减轻低频非平稳中心偏移和振幅变化。在对统计数据进行分析以分析周期指标之后，可以推断出心跳间隔。用从10名不同性别，年龄，身高和体重的受试者收集的BCG数据对所提出的方法进行了测试。我们将估计值与地面真实心电图参考值进行比较，结果表明，该算法能够为心率和心跳间隔提供可靠且准确的估计，间隔估计误差的标准偏差为22 ms 。在对统计数据进行分析以分析周期指标之后，可以推断出心跳间隔。用从10名不同性别，年龄，身高和体重的受试者收集的BCG数据对所提出的方法进行了测试。我们将估计值与地面真实心电图参考值进行比较，结果表明，该算法能够为心率和心跳间隔提供可靠且准确的估计，间隔估计误差的标准偏差为22 ms 。在对统计数据进行分析以分析周期指标之后，可以推断出心跳间隔。用从10名不同性别，年龄，身高和体重的受试者收集的BCG数据对所提出的方法进行了测试。我们将估计值与地面真实心电图参考值进行比较，结果表明，该算法能够为心率和心跳间隔提供可靠且准确的估计，间隔估计误差的标准偏差为22 ms 。